DIAGNOSA PENYAKIT DBD (DEMAM BERDARAH DENGEU) DENGAN ALGORITMA PEMBELAJARAN HYBRID DAN BACKPROPAGATION BERBASIS NEURAL NETWORK

Transkripsi

1 SNIPTEK 2015 ISBN: DIAGNOSA PENYAKIT DBD (DEMAM BERDARAH DENGEU) DENGAN ALGORITMA PEMBELAJARAN HYBRID DAN BACKPROPAGATION BERBASIS NEURAL NETWORK Ita Dewi Sintawati AMIK BSI Bekasi Jl. Raya Kaliabang No.8, Perwira, Bekasi Utara ABSTRACT Demam berdarah atau DBD adalah penyakit yang paling populer terjadi di masyarakat.penyakit demam berdarah itu sendiri disebarkan oleh nyamuk Aedes aegypti.secara global, penyakit ini menyebar secara luas di daerah tropis, termasuk Indonesia. Sampel penelitian sebanyak 200 pasien yang terdiagnosa DBD dan Demam Tifoid/Tifes dan juga tidak terdiagnosa kedua penyakit tersebut.kemudian data tersebut dibagi menjadi data training dan data testing. Dalam penelitian ini data yang diambil sebanyak 200 record, 80% data digunakan sebagai Training-Data (Data Pembelajaran), artinya sebanyak 160 data. 20% digunakan untuk Testing Data, yaitu sebanyak 40 data. Serta 10% data digunakan untuk New-Data sebagai data penerapan model yang akan menghasilkan rule. Penggunaan software Matlab diharapkan dapat membantu semua pihak yang berkaitan dengan masalah diagnosa penyakit DBD, dapat mengetahui tingkat akurasi dari hasil diagnosa DBD, demam lain atau demam tifoid. PENDAHULUAN Memasuki musim hujan, banyak penyakit yang mulai menyebar di masyarakat seperti demam berdarah.demam berdarah atau DBD adalah penyakit yang paling populer terjadi di masyarakat.penyakit demam berdarah itu sendiri disebarkan oleh nyamuk Aedes aegypti.secara global, penyakit ini menyebar secara luas di daerah tropis, termasuk Indonesia. WHO mengatakan sekitar 2,5 miliar orang atau dua perlima dari populasi dunia, kini menghadapi risiko dari dengue dan memperkirakan bahwa mungkin akan menjadi 50 juta kasus infeksi dengue di seluruh dunia setiap tahunnya. Penyakit ini sekarang telah menjadi endemik di lebih 100 negara [Dini, 2010]. Di banyak negara tropis, virus dengeu sangat endemik.di Asia, penyakit ini sering menyerang di Cina Selatan, Pakistan, India, dan semua negara di Asia Tenggara. Sejak 1981, virus ini ditemukan di Queensland, Australia. Di sepanjang pantai timur Afrika, DBD juga ditemukan dalam berbagai serotipe.epidemi dengue di Asia pertama kali terjadi pada tahun 1779, di Eropa pada tahun 1784, di Amerika Selatan pada tahun 1835-an, dan di Inggris pada tahun 1992.Di Indonesia kasus DBD pertama kali terjadi di Surabaya pada tahun Penyakit DBD ditemukan di 200 kota di 27 provinsi dan telah menjadi KLB (Kejadian Luar Biasa) akibat DBD. Profil kesehatan provinsi Jawa Tengah tahun 1999 melaporkan bahwa kelompok tertinggi adalah usia 5-14 tahun yang terserang sebanyak 42% dan kelompok usia tahun yang terserang sebanyak 37%. Rata-rata insidensi penyakit DBD sebesar 6-27 per penduduk. Data dari Departemen Kesehatan RI melaporkan bahwa pada tahun 2004 tercatat orang terkena DBD di 25 provinsi dengan kematian 322 penderita selama bulan Januari dan Februari. Daerah yang perlu diwaspadai adalah DKI Jakarta, Bali dan NTB.[Widoyono,2011]. Menurut Dinas Kesehatan DKI Jakarta, Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan infeksi empat virus serotype DEN-1, DEN-2, DEN-3 dan DEN-4 yang secara genetik tidak saling berhubungan. Infeksi virus dengue ditularkan oleh nyamuk betina Aedes spp terutama Aedes aegypti yang berkembang di daerah tropis.[kompas.com]. BAHAN DAN METODE Lokasi Penelitian 1. Sumber Data a. Data Primer Sumber data primer ini diambil dari rekam medik (medical record) poli penyakit dalam untuk diagnosa DBD dan Demam Tifoid serta tidak terdiagnosa penyakit keduanya atas persetujuan pihak yang berwenang, dan juga diperoleh dari wawancara personal dengan pakar kesehatan, seperti dokter dan perawat. b. Data Skunder Data ini diperoleh dari sumber secara tidak langsung, misalnya literatur, dokumentasi, buku, jurnal dan informasi lainnya sesuai dengan objek penelitian. 2. Sampel Penelitian Sampel penelitian sebanyak 200 pasien yang terdiagnosa DBD dan Demam Tifoid/Tifes dan juga tidak terdiagnosa kedua penyakit tersebut.kemudian data tersebut dibagi menjadi data training dan data testing. Teknik Pengumpulan Data dan Analisa Data 1. Menentukan variabel untuk diagnosa DBD Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri 727

2 ISBN: SNIPTEK 2015 Variabel untuk diagnosa DBD terdiri dari 4 inputan, yaitu: demam, bercak, pendarahan dan uji tornikuet. 2. Melakukan fuzifikasi variabel a. Fungsi keanggotaan demam b. Fungsi keanggotaan bercak c. Fungsi keanggotaan pendarahan Fungsi keanggotaan uji tornikuet HASIL DAN PEMBAHASAN Penerapan ANFIS untuk Diagnosa DBD Pembagian Data Training dan Testing Dalam penelitian ini data yang diambil sebanyak 200 record, 80% data digunakan sebagai Training-Data (Data Pembelajaran), artinya sebanyak 160 data. 20% digunakan untuk Testing Data, yaitu sebanyak 40 data. Serta 10% data digunakan untuk New-Data sebagai data penerapan model yang akan menghasilkan rule. Penentuan Membership Function (Jumlah Keanggotaan) Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya.[kusumadewi & Sri, 2010]. Fungsi keanggotaan dalam penelitian ini adalah variabel dari data input, dalam penelitian ini adalah variabel diagnosa DBD. variabel diagnosa terdiri dari 4 yaitu nilai demam, bercak, pendarahan spontan dan uji tornikuet. Dimana masing-masing dari 4 variabel tersebut terdapat 3 parameter. Parameter demam adalah rendah, sedang, dan tinggi. Parameter Bercak adalah sedikit, sedang dan banyak. Sedangkan parameter pendarahan spontan adalah tidak jelas, jelas dan sangat jelas. Parameter terakhir adalah uji tornikuet, dimana parameternya adalah negatif, ragu-ragu dan positif. Dari penjelasan tersebut sehingga jumlah keanggotaan Angka tersebut didapatkan dari masing-masing variabel yang memiliki parameter 3. Penentuan Tipe Fungsi Keanggotaan Pada penelitian ini metode Sugeno Orde-Nol ini akan diujicoba beberapa tipe fungsi keanggotaan yaitu fungsi keanggotaan segitiga(trimf), trapesium(trapfm), Gaussian(gaussmf) dan lonceng (gbellmf). Dimana dari masing-masing fungsi keanggotaan tersebut akan dibandingkan masing-masing tingkat keakurasianya. a. Mengunggah (Loading), Memplot (ploting) dan membersihkan data. b. Mengenerate atau mengugah permulaan Struktur FIS (Fuzzy Inference System) c. Melatih Data FIS d. Menvalidasi data FIS yang sudah dilatih. Tahapan yang dilakukan pada penerapan Matlab untuk pemrosesan ANFIS ini sebagai berikut: Membentuk Matrik Data Pelatihan dan Data Pengujian Matrik data training berisi 4 parameter input dan 1 target. Matrik data tersebut terdiri dari 160 data pelatihan. Data pelatihan (training) tersebut disimpan dalam bentuk.dat. Dalam penelitian ini nama file disimpan dengan nama: train1.dat. Matrik data pengujian terdiri dari 4 parameter input dalam hal ini berisi 40 baris data dan disimpan dengan nama test1.dat Mengunggah data pelatihan ke dalam ANFIS Editor Untuk tahap ini data pelatihan ANFIS Editor GUI harus diaktifkan terlebih dahulu. Cara menggunakan toolbox tersebut adalah pada command window Ketikan:>>anfisedit sehingga muncul tampilan sebagai berikut: ANFIS Editor pada Matlab Pemrosesan data dengan ANFIS Editor GUI dimulai dengan menggugah data pelatihan (training). Kemudian load data, pilih option Training laili pilih file train1.dat melalui from file. Hal ini dapat terlihat pada Gambar berikut ini. Penentuan Jumlah Epochs dan Error Goal Epoch yang ditentukan dalam penelitian ini adalah 500, dengan alasan agar didapatkan nilai error rate mendekati 0 (nol) dan error tolerance adalah 0 (nol). Penerapan Matlab Untuk Pemrosesan Adaptive Neuro Fuzzy Inference System Matlab telah terintegrasi dengan Fuzzy Logic Toolbox yang didalamnya terdapat ANFIS Editor GUI. GUI tersebut menunjukkan fungsi kerja sebagai berikut: 728 Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri

3 SNIPTEK 2015 ISBN: Pada langkah ini terdapat pada kolom Train FIS. Algoritma terdiri dari hyrid dan backpropagation. Error tolerance adalah akibat yang timbul pada saat program menemui kesalahan. Error tolerance yang digunakan pada penelitian ini adalah 0. Epoch adalah moment waktu yang digunakan sebagai titik acuan. Sedangkan epoch yang digunakan 500, ini berarti sampai iterasi ke-500, dengan tujuan untuk mendapatkan tingkat error yang mendekati nol. Pengolahan Data DBD dengan Matlab Gambar menunjukkan bentuk data pelatihan yang di load melalui ANFIS Editor GUI, setelah data pelatihan diunggah. Menentukan Jumlah dan Tipe Fungsi Keanggotaan Langkah untuk menentukan tipe keanggotaan pada kolom Generate FIS, pilih option grid partition kemudian klik tombol Generate FIS Membentuk FIS Setelah mendefinisikan input dan output MF (Membership Function) atau fungsi keanggotaan, maka tahap selanjutnya adalah melihat struktur Jaringan Syaraf Tiruan. Hal ini merupakan pembeda antara metode Sugeno pada ANFIS dengan metode Mamdani pada FIS. Caranya adalah menekan tombol structure. Untuk lebih jelasnya terlihat pada gambar dibawah ini: Struktur Jaringan Syaraf Tiruan Gambar 3.4 menunjukkan struktur jaraingan syaraf tiruan dengan variabel input sebanyak 4 dan parameter masing-masing dari input tersebut adalah 3, sedangkan outputnya adalah 1. Kemudian data disimpan dengan format FIS dengan cara klik File-Export-To File agar lebih permanen. (contoh hasil.fis) Untuk menampilkan FIS ketikan pada command windows pada matlab>>fuzzy nama file. Contoh: fuzzy hasil.fis Setelah tahap tersebut, selanjutnya akan terlihat seperti pada Gambar 3.5. Jumlah dan Jenis Tipe Keanggotaan Langkah ini didaptkan dari hasil menekan tombol Generate FIS, sehingga muncul gambar 3.3. Tentukan jumlah anggota dan tipe fungsi kenaggotaan. Jumlah anggota pada penelitian ini adalah [ ] hal ini disesuaikan dengan parameter input untuk diagnosa DBD. Contohnya yaitu demam terdiri dari tiga parameter rendah dengan pengukuran 36,0-37,3 0 C dan lama demam 1-2 hari, sedang dengan suhu ,5 0 C dan lama demam 3 atau 6 hari dan tinggi Suhu 38,0-42,0 0 C dan lama demam 4-5 hari. Tipe keanggotaan yang akan diujicobakan dalam penelitian diagnosa DBD ini tipe keanggotaan segitiga (trimf), trapesium (trapmf), lonceng (gbellmf) dan gausian (gaussmf). Sehingga didapatkan tingkat akurasi yang paling tinggi dari keempat tipe keanggotaan tersebut. Menentukan Algoritma, Error Tolerance dan Epochs Variabel Input Diagnosa DBD Double klik pada masing-masing varibel sehingga muncul tampilan tampilan parameter dari masing-masingg variabel input tersebut. Contohnya adalah variabel demam yang memiliki 3 parameter yaitu rendah, sedang, dan tinggi. Hal ini dapat diperlihatkan oleh gambar berikut: Fungsi Keanggotaan Demam Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri 729

4 ISBN: SNIPTEK 2015 Nilai fuzzy untuk demam ini, memiliki 3 parameter atau 3 membership function yaitu: rendah, sedang dan tinggi. Dimana nilai skor untuk rendah 36,0-37,3 0 C, sedang dengan nilai skor 36,5-38,5 0 C dan tinggi 38,0-42,0 0 C. Hal ini dapat dilihat pada tabel nilai fuzzy berikut: tidak jelas 0,00-0,40, jelas 0,25-0,75 dan sangat jelas 0,60-1,00. Hal ini ditunjukkan pada gambar nilai fuzzy pendarahan dibawah ini: Demam Rendah 36,0-37,3 Nilai Fuzzy Demam Nilai Pengukuran skor Suhu 36,0-37,3 0 C dan lama demam 1-2 hari Sedang 36,5-38,5 Tinggi 38,0-42,0 Suhu ,5 0 C dan lama demam 3 atau 6 hari Suhu 38,0-42,0 0 C dan lama demam 4-5 hari Seperti halnya pada demam, keanggotaan dari bercak ada 3, yaitu: sedikit, sedang dan banyak. Adapun nilai dari skoringnya adalah: sedikit 0,00-0,40, sedang dengan nilai skor 0,25-0,75 dan banyak 0,60-1,00. Artinya range pada nilai bercak berada antara 0-1, untuk lebih jelasnya dapat dilihat pada pada gambar berikut ini: Fungsi Keanggotaan Pendarahan Tabel menjelaskan tentang nilai skor dati nilai fuzzy pendarahan berikut ini: Nilai Fuzzy Pendarahan Pendarahan Nilai Pengukuran Skor Tidak Jelas 0,00-0,40 Pendarahan hidung atau gusi sedikit Jelas 0,25-0,75 Pendarahan hidung atau gusi banyak Sangat Jelas 0,60-1,00 Ditemukan hematemesis melena atau Fungsi Keanggotaan Uji Tornikuet adalah negatif, ragu-ragu dan positif merupakan membership function dari uji tornikuet ini. Dimana nilai skor untuk negatif 0,00-0,40, untuk ragu-ragu 0,25-0,75, sedangkan untuk positif 0,60-1,00. Nilai skor uji tornikuet ini ditunjukkan pada gambar berikut ini: Fungsi Keanggotaan Bercak Nilai skor dari fuzzy dari bercak dijelaskan pada tabel 3.2 dibawah ini: Nilai Fuzzy Bercak Bercak Nilai Pengukuran Skor Sedikit 0,00-0,40 Sedang 0,25-0,75 Banyak 0,60-1,00 Jumlah petekia <4 perlingkaran diameter 2,8 cm Jumlah petekia 4-9 perlingkaran diameter 2,8 cm Jumlah petekia =10 perlingkaran diameter 2,8 cm Nilai fuzzy untuk pendarahan ini memiliki membership function sebanyak 3, yaitu: tidak jelas, jelas dan sangat jelas. Dengan nilai range 0-1, nilai skor untuk Fungsi Keanggotaan Uji Tornikuet Dari gambar 3.9 menunjukkan range dari fungsi keanggotaan uji tornikuet. Hal ini dipertegas dengan keterangan pada tabel 3.4 berikut ini. Nilai Uji Tornikuet Tornikuet Nilai Pengukuran Skor Negatif 0,00-0,40 Ragu-ragu 0,25-0,75 Positif 0,60-1,00 Jumlah petekia <4 perlingkaran diameter 2,8 cm pada fossa cubiti Jumlah petekia 4-9 perlingkaran diameter 2,8 cm pada fossa cubiti Jumlah petekia =10 perlingkaran diameter 2,8 cm pada fossa cubiti Setelah mengetahui nilai fuzzifikasi dari masingmasing varibel, maka akan kita dapatkan rule atau aturan- 730 Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri

5 SNIPTEK 2015 ISBN: aturan yang terdapat pada diagnosa DBD ini. Caranya adalah double klick output, sehingga didaptkan 81 rule dari hasil banyaknya parameter dipangkatkan banyaknya input. Secara matematis dituliskan dengan 3 4 = 81 aturan. Rule yang digunakan pada ANFIS berupa if-then, seperti terlihat pada gambar sebagai berikut: Rule Untuk Diagnosa DBD Secara rinci dijelaskan 81 rule yang didapatkan adalah sebagai berikut: 1. If (Demam is Rendah) and (Bercak is Sedikit) and negatif) then (hasilseluruh is out1mf1) (1) 2. If (Demam is Rendah) and (Bercak is Sedikit) and ragu-ragu) then (hasilseluruh is out1mf2) (1) 3. If (Demam is Rendah) and (Bercak is Sedikit) and positif) then (hasilseluruh is out1mf3) (1) 4. If (Demam is Rendah) and (Bercak is Sedikit) and (Pendarahan is jelas) and (Uji-Tornikuet is negatif) then (hasilseluruh is tdk-dbd) (1) 5. If (Demam is Rendah) and (Bercak is Sedikit) and then (hasilseluruh is out1mf5) (1) 6. If (Demam is Rendah) and (Bercak is Sedikit) and then (hasilseluruh is out1mf6) (1) 7. If (Demam is Rendah) and (Bercak is Sedikit) and negatif) then (hasilseluruh is out1mf7) (1) 8. If (Demam is Rendah) and (Bercak is Sedikit) and (Pendarahan is sangat-jelas) and (Uji- Tornikuet is ragu-ragu) then (hasilseluruh is Demam-Lain) (1) 9. If (Demam is Rendah) and (Bercak is Sedikit) and positif) then (hasilseluruh is out1mf9) (1) If (Demam is Rendah) and (Bercak is Sedang) and (Pendarahan is tidak-jelas) and (Uji-Tornikuet is negatif) then (hasilseluruh is out1mf10) (1) 11. If (Demam is Rendah) and (Bercak is Sedang) and ragu-ragu) then (hasilseluruh is out1mf11) (1) 12. If (Demam is Rendah) and (Bercak is Sedang) and positif) then (hasilseluruh is out1mf12) (1) 13. If (Demam is Rendah) and (Bercak is Sedang) and (Pendarahan is jelas) and (Uji-Tornikuet is negatif) then (hasilseluruh is DBD) (1) 14. If (Demam is Rendah) and (Bercak is Sedang) and then (hasilseluruh is out1mf14) (1) 15. If (Demam is Rendah) and (Bercak is Sedang) and then (hasilseluruh is out1mf15) (1) 16. If (Demam is Rendah) and (Bercak is Sedang) and negatif) then (hasilseluruh is out1mf16) (1) 17. If (Demam is Rendah) and (Bercak is Sedang) and ragu-ragu) then (hasilseluruh is out1mf17) (1) 18. If (Demam is Rendah) and (Bercak is Sedang) and positif) then (hasilseluruh is out1mf18) (1) 19. If (Demam is Rendah) and (Bercak is Banyak) and negatif) then (hasilseluruh is out1mf19) (1) 20. If (Demam is Rendah) and (Bercak is Banyak) and ragu-ragu) then (hasilseluruh is out1mf20) (1) 21. If (Demam is Rendah) and (Bercak is Banyak) and positif) then (hasilseluruh is out1mf21) (1) 22. If (Demam is Rendah) and (Bercak is Banyak) and then (hasilseluruh is out1mf22) (1) 23. If (Demam is Rendah) and (Bercak is Banyak) and then (hasilseluruh is out1mf23) (1) 24. If (Demam is Rendah) and (Bercak is Banyak) and then (hasilseluruh is out1mf24) (1) 25. If (Demam is Rendah) and (Bercak is Banyak) and negatif) then (hasilseluruh is out1mf25) (1) Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri 731

6 ISBN: SNIPTEK If (Demam is Rendah) and (Bercak is Banyak) and ragu-ragu) then (hasilseluruh is out1mf26) (1) 27. If (Demam is Rendah) and (Bercak is Banyak) and positif) then (hasilseluruh is out1mf27) (1) 28. If (Demam is Sedang) and (Bercak is Sedikit) and negatif) then (hasilseluruh is out1mf28) (1) 29. If (Demam is Sedang) and (Bercak is Sedikit) and ragu-ragu) then (hasilseluruh is out1mf29) (1) 30. If (Demam is Sedang) and (Bercak is Sedikit) and positif) then (hasilseluruh is out1mf30) (1) 31. If (Demam is Sedang) and (Bercak is Sedikit) and then (hasilseluruh is out1mf31) (1) 32. If (Demam is Sedang) and (Bercak is Sedikit) and then (hasilseluruh is out1mf32) (1) 33. If (Demam is Sedang) and (Bercak is Sedikit) and then (hasilseluruh is out1mf33) (1) 34. If (Demam is Sedang) and (Bercak is Sedikit) and negatif) then (hasilseluruh is out1mf34) (1) 35. If (Demam is Sedang) and (Bercak is Sedikit) and ragu-ragu) then (hasilseluruh is out1mf35) (1) 36. If (Demam is Sedang) and (Bercak is Sedikit) and positif) then (hasilseluruh is out1mf36) (1) 37. If (Demam is Sedang) and (Bercak is Sedang) and negatif) then (hasilseluruh is out1mf37) (1) 38. If (Demam is Sedang) and (Bercak is Sedang) and ragu-ragu) then (hasilseluruh is out1mf38) (1) 39. If (Demam is Sedang) and (Bercak is Sedang) and positif) then (hasilseluruh is out1mf39) (1) 40. If (Demam is Sedang) and (Bercak is Sedang) and then (hasilseluruh is out1mf40) (1) 41. If (Demam is Sedang) and (Bercak is Sedang) and then (hasilseluruh is out1mf41) (1) 42. If (Demam is Sedang) and (Bercak is Sedang) and then (hasilseluruh is out1mf42) (1) 43. If (Demam is Sedang) and (Bercak is Sedang) and negatif) then (hasilseluruh is out1mf43) (1) 44. If (Demam is Sedang) and (Bercak is Sedang) and ragu-ragu) then (hasilseluruh is out1mf44) (1) 45. If (Demam is Sedang) and (Bercak is Sedang) and positif) then (hasilseluruh is out1mf45) (1) 46. If (Demam is Sedang) and (Bercak is Banyak) and negatif) then (hasilseluruh is out1mf46) (1) 47. If (Demam is Sedang) and (Bercak is Banyak) and ragu-ragu) then (hasilseluruh is out1mf47) (1) 48. If (Demam is Sedang) and (Bercak is Banyak) and positif) then (hasilseluruh is out1mf48) (1) 49. If (Demam is Sedang) and (Bercak is Banyak) and then (hasilseluruh is out1mf49) (1) 50. If (Demam is Sedang) and (Bercak is Banyak) and then (hasilseluruh is out1mf50) (1) 51. If (Demam is Sedang) and (Bercak is Banyak) and then (hasilseluruh is out1mf51) (1) 52. If (Demam is Sedang) and (Bercak is Banyak) and negatif) then (hasilseluruh is out1mf52) (1) 53. If (Demam is Sedang) and (Bercak is Banyak) and ragu-ragu) then (hasilseluruh is out1mf53) (1) 54. If (Demam is Sedang) and (Bercak is Banyak) and positif) then (hasilseluruh is out1mf54) (1) 55. If (Demam is Tinggi) and (Bercak is Sedikit) and negatif) then (hasilseluruh is out1mf55) (1) 56. If (Demam is Tinggi) and (Bercak is Sedikit) and ragu-ragu) then (hasilseluruh is out1mf56) (1) 57. If (Demam is Tinggi) and (Bercak is Sedikit) and positif) then (hasilseluruh is out1mf57) (1) 58. If (Demam is Tinggi) and (Bercak is Sedikit) and then (hasilseluruh is out1mf58) (1) 59. If (Demam is Tinggi) and (Bercak is Sedikit) and then (hasilseluruh is out1mf59) (1) 60. If (Demam is Tinggi) and (Bercak is Sedikit) and then (hasilseluruh is out1mf60) (1) 61. If (Demam is Tinggi) and (Bercak is Sedikit) and negatif) then (hasilseluruh is out1mf61) (1) 62. If (Demam is Tinggi) and (Bercak is Sedikit) and ragu-ragu) then (hasilseluruh is out1mf62) (1) 63. If (Demam is Tinggi) and (Bercak is Sedikit) and positif) then (hasilseluruh is out1mf63) (1) 732 Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri

7 SNIPTEK 2015 ISBN: If (Demam is Tinggi) and (Bercak is Sedang) and negatif) then (hasilseluruh is out1mf64) (1) 65. If (Demam is Tinggi) and (Bercak is Sedang) and ragu-ragu) then (hasilseluruh is out1mf65) (1) 66. If (Demam is Tinggi) and (Bercak is Sedang) and positif) then (hasilseluruh is out1mf66) (1) 67. If (Demam is Tinggi) and (Bercak is Sedang) and then (hasilseluruh is out1mf67) (1) 68. If (Demam is Tinggi) and (Bercak is Sedang) and then (hasilseluruh is out1mf68) (1) 69. If (Demam is Tinggi) and (Bercak is Sedang) and then (hasilseluruh is out1mf69) (1) 70. If (Demam is Tinggi) and (Bercak is Sedang) and negatif) then (hasilseluruh is out1mf70) (1) 71. If (Demam is Tinggi) and (Bercak is Sedang) and ragu-ragu) then (hasilseluruh is out1mf71) (1) 72. If (Demam is Tinggi) and (Bercak is Sedang) and positif) then (hasilseluruh is out1mf72) (1) 73. If (Demam is Tinggi) and (Bercak is Banyak) and negatif) then (hasilseluruh is out1mf73) (1) 74. If (Demam is Tinggi) and (Bercak is Banyak) and ragu-ragu) then (hasilseluruh is out1mf74) (1) 75. If (Demam is Tinggi) and (Bercak is Banyak) and positif) then (hasilseluruh is out1mf75) (1) 76. If (Demam is Tinggi) and (Bercak is Banyak) and then (hasilseluruh is out1mf76) (1) 77. If (Demam is Tinggi) and (Bercak is Banyak) and then (hasilseluruh is out1mf77) (1) 78. If (Demam is Tinggi) and (Bercak is Banyak) and then (hasilseluruh is out1mf78) (1) 79. If (Demam is Tinggi) and (Bercak is Banyak) and negatif) then (hasilseluruh is out1mf79) (1) 80. If (Demam is Tinggi) and (Bercak is Banyak) and ragu-ragu) then (hasilseluruh is out1mf80) (1) KESIMPULAN Berdasarkan hasil simulasi ANFIS yang telah dilakukan pada kasus diagnosa penyakit DBD berdasarkan gejala klinisnya, maka dapat disimpulkan sebagai berikut: 1. Penggunaan software Matlab diharapkan dapat membantu semua pihak yang berkaitan dengan masalah diagnosa penyakit DBD, dapat mengetahui tingkat akurasi dari hasil diagnosa DBD, demam lain atau demam tifoid. Pemilihan Algoritma hybrid dan backpropagation diharapkan mampu memberikan hsil diagnosa yang tepat, sehingga niali error yang dihasilkan sistem sangat kecil atau minim.. REFERENSI Kusumadewi, Sri., & Hartati, Sri. (2010). Neuro-Fuzzy Integrasi Sistem Fuzzy Jaringan Syaraf. Yogyakarta: Graha Ilmu. Kusumadewi, Sri., Purnomo, Hari. (2010). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu. Logika Fuzzy. Juni 6, rolliawati.dosen.narotama.ac.id Pudjo-Widodo,Prabowo., Trias-Handayanto, Rahmadya. (2012).Penerapan Soft Computing Dengan Matlab. Bandung: Rekayasa Sains. Pudjo-Widodo,Prabowo.,&Trias-Handayanto,Rahmadya, Herlawati, (2013). Penerapan Data Mining dengan Matlab. Bandung: Rekayasa Sains. Sanusi, Anwar. Metodologi Penelitian Bisnis.Salemba Empat. Siti-Anggraeni, Dini. (2010). Stop Demam Berdarah Dengeu. Bogor: Bogor Publishing House. If (Demam is Tinggi) and (Bercak is Banyak) and positif) then (hasilseluruh is out1mf81) (1) Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri 733

8 ISBN: SNIPTEK Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri