Prediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)

Transkripsi

1 Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun hamsir@unhair.ac.id Abstra Tenologi sistem aringan syaraf tiruan (JST) merupaan salah satu paradigma untu sistem cerdas. JST dapat diapliasian pada banya bidang seperti pengenalan pola, identifiasi, lasifiasi, dan sistem endali. Tuuan utama dari studi ini adalah untu mempredisi umlah asus penderita demam berdarah dengue (DBD) berdasaran pada parameter curah huan, elembaban, suhu udara dan umlah asus yang teradi di ilayah abupaten Sleman dalam urun atu tahun 25 sampai dengan bulan 29. Hasil simulasi menunuan baha secara umum model predisi dengan mennggunaan data latih mempunyai fit yang cuup bai. Hal ini dapat terlihat baha predisi umlah penderita dari tahun 25 sampai 27 mempunyai nilai MSE 99.94x1-5 dengan oefisien orelasi r sebesar.99, sedangan hasil predisi untu tahun 28 sampai dengan bulan 29 mempunyai nilai MSE sebesar x1-5 dengan nilai orelasi r adalah.989. Kata unci - DBD, Predisi, JST I. PENDAHULUAN DBD merupaan penyait endemi dan epidemi yang menyebar luas dibeberapa daerah termasu Indonesia. Penyait ini terutama ditemuan di daerah tropi dan subtropi. DBD pertama ali dilaporan di Surabaya pada tahun Demam berdarah dengue merupaan suatu penyait dengan anga ematian dan esaitan yang tinggi di Indonesia [1]. Kasus DBD di Kabupaten Sleman sea tahun 21 perembangannya secara flutuatif dimana pada tahun 21 teradi 142 asus dengan 2 ematian, tahun 22 sebanya 14 asus dengan 1 orang meninggal, tahun 23 umlah asus sebanya 552 dengan 14 orang meninggal, tahun 24 sebanya 732 asus dengan 14 orang meninggal, tahun 25 sebanya 316 asus dengan 5 orang meninggal, tahun 26 sebanya 625 asus dengan 11 rang meninggal dan sampai dengan otober 27 ada 667 asus dengan 7 orang meninggal [2]. Banya fator yang mempengaruhi eadian penyait DBD, antara lain fator host, lingungan (environment) dan fator virusnya sendiri. Fator host yaitu erentanan (susceptibility) dan respon imun [3][4]. Fator lingungan (environment) yaitu ondisi geografi (etinggian dari permuaan laut, curah huan, angin, elembaban, musim); Kondisi demografi (epadatan, mobilitas, perilau, adat istiadat, sosial eonomi pendudu) [5]. Jenis nyamu sebagai vetor penular penyait uga iut berpengaruh. Penelitian terhadap epidemi Dengue di Nicaragua tahun 1998, menyimpulan baha epidemiologi Dengue dapat berbeda tergantung pada daerah geografi dan serotipe virusnya [6]. Tuuan dari aian ini adalah untu mengetahui apaah JST dapat diterapan untu mempredisi umlah asus penyait demam berdarah berdasaran parameter curah huan, elembaban, suhu dan laporan umlah asus-asus sebelumnya. JST merupaan metode yang bagus serta coco yang dapat menemuan hubungan non-linear yang bervariasi dan fator-fator lainnya, serta dapat melauan penyesuaian terhadap perubahan-perubahan yang teradi. JST, hususnya metode feed-forard dan feedbacard dari propagasi bali, dilaporan para ahli mempunyai emampuan meramal dengan bai [7]. Penelitian seenis yang pernah dilauan sebelumnya adalah yang dilauan [7] yang menyataan baha JST dapat dibangun untu melauan pembelaaran untu semua parameter yang nantinya aan digunaan untu mengetahui model matematis yang dapat digunaan untu predisi umlah asus penderita DBD. II. METODOLOGI Ada tiga proses utama pada penelitian ini, yaitu: 1. Pengumpulan data Data yang diperluan untu aian ini adalah data asus penderita DBD yang dipaai adalah total curah huan, elembaban, suhu dan laporan umlah asus-asus sebelumnya dari Kabupaten Sleman. Periode data dari bulan 25 sampai 27. Gambar 1 menunuan grafi fenomena umlah asus penderita DBD abupaten Sleman dari tahun berdasaran rerata curah huan, elembaban dan suhu. 2. Disain model aringan syaraf tiruan untu pengenalan pola asus DBD JST adalah sistem pemrosesan informasi yang mempunyai arateristi inera tertentu seperti aringan neural biologis. Jaringan syaraf telah diembangan sebagai generalisasi model matemati dari ognisi Received 23 November 215 Revised 15 February 216 Accapted 128 February 216 Available online

2 Otober November Otober November Otober November Otober Nopember Nilai Curah huan, Kelembaban dan Suhu Jumlah Penderita DBD Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan manusia atau syaraf biologi, yang berbasis pada asumsi sebagai beriut: a. Pemrosesan informasi teradi pada elemen sederhana yang disebut neuron. b. Sinyal diberian antara neuron leat alinan onesi. c. Setiap alinan onesi mempunyai bobot yang mengalian sinyal yang ditransmisian. d. Setiap neuron menerapan fungsi ativasi terhadap umlah sinyal masuan terbobot untu menentuan sinyal eluarannya. Salah satu sifat menari aringan syaraf adalah emampuannya untu belaar (learn) dari lingungannya dan dapat memperbaii ineranya melalui pembelaaran (learning). Jaringan syaraf belaar tentang lingungannya melalui proses iteratif penyesuaian yang diterapan e bobot sinapti dan pengambangan (threshold). Secara ideal, aringan aan semain berpengetahuan (noledgeable) mengenai lingungannya pada setiap iterasi proses pembelaaran. Algoritma pembelaaran yang digunaan adalah algoritma propagasi bali. Pada algoritma ini digunaan sinyal referensi dari luar (sebagai pengaar) dibandingan dengan sinyal eluaran JST, hasilnya berupa sinyal esalahan (error). Blo diagram ilustrasi algoritma pembelaaran propagasi bali ditunuan Gambar 2. Pada blo diagram tersebut dietahui xi merupaan sinyal masuan pembelaaran; adalah bobot onesi antara sel e sel ; z adalah sinyal eluaran unit tersembunyi; f fungsi ativasi; y sinyal eluaran pembelaaran; t sinyal eluaran target (referensi); δκ sinyal esalahan (error); α onstanta lau pembelaaran; dan q iterasi e-q. Dasar algoritma ini adalah memodifiasi bobot interonesi pada aringan sehingga sinyal esalahan mendeati nol. Fungsi ativasi yang sering digunaan dalam JST adalah fungsi linear (purelin), fungsi binary sigmoid (logsig) atau disebut uga logisti sigmoid, dan fungsi bipolar sigmoid (tansig) atau disebut uga fungsi hyperbolic tangent. Fungsi ativasi logsig dan tansig sering digunaan dalam propagasi bali. Fungsi ativasi logsig memilii rentang data (,1) sedangan untu fungsi ativasi tansig memilii rentang data (-1,1). Dengan demiian data deret atu yang ada harus ditransformasi terlebih dahulu pada rentang data tersebut. Secara umum, aringan seperti ini terdiri dari seumlah unit neuron sebagai lapisan input, satu atau lebih lapisan simpul-simpul neuron omputasi hidden (lapisan tersembunyi), dan sebuah lapisan simpul-simpul neuron omputasi output. Sinyal input dipropagasian e arah depan (arah lapisan output), lapisan demi lapisan. Jenis aringan ini adalah hasil generalisasi dari arsitetur perceptorn satu lapisan, adi biasa disebut sebagai multilayer perceptorn (MLPs). 8 Grafi Fenomena Jumlah Penderita DBD Berdasaran Curah Huan, Kelembaban dan Suhu di Kabupaten Sleman dari Tahun 25 s.d Watu (Tahun-Bulan) Jumlah Penderita Curah Huan (mm) Kelembaban (%) Suhu ( C ) Gambar 1. Grafi fenomena umlah asus penderita DBD Kab. Sleman berdasaran pola curah huan, suhu, dan elembaban dari tahun

3 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Input x i (q) z (q) Gambar 2. Blo diagram algoritma pembelaaran propagasi bali. Error bac propagation adalah algoritma MLPs yang menggunaan prinsip supervised learning. Propagasi bali (e arah lapisan input) teradi setelah aringan menghasilan output yang mengandung error. Pada fase ini seluruh bobot synaptic (yang tida memilii ativasi nol) dalam aringan aan disesuaian untu mengoresi/memperecil error yang teradi (error correction rule). Untu pelatihan aringan, pasangan fase propagasi e depan dan bali dilauan secara berulang untu satu set data latihan, emudian diulangi untu seumlah epoch (satu sesi leatan untu seluruh data latihan dalam sebuah proses pelatihan aringan) sampai error yang teradi mencapai batas ecil toleransi tertentu atau nol. Adapun Algoritma pelatihan propagasi bali adalah sebagai beriut [8]: Inisialisasi bobot. Keraan langah-langah beriut selama ondisi berhenti bernilai false: 1. Untu tiap-tiap pasangan elemen yang aan dilauan pembelaaran, eraan: Feed-forard: a. Tiap-tiap unit masuan (x i, i=1,2,3,,n) menerima sinyal masuan xi (berupa 3 parameter data masuan), dan menerusan sinyal tersebut e semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b. Tiap-tiap unit tersembunyi (z, =1,2,3,,p) menumlahan sinyal-sinyal masuan terbobot: n z _ in v x v (1) f q 1 q z q Error q o i 1 Gunaan fungsi ativasi untu menghitung sinyal eluaran-nya: z =f(z_in ) (2) dan iriman sinyal tersebut e semua unit di lapisan atasnya (unit output). c. Tiap-tiap unit eluaran (y, =1, 2, 3,, m) menumlahan sinyal-sinyal masuan terbobot: y _ in o y (q) i i (3) gunaan fungsi ativasi untu menghitung sinyal eluaran-nya: y =f(y_in ) (4) dan iriman sinyal tersebut e semua unit di lapisan atasnya (unit-unit output). n 1 Output target t z Propagasi Bali: d. Tiap-tiap unit eluaran (y, =1,2,3,,m) menerima target referensi (berupa data target), untu dihitung informasi error-nya: t y f ' y _ in (5) emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai ): z (6) hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai o ): (7) o iriman δ ini e unit-unit yang ada di lapisan baahnya. e. Tiap-tiap unit tersembunyi (z, =1,2,3,,p) menumlahan delta masuannya (dari unit-unit yang berada pada lapisan atasnya): m _ in (8) i 1 alian nilai ini dengan turunan dari fungsi ativasinya untu menghitung informasi error: _ in f ' z _ in (9) emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai v i ): v x (1) i i hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai v o ): v (11) o f. Tiap-tiap unit eluaran (y, =1,2,3,,m) memperbaii bias dan bobotnya (=1,2,3,,p): baru lama (12) Tiap-tiap unit tersembunyi (z, =1,2,3,,p) memperbaii bias dan bobotnya (i=,1,2,3,,n): v baru v lama v (13) g. Tes ondisi berhenti i Pada aian predisi asus DBD ini, JST yang dibangun adalah menggunaan metode propagasi bali (Bac Propagation) dengan momentum. Jaringan syaraf ini terdiri dari lapisan input, terdiri atas 3 neuron, yang meaili 3 (tiga) parameter masuan yaitu: rerata curah huan bulanan, rerata suhu bulanan dan rerata elembaban bulanan. Dua lapisan tersembunyi, dimana lapisan tersembunyi pertama terdiri atas 1 neuron dengan fungsi ativasi tansig, sedangan lapisan tersembunyi edua terdiri atas 5 neuron dengan ativasi logsig. Lapisan output terdiri 1 neuron dengan fungsi ativasi purelin. Adapun disain model aringan tersebut dapat dilihat pada Gambar Simulasi predisi dengan aringan syaraf tiruan Jaringan syaraf tiruan yang dibangun ini emudian aan dilatih dan diui, hasil penguian aan digunaan untu mempredisian umlah asus DBD. Data latih yang aan i i 37

4 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan digunaan pada penelitian ini sebanya 36 bulan untu masing-masing parameter yaitu data dari tahun dan data ui sebanya 16 bulan dari periode bulan 28 sampai dengan 29 (Gambar 1). Curah huan Atual/Predisi Atual/Predisi Kasus DBD A Suhu Gambar 3. Disain model aringan syaraf tiruan yang dibangun untu predisi umlah asus DBD Hasil predisi dengan aringan syaraf tiruan dianggap bai ia memilii MSE (mean square error) yang ecil dan nilai orelasi r yang tinggi pada hasil pelatihan dan hasil penguiannya. III. HASIL DAN PEMBAHASAN Jaringan syaraf tiruan propagasi bali yang dibangun selama pembelaaran dalam simulasi dengan ombinasi 3 fungsi ativasi untu lapisan tersembunyi dan lapisan output, didapat hasil seperti yang ditunuan pada gambar data Atual data Predisi Hasil penguian dengan data pelatihan Kelembaban Lapisan Input Lapisan Lapisan Lapisan Output Tersembunyi Tersembunyi pertama edua menggunaan data pelatihan. Dari pelatihan yang dilauan dengan menggunaan data dari tahun 25 sampai dengan 27, didapat penguian terbai diperoleh dengan MSE pembelaaran dengan nilai orelasi r hasil data atual dan predisi sebesar,995 (Gambar 5). Gambar 5. Hubungan antara target T dengan output aringan A, untu data pelatihan Sedangan hasil penguian aringan seperti yang ditunuan pada Gambar 6 dengan menggunaan data set tahun 28 sampai dengan bulan 29 didapat MSE hasil penguian sebesar dengan nilai r =,989 (Gambar 7). Secara lengap hasil pelatihan dan penguian dapat dilihat pada Tabel 1 dan Tabel 2. Sedangan untu predisi tahun 29 sampai dengan 21 dapat dilihat pada Gambar 8 dan Tabel 3. Untu hasil predisi, data masuan yang dipaai adalah data silus ilim 5 tahunan di abupaten Sleman R =.995 Best Linear Fit: A = (.988) T + (.336) T Hasil penguian dengan data test Data Points Best Linear Fit A = T data atual data predisi Data Bulan 25 - Bulan 27 Gambar 4. Perbandingan antara target dengan output aringan, untu data pelatihan Secara umum predisi model (predict in sample) dengan data pelatihan memperlihatan esesuaian yang sangat bai. Hal ini dapat dilihat bai secara visual dimana pola dari nilai predisi sangat deat dengan data aslinya. Gambar 4 merupaan hasil pembelaaran aringan dengan Data bulan Jaunari Gambar 6. Perbandingan antara target dengan output aringan, untu data pelatihan Berdasaran data atual terlihat baha umlah penderita meningat sesuai umlah curah huan dan berurang sesuai curah huan. Kasus meningat untu 3 tahun terahir pada bulan yaitu setelah adanya peningatan curah huan yang dimulai ahir November. 38

5 Predisi A Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Gambar 7. Hubungan antara target T dengan output aringan A,, untu data penguian Hasil predisi di tahun 29 menunuan baha adanya enaian umlah asus penderita DBD di abupaten Sleman teradi di ahir bulan November seiring dengan meningatnya curah huan. Hal ini diarenaan curah huan aan menambah genangan air sebagai tempat perinduan, menambah elembaban udara terutama daerah pantai, elembaban udara menambah ara terbang nyamu dan umur nyamu [5]. Namun hasil predisi pada tahun 21 menunuan baha enaian umlah asus aan teradi pada bulan, arena ini emunginan adanya flutuasi ilim sesuai pola silus musim 5 tahunan yang teradi dan uga mempertimbangan emunginan teradinya anomali ilim R =.989 Best Linear Fit: A = (.984) T + (.589) Data Points Best Linear Fit A = T T Hasil predisi Bulan 29 - Bulan 21 Gambar 8. Hasil predisi umlah asus penderita DBD Kab. Sleman Selain itu, menurut [9] di Indonesia, fator curah huan itu mempunyai hubungan erat dengan lau peningatan populasi di lapangan. Pada musim emarau banya barang beas seperti aleng, gelas plasti, ban beas, eler plasti, dan seenisnya yang dibuang atau ditaruh tida teratur di sebarang tempat. Sasaran pembuangan atau penaruhan barang-barang beas tersebut biasanya di tempat terbua seperti lahan-lahan osong atau lahan tidur yang ada di daerah perotaan maupun di daerah perdesaan. Fenomena lahan tidur dan lahan osong sering menadi tempat pembuangan sampah rumah tangga termasu barang aleng yang potensial sebagai tempat pembiaan nyamu. Dengan demiian populasi nyamu meningat drastis pada aal musim huan yang diiuti oleh meningatnya asus DBD di daerah tersebut. Dengan mempertimbangan hasil-hasil yang diperoleh dalam aian ini dan uga pertimbangan hasil-hasil dari penelitian para peneliti sebelumnya, metode ini dapat diharapan untu mendapatan suatu predisi yang lebih bai dan lebih aurat untu tahun-tahun mendatang. Untu aian lebih lanut, perlu dipertimbangan pengambilan data tambahan sebagai data masuan untu dapat menghasilan predisi yang lebih bai untu asus serupa. Parameter tambahan ini dapat meliputi indes onvensional yang digunaan untu memantau populasi vetor untu transmisi virus dengue, seperti House Index (HI), Container Index (CI), Breteau Index (BI) dan Aburas Index untu menguur populasi nyamu deasa. IV. Kesimpulan Kesimpulan yang dapat diambil berdasaran aian ini adalah sebagai beriut: 1. Algoritma aringan syaraf tiruan propagasi bali dapat diembangan sebagai metode pengembangan sistem predisi asus DBD. 2. Hasil pelatihan terbai dari aringan syaraf tiruan yang dibangun diperoleh dengan MSE pembelaaran dengan nilai orelasi r hasil data atual dan predisi sebesar,995 dan penguian dengan menggunaan data set tahun 28 sampai dengan bulan 29 didapat MSE hasil penguian sebesar dengan nilai r =, Hasil predisi di tahun 29 menunuan baha adanya enaian umlah asus penderita DBD di abupaten Sleman teradi di ahir bulan November seiring dengan meningatnya curah huan. Daftar Pustaa [1] Departemen Kesehatan RI, 1982, Penanggulangan Demam Berdarah Dengue. Dep. Kes RI. [2] Haryanto, 27. Musim Huan Perlu Waspada aan penyait Demam Berdarah Dengue (DBD) Sleman.go.id/berita.php?id_nes=77 [3] Chin J. 2. Control of communicable disease manual. 17 th ed. Washington DC: American Public Health Association; [4] Departemen Kesehatan RI, 199. Survey Entomologi Demam Berdarah Dengue. Dep. Kes RI [5] Gunandini, D. 22. Disertasi : Kemampuan Hidup Populasi Alami Nyamu Aedes Aegypti. Institute Tehnologi Bandung. [6] WHO, 2 Pencegahan dan Penanggulangan Penyait Demam Berdarah Dengue. Terermahan dari WHO Regional Publication SEARO No.29 : Prevention Control of Dengue and Dengue Haemorrhagic Fever. Depes RI, Jaarta. [7] Cetiner B. Gultein, Murat Sari and Hani M. Aburas, 29. Recognition Of Dengue Disease Patterns Using Artificial Neural Netors, 5th International Advanced Technologies Symposium (IATS 9), Karabu, Turey [8] L.V. Fausett, 1994.Fundamentals of Neural Netors: Architectures, Algorithms, and Applications, Prentice-Hall. [9] Supartha, I W. 28. Orasi Ilmiah. Pengendalian Terpadu Vetor Virus Demam Berdarah Dengue, Aedes aegypti (Linn.) dan Aedes albopictus (Suse)(Diptera: Culicidae). Dies Natalis 28. Universitas Udayana 39

6 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Tahun Tahun Tabel 1. Hasil penguian dengan menggunaan data pelatihan Bulan Data Jumlah Penderita DBD Atual Predisi Atual Predisi Atual Predisi Tabel 2. Hasil penguian dengan menggunaan data set Bulan Data Jumlah Penderita DBD Atual Predisi Atual Predisi Tabel 3. Hasil predisi umlah asus penderita DBD Kab. Sleman dari bulan Bulan Tahun