Optimasi Peramalan Jumlah Kasus Penyakit Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Dengan Algoritma Genetika

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 8, Agustus 2018, hlm Optimasi Peramalan Jumlah Kasus Penyakit Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Dengan Algoritma Genetika Gilang Ramadhan 1, Budi Darma Setiawan 2, Marji 3 1,2,3 Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Brawijaya 1 azureknight02@gmail.com, 2 s.budidarma@ub.ac.id, 3 marji@ub.ac.id Abstrak Jumlah kasus penyakit mengalami kenaikan dan penurunan setiap bulannya. Hal ini berdampak pada tidak seimbangnya ketersediaan obat seperti, kurang persediaan obat, pemborosan, obat yang tidak tepat sasaran, obat rusak dan lain sebagainya. Oleh karna itu diperlukan peramalan jumlah kasus penyakit untuk mengetahui jumlah kasus penyakit dalam waktu tertentu. Salah satu metode peramalan yang dapat digunakan adalah metode jaringan syaraf tiruan backpropagation. Metode ini dapat dioptimasi menggunakan algoritma genetika sehingga dapat menghasilkan hasil yang lebih optimal. Parameter yang dioptimasi adalah bobot serta bias yang akan digunakan pada algoritma backproapgation. Penelitian ini bertujuan untuk melakukan peramalan jumlah kasus penyakit di Puskesmas Rogotrunan, Lumajang dengan menggunakan metode backpropagation yang dioptimasi dengan algoritma genetika. Dalam penelitian ini parameter optimal algoritma genetika adalah populasi=180, kombinasi cr dan mr berturut-turut 0,4 dan 0,6, generasi=100. Parameter algoritma backpropagation yang potimal adalah jumlah data=16, neuron input=6, iterasi=1000, dan nilai alfa=0,1. Didapatkan tingkat akurasi dengan MSE= 87,2 dengan data uji jumlah kasus penyakit pada bulan januari sampai desember pada tahun Dari nilai MSE yang diperoleh menggunakan metode backpropagation yang dioptimasi dengan algoritma genetika ini dapat digunakan untuk meramalkan jumlah kasus penyakit. Kata Kunci : Peramalan, jumlah kasus penyakit, backpropagation, algoritma genetika. Abstract The number of disease cases has increased and decreased every month. This has an impact on the unbalanced of medicine availability such as, lack of supply of medicine, waste of medicine, medicine that are not on target, damaged medicine and so on. Therefore forecasting on number of disease cases is needed to determine the number of disease cases within a certain time. One of forecasting method that can be used is backpropagation neural network method. This method can be optimized using genetic algorithm to produce optimal results. The optimized parameters are weight and bias which will be used in backpropagation algorithm. The purpose of this study is to forecast the number of disease cases at Puskesmas Rogotrunan, Lumajang using backpropagation method optimized by genetic algorithm. From this study the optimal parameters of genetic algorithm are population=180, combination of cr and mr respectively 0,4 and 0,6, generation=100. The optimal parameters of backpropagation algorithm are total data=16, input neuron=6, iteration=1000, alfa=0,1. Accuray obtained with MSE=87,2 with data test of the number of disease cases in january to desember From the value of MSE obtained using backpropagation method optimized by genetic algorithm can be used to forecast the number of disease cases. Keyword : Forecasting, number of disease cases, backpropagation, genetic algorithm. 1. PENDAHULUAN Kesehatan merupakan sumber kebutuhan penting yang diperlukan untuk dapat melaksanakan kegiatan sehari-hari dengan baik. Kesehatan perlu dijaga agar kita bisa terbebas dari segala penyakit. Menurut Riset Kesehatan Dasar (riskesdas) yang dilaksanakan pada tahun 2007 di Indonesia, diketahui bahwa rasio kasus penyakit dikelompokkan menjadi penyakit yang menular (28,1%), penyakit yang tidak menular (59,5%), gangguan perinatal atau maternal (6%), Fakultas Ilmu Komputer Universitas Brawijaya 2800

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2801 disabilitas dan cidera (6,5%) (Kemenkes, 2012). Dari rasio ini diketahui terjadi penurunan pada penyakit menular, sedangkan pada penyakit tidak menular mengalami peningkatan, hal ini dilihat dari perbandingan SKRT tahun 2001 (Kemenkes, 2012). Kenaikian dan penurunan ini diketahui dengan melakukan perbandingan dari hasil riset Departemen Kesehatan pada tahun 2001 dan Berdasarkan data tersebut dibutuhkan waktu yang cukup lama untuk dapat mengukur atau menghitung jumlah kasus penyakit dalam kurun waktu tertentu. Hal ini dapat berdampak pada tidak seimbangnya ketersediaan obat seperti, kurang atau tidaknya persediaan obat, pemborosan, sasaran obat yang tidak tepat, dan rusaknya obat (Soerjono, 2001). Oleh karna itu, diperlukan solusi berupa peramalan sehingga dapat meningkatkan efisiensi serta efektifitas dalam menghitung jumlah kasus penyakit yang akurat, tepat, dan cepat. Backpropagation adalah salah satu metode jaringan syaraf tiruan yang sering digunakan untuk studi kasus peramalan (Halim & Wibisono, 2000). Backpropagaton adalah perkembangan dari algoritma least mean square yang digunakan untuk melatih jaringan dengan beberapa. Algoritma ini memiliki performance-index mean square error (MSE) yang menggunakan pendekatan steepest index (Hagan et al., 1996). Penggunaan serta penerapan metode backpropagation ini tergolong dalam algoritma pelatihan yang bersifat supervised. Proses pelatihan metode backpropagation didasarkan dari hubungan sederhana yaitu, jika hasil yang dikeluarkan salah maka penimbang (weight) dikoreksi agar galatnya dapat diperkecil serta selanjutnya diharapkan mendekati hasil yang benar (Kosasi, 2014). Kelemahan metode jaringan syaraf tiruan backpropagation adalah jaringan syaraf tiruan sering terjebak pada lokal minimum hasil yang didapatkan lebih kecil dari titik terdekat, akan tetapi lebih besar di titik yang jauh dikarnakan konvergensi dini (Nawi et al., 2013). Kelemahan ini bisa diatasi dengan menggunaka proses optimasi. Algoritma genetika merupakan salah satu algoritma yang dapat digunakan untuk proses optimasi. Pada penelitian yang dilakukan oleh (Haviluddin & Alfred, 2015) dalam meramalkan data time series menggunakan metode backpropagation yang dioptimasi menggunakan algoritma genetika yang menghasilkan nilai MSE lebih kecil dibandingkan hanya dengan menggunakan metode backpropagation. Berdasarkan peramalan jumlah kasus penyakit serta penjelasan singkat tentang metode backpropagation dan algoritma genetika yang sudah diuraikan, maka dirancang penelitian Optimasi Jumlah Kasus Penyakit menggunakan metode Jaringan Syaraf Tiruan Backpropagation dengan Algoritma Genetika. Implementasi yang dilakukan adalah menggabungkan metode jaringan syaraf tiruan backpropagation untuk meramalkan jumlah kasus penyakit, sedangkan algoritma genetika digunakan sebagai proses optimasi parameter yang akan digunakan dalam metode backpropagation sehingga diharapkan dapat menghasilkan peramalan dengan akurasi yang baik. Dari hasil penelitian ini diharapkan dapat membantu masyarakat khususnya yang bekerja pada bidang kesehatan untuk dapat menghitung jumlah kasus penyakit. 2. DATASET Data yang digunakan pada penelitian ini adalah data jumlah kasus penyakit demam typoid-paratypoid yang diambil dari LB1 (Laporan Bulanan 1) Puskesmas Rogotrunan Kota Lumajang. Data yang digunakan dibagi menjadi dua yaitu data training dan data testing. Data tersebut tersusun dari data jumlah kasus penyakit demam typoid-partypoid setiap bulan dari tahun 2012 sampai Jumlah data yang digunakan adalah 1 penyakit yang terdiri dari 12 bulan dan 5 tahun dengan total data sebanyak 60. Data ini memiliki satu atribut berupa jumlah kasus penyakit. Jumlah kasus penyakit ini dapat digunakan untuk proses peramalan berdasarkan data time series. 3. PERAMALAN Peramalan (forecasting) merupakan perkiraan atau dugaan akan suatu kejadian yang akan terjadi di masa mendatang (Supranto, 2000). Menurut Nachrowi (2004) peramalan merupakan suatu teknik yang digunakan untuk memprediksi atau memperkirakan nilai yang akan terjadi di masa depan melalui data yang relevan pada masa lalu dan masa sekarang. Peramalan dibutuhkan untuk memprediksi kuantitas, waktu, lokasi yang dibutuhkan pada masa depan. Menurut Sinaga (2007) peramalan dibutuhkan oleh perusahaan atau instansi untuk dapat mengetahui dan menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan akan

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2802 diperlukan di masa yang akan datang, sehingga persiapan akan suatu tindakan atau kebijakan dapat dilakukan.. Salah satu cara untuk menentukan ukuran kesalahan secara statistik yaitu dengan Mean Squared Error (MSE) yang ditunjukkan pada Persamaan 1. MSE = 1 n n t=1 (y t y t) 2 (1) y t y t n 4. Backpropagation = data hasil prediksi periode t = data aktual periode t = jumlah data Backpropagation merupakan salah satu metode yang ada dalam jaringan syaraf tiruan. Penggunaan serta penerapan metode backpropagation ini tergolong dalam algoritma pelatihan yang bersifat supervised. Proses pelatihan metode backpropagation didasarkan dari hubungan sederhana yaitu, jika hasil yang dikeluarkan salah maka penimbang (weight) dikoreksi agar galatnya dapat diperkecil serta selanjutnya diharapkan mendekati hasil yang benar (Kosasi, 2014) Arsitektur Jaringan Backpropagation Terdapat beberapa, yaitu input, hidden, dan output dalam arsitektur jaringan syaraf tiruan backpropagation. Proses dari metode backpropagation adalah setelah menerima input atau masukan pada input, input ini akan diproses propagasi melewati setiap diatasnya hingga menghasilkan keluaran atau output dari jaringan. Nilai error didapatkan dari perbandingan output jaringan dengan target output. Kemudian dengan menggunakan bobot awal, jaringan akan melewatkan turunan dari nilai error tersebut menuju hidden. Setelah itu akan dilakukan perhitungan jumlah bobot dari error hasil propagasi sebelumnya oleh setiap neuron yang ada pada hidden. Sesudah menemukan besarnya nilai error, maka dilakukan perubahan nilai bobot untuk mengurangi nilai error oleh neuron-neuron tersebut. Proses ini akan terus dilakukan hingga nilai error yang didapatkan oleh jaringan mendekati nilai nol (Giantara, 2013). Arsitektur jaringan backpropagation dapat dilihat pada Gambar 1. Gambar 1. Arsitektur Jaringan Backpropagation Fungsi Aktivasi Pada penelitian ini fungsi aktivasi yang digunakan adalah binary sigmoid. Fungsi sigmoid biner memiliki nilai dari 0 sampai 1 yang ditunjukkan pada Persamaan 2 y = f(x) = 1 1+exp x (2) : y=f(x) = hasil sinyal output dari x exp x = eksponensial dari nilai -x Tahapan Algoritma Backpropagation Tahapan algoritma backpropagation menurut Fauset (1994) adalah sebagai berikut: 1. Inisialisasi bobot awal dan bias Bobot serta bias akan di inisialiasisasi secara random dengan interval 0-1 atau Proses feedfoward Setiap unit input (X i,i=1,,n) menampung sinyal input x i serta menyebarkan sinyal ini keseluruh unit yang berada di hidden. Input yang digunakan merupakan data training. Setiap hidden unit (Z j,j=1,,p) melakukan penjumlahan pada sinyal-sinyal input yang dikalikan dengan bobot v ij, menggunakan Persamaan 3: z inj = v 0j + z inj x i v 0j v ij n i=1 x i v ij (3) = sinyal masuk pada hidden = sinyal input = bias pada hidden = bobot pada hidden

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2803 Menghitung fungsi aktivasi Zj menggunakan binary sigmoid dengan Persamaan 4, kemudian mengirim sinyal output keseluruh unit pada unit output. Zj = f(z_inj) (4) Setiap unit output (y k, k = 1,, m) melakukan penjumlahan sinyal-sinyal input yang sudah berbobot, termasuk biasnya menggunakan Persamaan 5: y ink = w 0k + n j=1 z j w ij y ink = sinyal masuk pada output w 0k = bobot serta bias ke output z j = fungsi aktivasi lapisan tersembunyi w ij = bobot hidden (5) Menghitung fungsi aktivasi menggunakan binary sigmoid untuk menghitung sinyal output dari hidden unit dengan Persamaan 6: Yk = f(y_ink) (6) 3. Menghitung backpropagation error Setiap unit output (Y k,k=1,,m) menampung suatu pola target yang sesuai dengan pola input data training untuk menghitung kesalahan yang dihasilkan jaringan menggunakan Persamaan: δ k = (t k y k )y k (1 y k ) (7) δ k t k y k = faktor koreksi output = data training = output pelatihan Menghitung faktor perubahan bobot W jk yang akan merubah bobot W jk dengan Persamaan 8: W jk = αδ k z j (8) W jk = delta perubahan bobot output α = learning rate δ k = faktor koreksi output z j = fungsi aktivasi pada hidden Menghitung delta perubahan bias W 0k yang akan merubah bias W 0k dengan Persamaan 9: W 0k = αδ k (9) W 0k = delta perubahan bias output α = learning rate = faktor koreksi output δ k Menghitung faktor koreksi_in unit tersembunyi. δ inj = m k=1 δ k w ij (10) δ inj = faktor koreksi_in hidden unit δ k k = faktor koreksi output w ij = bobot hidden ke lapisan keluaran Menghitung faktor koreksi hidden unit. δ j = δ inj z j (1 z j ) (11) δ j δ inj z j = faktor koreksi hidden unit = faktor koreksi_in hidden unit = fungsi aktifasi hidden Menghitung koreksi bobot hidden. v jk = αδ j x j (12) v jk = koreksi bobot hidden α = learning rate δ j = faktor koreksi hidden unit = sinyak input x j Menghitung koreksi bias hidden. v 0j = αδ j (13) v 0j = koreksi bias hidden α = learning rate = faktor koreksi hidden unit δ j 4. Menghitung perubahan bobot dan bias Menghitung bobot baru input ke hidden.

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2804 v ij (baru) = v ij (lama)+ v ij (14) v ij (baru) = bobot baru input ke hidden v ij (lama) = bobot lama input ke hidden v ij = koreksi bobot hidden Menghitung bias baru input ke hidden. v 0j (baru) = v 0j (lama)+ v 0j (15) v 0j (baru) = bias baru input ke hidden v 0j (lama) = bias lama input ke hidden v 0j = koreksi bias hidden Menghitung bobot baru hidden ke output. w jk (baru) = w jk (lama)+ w jk (16) w jk (baru) = bobot baru hidden ke output w jk (lama) = bobot lama hidden ke output w jk = koreksi bobot output Menghitung bias baru hidden ke output. w 0k (baru) = w 0k (lama)+ w 0k (17) w 0k (baru) = bias baru hidden ke output w 0k (lama) = bias lama hidden ke output w 0k = koreksi bias output 5. Menghitung nilai MSE Setelah melakukan semua tahapan diatas dan mendapatkan hasil peramalan, maka akan dilakukan proses perhitungan kesalahan dari algoritma backpropagation dengan menggunakan perhitungan MSE pada Persamaan 1 5. ALGORITMA GENETIKA Algoritma genetika merupakan pencarian heuristic yang meniru proses dari seleksi alam yang pertama kali ditemukan oleh John Holland (1992). Algoritma genetika dibuat berdasarkan proses evolusi manusia yang memastikan kelangsungan hidup dari suatu generasi. Algoritma genetika dirancang dan tergabung dalam model yang dibuat untuk memilih fitur terbaik dalam meningkatkan kinerja model peramalan (Haidar & Verma, 2016) Tahapan Algoritma Genetika Secara sederhana tahapan dalam algoritma genetika adalah inisialisasi populasi awal kemudian anggota dari populasi tersebut akan melanjutkan proses evolusi. Proses evolusi ini terdiri dari reproduksi, evaluasi, dan seleksi. Setiap algoritma genetika mempunyai kriteria berhenti yang berbeda-beda yaitu, setelah generasi ke-n, tidak ada peningkatan hasil setelah beberapa waktu, dan hasil yang diinginkan telah tercapai (Haidar & Verma, 2016). 1. Inisialisasi Proses inisialisasi merupakan proses pembangkitan individu yang dilakukan secara acak sesuai dengan jumlah populasi yang ditentukan(popsize). Masing-masing individu memiliki chromosome yang berbeda-beda sesuai dengan solusi permasalahan yang akan dilakukan(mahmudy, 2015). 2. Reproduksi Proses reproduksi merupakan proses yang bertujuan untuk menghasilkan keturunan atau individu baru(offspring) dari sebuah populasi. Dalam proses reproduksi terdapat dua macam cara yaitu crossover dan mutasi. Pada penelitian ini digunakan metode one-cut point crossover dengan cara menukar gen sesuai dengan titik potong yang ditentukan dan random mutation menggunakan Persamaan 18. x i = x i + r(max i min i ) (18) x i = gen yang terpilih untuk mutasi r = nilai random -0,1sampai 0,1 max i = nilai maksimum dari individu yang terpilih untuk mutasi min i = nilai minimum dari individu yang terpilih untuk mutasi

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Evaluasi Proses evaluasi bertujuan untuk memperoleh nilai kebugaran(fitness) dari setiap individu termasuk keturunan dari hasil reproduksi. Menghitung nilai fitnessdengan Persamaan 19. fitness = 1 MSE (19) 4. Seleksi Proses seleksi dilakukan untuk menyaring individu dari populasi hasil evaluasi yang bertahan ke generasi selanjutnya. Salah satu metode seleksi yang digunakan adalah elitism selection. 5. Backpropagation-Algoritma genetika Kelemahan metode jaringan syaraf tiruan backpropagation adalah jaringan syaraf tiruan sering terjebak pada lokal minimun dikarnakan konvergensi dini (Nawi et al., 2013).Menurut beberapa penelitian yang telah diuraikan pada kajian pustaka, algoritma genetika dapat digunakan untuk proses optimasi metode backpropagation untuk mendapatkan parameter yang optimal. Langkah-langkah penggabungan algoritma ini dijelaskan pada Gambar 2. Tidak Mulai Data Jumlah Kasus Penyakit Normalisasi Data Optimasi Algen Kriteria Terpenuhi Hentikan Optimasi Pelatihan Backpropagation Pengujian Backpropagation x Ya x Hasil Peramalan Selesai Gambar 3. Diagram Alir Perancangan Algoritma Backpropagation-Algoritma Genetika Gambar 2. Diagram Alir Algoritma Backpropagation-Algoritma genetika Proses perancangan optimasi peramalan jumlah kasus penyakit menggunakan metode jaringan syaraf tiruan backpropagation dengan algoritma genetika ditunjukkan pada Gambar 3. Langkah-langkah yang dilakukan dalam implementasi antara lain: 1. Implementasi optimasi peramalan jumlah kasus penyakit menggunakan metode jaringan syaraf tiruan backpropagation dengan Algoritma Genetika dengan menggunakan bahasa pemrograman Java. 2. Output yang diperoleh berupa hasil peramalan dan MSE. Sebelum melakukan proses peramalan data akan dipersiapkan dengan mengambil data latih jumlah kasus penyakit demam typoidparatypoid dari bulan September 2015 sampai Desember 2015 yang dibagi menjadi 4 data lalu

7 Rata-rata fitness Cr Mr Rata-rata fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2806 menyusunnya sedemikian rupa seperti pada Tabel 1: Tabel 1. Representasi partikel IPSO Data x1 x2 x3 x4 x5 x6 t PENGUJIAN DAN ANALISIS 6.1. Pengujian Populasi Pengujian populasi ini bertujuan untuk mengetahui pengaruh ukuran populasi terhadap nilai fitness yang dihasilkan pada algoritma genetika. Data yang digunakan pada pengujian ini adalah data jumlah kasus penyakit demam typoid-paratypoid pada bulan september sampai desember tahun Untuk melakukan pengujian ini dibutuhkan beberapa parameter yang ditentukan sebelumnya. Jumlah populasi yang diuji adalah kelipatan 20 dari 20 sampai dengan 200. Pengujian dilakukan dengan melakukan percobaan sebanyak adalah 5 kali dan dicari rata-rata fitness yang diperoleh. Parameter populasi yang diuji, cr dan mr yang digunakan dalam pengujian populasi didapatkan dari penelitian yang dilakukan oleh Samaher dan Mahmudy (2015): Jumlah Generasi : Cr : 0.5 Mr : 0.5 Hasil pengujian populasi ditunjukkan pada Gambar 4. 0,0119 0,0118 0,0117 0,0116 0,0115 0,0114 0,0113 0,0112 Pengujian Populasi Nilai Parameter Gambar 4. Grafik Pengujian Populasi Berdasarkan Gambar 4, diketahui bahwa fitness terkecil didapatkan pada saat populasi sebanyak 20 dikarnakan jumlah populasi yang digunakan masih sedikit, sehingga daerah yang diekplorasi terbatas yang menyebabkan solusi yang diberikan belum optimal, sementara nilai fitness tersbesar didapat pada saat populasi sebanyak 180 karena selanjutnya pada saat populasi sebanyak 200 nilai fitness yang dihasilkan menurun, sehingga ukuran populasi yang besar tidak menentukan nilai fitness yang dihasilkan akan semakin bagus Pengujian Kombinasi cr dan mr Pengujian kombinasi cr dan mr bertujuan untuk mendapatkan kombinasi optimal dari cr dan mr untuk mencari nilai fitness terbaik. Data yang digunakan untuk pengujian ini adalah data jumlah kasus penyakit demam typoidparatypoid pada bulan september sampai desember tahun Ukuran populasi yang digunakan pada pengujian ini adalah 180 yang merupakan hasil terbaik dari pengujian populasi. Jumlah generasi yang digunakan adalah Hasil pengujian kombinasi cr dan mr ditunjukkan pada Gambar 5. Grafik Pengujian Cr dan Mr 0,0119 0,0118 0,0117 0,0116 0,0115 0,0114 Gambar 5. Grafik Pengujian Kombinasi cr dan mr Berdasarkan Gambar 5, nilai fitness terbaik didapatkan pada saat kombinasi cr dan mr berturut-turut 0,4 dan 0,6 dan nilai fitness terkecil didapatkan pada saat kombinasi cr dan mr berturut-turut 0 dan 1. Hal ini menandakan bahwa dengan kombinasi cr dan mr bertuturutturut 0,4 dan 6 dapat menghasilkan nilai fitness yang optimal Pengujian Generasi Kombinasi Cr dan Mr Pengujian generasi bertujuan untuk melihat pengaruh generasi terhadap nilai fitness yang dihasilkan pada algoritma genetika. Data yang digunakan pada pengujian ini adalah data

8 Rata-rata fitness Rata-rata fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2807 jumlah kasus penyakit demam typoidparatypoid pada bulan september sampai desember tahun Ukuran populasi yang digunakan adalah 180 yang berasal dari pengujian populasi. Nilai cr dan mr yang digunakan adalah 0,4 dan 0,6. Jumlah generasi yang diuji adalah kelipatan 10 dari 10 sampai 100. Hasil pengujian generasi ditunjukkan pada Gambar.6. Grafik Pengujian Generasi 0, ,0116 0, ,0115 0, ,0114 0, ,0113 0, ,0112 0,01115 Jumlah Generasi Gambar 6. Grafik Pengujian Generasi Berdasarkan Gambar 6, diketahui bahwa jumlah generasi mempengaruhi nilai fitness yang dihasilkan. Nilai fitness terkecil didapat pada generasi ke 10, hal ini disebabkan karena jumlah generasi yang masih sedikit sehingga belum bisa mendapat hasil yang optimal karena daerah eksplorasi masih terbatas. Pada umumnya semakin banyak generasi maka nilai fitness yang dihasilkan akan semakin baik. Nilai fitness tertinggi didapat pada generasi ke Pengujian Pengaruh Jumlah Data dan Neuron Input Pengujian ini bertujuan untuk mengetahui pengaruh jumlah data dan neuron input(panjang data) terhadap nilai rata-rata MSE yang dihasilkan pada algoritma backpropagation. Data yang digunakan adalah data jumlah kasus penyakit demam typoid-paratypoid bulan januari sampai desember tahun Parameter training algoritma backpropagation yang digunakan adalah nilai alfa sebesar 0,1 dan jumlah iterasi sebanyak Parameter yang diuji adalah jumlah data dari 4, 8, 12, 16, 20 dan neuron input 6, 12, 18, 24. Hasil pengujian ditunjukkan pada Gambar 7. Pengujian Pengaruh Jumlah Data dan Neuron Input Jumlah Data Gambar 7. Grafik Pengujian Pengaruh Jumlah Data dan Neuron Input Berdasarkan Gambar 7, ditunjukkan bahwa jumlah data dan neuron input mempengaruhi nilai MSE yang dihasilkan. Penggunaan data yang terlalu banyak serta neuron input yang banyak dapat meningkatkan nilai MSE yang dihasilkan. Hal ini dapat terjadi karena jarak antara data tidak membentuk pola yang baik Pengujian Pengaruh Iterasi dan Nilai Alfa Pengujian ini bertujuan untuk mengetahui pengaruh iterasi dan nilai alfa terhadap nilai ratarata MSE yang dihasilkan pada algoritma backpropagation. Data yang digunakan pada pengujian ini adalah data jumlah kasus penyakit demam typoid-paratypoid bulan januari sampai deseber tahun Parameter training algoritma backpropagation yang digunakan adalah jumlah data sebanyak 16 dan neuron input sebanyak 6 dari hasil pengujian pengaruh jumlah data dan neuron input. Parameter yang diuji adalah iterasi dengan kelipatan 500 dari 500 sampai 300 dan alfa dengan kelipatan 0,1 dari 0,1 sampai 0,9. Hasil pengujian ditunjukkan pada Gambar 8.

9 Jumlah Kasus Penyakit Rata-rata MSE Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2808 Grafik Hasil Pengujian Pengaruh Iterasi dan Nilai Alfa Nilai Alfa Iterasi 500 Iterasi 1000 Iterasi 1500 Iterasi 2000 Iterasi 2500 Iterasi 300 Gambar 8. Grafik Pengujian Pengaruh Iterasi dan Nilai Alfa Berdasarkan Gambar 8, ditunjukkan bahwa nilai alfa dan iterasi mempengaruhi nilai rata-rata MSE yang dihasilkan. Rata-rata MSE terbaik dihasilkan pada saat alfa=0,1 dan iterasi sebanyak Pada umumnya jika nilai alfa semakin kecil maka hasil peramalan akan mendekati hasil yang baik Analisis Hasil Pengujian Berdasarkan hasil pengujian yang sudah dialukan, diketahui parameter optimal yang sudah diuji. Pada pengujian populasi, didapatkan parameter optimal yaitu 180 populasi dengan nilai fitness Pada pengujian kombinasi cr dan mr, nilai fitness terbaik didapatkan dengan kombinasi cr dan mr berturut-turut 0,4 dan 0,6 dengan nilai fitness Pada pengujian generasi, didapatkan parameter optimal yaitu 100 generasi dengan nilai fitness Pada pengujian pengaruh jumlah data dan neuron input didapatkan parameter optimal jumlah data sebanyak 16 dan 6 neuron input dengan nilai MSE Pada pengujian pengaruh iterasi dan nilai alfa, didapat parameter optimal iterasi sebanyak 1000 dan nilai afla 0,1. Agar bisa mengetahui tingkat keakuratan dari hasil peramalan jumlah kasus penyakit menggunakan metode jaringan syaraf tiruan backpropagation yang dioptimasi dengan algoritma genetika dilakukan percobaan dengan menggunakan data jumlah kasus penyakit demam typoid-paratypoid dari bulan januari sampai bulan desember di tahun 2016 menggunakan parameter optimal. Kemudian dilakukan juga pengujian yang hanya menggunakan algoritma backpropagation. Didapatkan Nilai MSE sebesar 87,20 untuk algoritma backpropagation yang dioptimasi dengan algoritma genetika sedangkan 105,07 untuk algoritma backpropagation saja. Hasil peramalan ditunjukkan pada Gambar 9. Hasil Peramalan Jumlah Kasus Penyakit Tahun Gambar 9. Grafik Hasil Peramalan Jumlah Kasus Penyakit Tahun KESIMPULAN Bulan Data Aktual Algen-BP BP Berdasarkan hasil penelitian optimasi peramalan jumlah kasus penyakit menggunakan metode jaringan syaraf tiruan backpropagation dengan algoritma genetika dapat diperoleh kesimpulan sebagai berikut: 1. Berdasarkan hasil pengujian yang dilakukan, parameter optimal algoritma genetika adalah populasi=180, kombinasi cr dan mr berturut-turut 0,4 dan 0,6, generasi=100. Parameter training algoritma backpropagation yang potimal adalah jumlah data=16, neuron input=6, iterasi=1000, dan nilai alfa=0,1. Didapatkan tingkat akurasi dengan MSE= 87,2. 2. Berdasarkan hasil pengujian yang dilakukan, parameter algortima genetika yang digunakan berpengaruh terhadap nilai fitness yang dihasilkan, semakin banyak populasi yang ditentukan maka nilai fitness yang dihasilkan cenderung naik karena jika populasi yang ditentukan sedikit maka daerah

10 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2809 ekplorasinya terbatas, kombinasi cr dan mr berturut-turut 0,4 dan 0,6 menghasilkan nilai fitness terbaik, semakin besar generasi yang ditentukan maka nilai fitness yang dihasilkan semakin baik. Parameter algoritma backpropagation yang digunakan juga berpengaruh terhadap nilai MSE yang dihasilkan, jumlah data dan neuron input yang banyak menghasilkan nilai MSE yang buruk, hal ini dapat terjadi karena jarak antar data tidak membentuk pola yang baik. Semakin kecil nilai alfa yang digunakan dan iterasi yang tidak terlalu besar dapat memperoleh nilai MSE yang baik. Dalam penelitian optimasi peramalan jumlah kasus penyakit menggunakan metode jaringan syaraf tiruan backpropagation dengan agoritma genetika ini masih memiliki kekurangan, diharapkan kekurangan ini dapat menjadi pertimbangan untuk penelitian selanjutnya. Saran yang dapat dilakukan untuk penelitian selanjutnya adalah sebagai berikut : 1. Mencari data untuk peramalan dengan pola yang baik sehingga dapat meningkatkan hasil peramalan secara optimal. 2. Menggunakan metode optimasi lain selain algoritma genetika seperti Particle Swarm Optimization(PSO) maupun metode optimasi lainnya. 8. DAFTAR PUSTAKA Fausett, Laurene V., Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice- Hall. Giantara, Rangga Pengenalan Pola Kelas Benang Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation. S1. Universitas Diponegoro. Hagan, Martin T., et al, Neural Network Design. Boston: PWS Publishing Company. Haidar, A. & Verma, B., A Genetic Algorithm based Feature Selection Approach for Rainfall Forecasting in Sugarcane Areas IEEE Symposium Series on Computational Intellegence (SSCI), pp Haviluddin & Alfred R., A Genetic-Based Backpropagation Neural Network for Forecasting in Time-Series Data International Conference on Science in Information Technology (ICSITech), pp Holland, J. H., Adaptation in Natural and Artificial Systems: An Introductory Analysis With Applications to Biology, Control, and Artificial Intellegence. Cambridge, MA, USA: MIT Press. Kemenkes RI, ISSN X: Buletin Jendela Data dan Informasi Kesehatan edisi Penyakit Tidak Menular. Jakarta: Kementrian Kesehatan Republik Indonesia. Kosasi, Sandy, Penerapan Metode Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Nilai Ujian Sekolah. Jurnal Teknologi, pp Mahmudy, W. F Dasar-dasar Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. Nawi, N.M., Khan, A., Rehman, M, Z., A New Backpropagation Neural Network Optimized with Cuckoo Search Algorithm. Computational Science and Its Applications-ICCSA, volume 7971, pp Samaher & Mahmudy, W.Y., Penerapan Algoritma Genetika Untuk Memaksimalkan Laba Produksi Jilbab. Journal of Environmental Engineering & Sustainable Technology, volume 02, pp Sinaga, S.Anti, Analisa Kecenderungan Penyakit Infeksi Saluran Pernafasan Akut (ISPA) Pada Bayi dan Balita Tahun Untuk Peramalan Pada Tahun Di Kota Medan. S1. Universitas Sumatra Utara. Soerjono, S., Manajemen Apoteker. Airlangga University Press. Surabaya.