PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION

Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisimangaraja No.338 Simpang Limun Medan http : //www.stmik-budidarma.ac.id // Email :Fahmidalimunthe@gmail.com ABSTRAK Metode pembelajaran backpropagation banyak digunakan untuk penyelesaian suatu masalah berkaitan dengan identifikasi, prediksi, dan pengenalan pola. Salah satu pengaplikasian metode backpropagation adalah pada bidang medis, yaitu sistem untuk mengidentifikasi sebuah penyakit. Penyakit yang diidentifikasi menggunakan metode backpropagation merupakan penyakit yang memiliki gejala yang bias antara satu dan yang lainnya yang menjadikan penyakit sulit untuk dibedakan. Penyakit mata menular memiliki gejala yang sangat bias antara jenis yang satu dengan yang lainnya, menyebabkan jenis-jenis penyakit mata menular sulit untuk diidentifikasi.metode backpropagation diimplementasikan pada kasus penyakit mata menular untuk mengidentifikasi jenis penyakit mata menular berdasarkan gejala-gejala yang ditimbulkan oleh penyakit, gejala yang didapatkan kemudian disusun menjadi 9 buah variabel masukan. Pada metode backpropagation gejalagejala yang ditimbulkan digunakan sebagai sinyal input yang akan dihitung sedemikian hingga didapatkan hasil berupa penyakit yang teridentifikasi. Adapun jenis penyakit mata menular yang diidentifikasi adalah penyakit Konjungtivitis, Keratokongjutivitis Vernalis, Endoftalmitis, Selulitis Orbitalis, Trakoma, Blefaritis, dan Ulkus Kornea. Kata Kunci : JST, Penyakit Mata. Pendahuluan. Latar Belakang Masalah Jaringan syaraf tiruan merupakan salah satu cabang dari AI (Artificial Intellegence), adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Istilah buatan ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Metode backpropagation merupakan salah satu metode yang digunakan dalam pembelajaran dari algoritma jaringan syaraf tiruan. Metode backpropagation memiliki tingkat keakuratan yang tinggi karena proses pelatihan yang dilakukan secara berulang-ulang sehingga menghasilkan nilai yang memiliki kesalahan yang sangat kecil. Metode pembelajaran backpropagation banyak digunakan untuk penyelesaian suatu masalah berkaitan dengan identifikasi, prediksi, dan pengenalan pola. Salah satu penggunaan metode backpropagation adalah dalam analisis medikal, seperti pengidentifikasian suatu penyakit yang memiliki gejala yang bias antara jenis yang satu dengan yang lainya. Hal ini telah dibuktikan pada jurnal Aplikasi jaringan syaraf tiruan untuk memprediksi penyakit saluran pernafasan dengan metode backpropagation karya Novi Indah Pradasari, F.Trias Pontia W, dan Dedi Triyanto. Pada jurnal ini, metode backpropagation digunakan untuk memprediksi penyakit saluran pernafasan berdasarkan gejala penyakit yang disusun menjadi 2 buah variabel masukan. Target keluaran sistem berupa jenis penyakit saluran pernafasan yang teridentifikasi oleh diidentifikasi sebanyak lima buah penyakit yaitu penyakit Asma, ISPA, Pneumonia, Bronkhitis, Sinusitis, dan Tuberkulosis. Penelitian ini mendapatkan kesimpulan bahwa metode backpropagation dapat digunakan untuk memprediksi penyakit saluran pernafasan dengan keakuratan 9,66% yang diperoleh dari pelatihan 96 data dan pengujian 24 data menggunakan dua buah hidden layer, target error sebesar 0,000, dan learning rate sebesar 0,. Penyakit mata menular memiliki gejala yang hampir mirip antara jenis yang satu dan yang lainya. Gejala-gejala yang ditimbulkan penyakit mata menular dapat berjumlah tiga sampai lima gejala setiap jenis penyakitnya, jumlah ini merupakan jumlah yang sangat sedikit. Suatu penyakit akan sangat mudah diidentifikasi apabila memiliki gejala yang berbeda, akan tetapi gejala yang ditimbulkan penyakit mata menular sangat bias antara jenis penyakit satu dan lainnya. Penyakit mata menular menjadi sulit untuk diidentifikasi karena minimnya gejala yang ditimbulkan dan banyaknya gejala yang mirip. Metode backpropagation diimplementasikan pada kasus penyakit mata menular untuk mengidentifikasi jenis penyakit mata menular berdasarkan gejala-gejala yang ditimbulkan oleh penyakit. Pada metode backpropagation gejala-gejala yang ditimbulkan digunakan sebagai sinyal input yang akan dihitung sedemikian hingga didapatkan hasil berupa penyakit yang teridentifikasi. Adapun jenis penyakit mata menular yang diidentifikasi adalah penyakit Konjungtivitis, Keratokonjutivitis Vernalis, Endoftalmitis, Selulitis Orbitalis, Trakoma, Blefaritis, dan Ulkus Kornea. Penyakit ini memiliki ciri-ciri dan sistem, sistem memiliki batasan penyakit yang dapat 7

Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X gejala yang hampir sama seperti mata merah, gatal, nyeri, berair, dan lain-lain. Dari masalah yang telah dijelaskan, maka perlunya dilakukan analisis performansi metode backpropagation untuk mengetahui akurasi dan mendapatkan parameter yang optimal dari metode backpropagation dalam mengidentifikasi penyakit mata menular..2 Perumusan Masalah Berdasarkan latar belakang masalah yang telah diuraikan, maka rumusan masalah pada penelitian ini adalah :. Bagaimana menganalisis performansi berupa akurasi dan mendapatkan parameter yang optimal dari algoritma jaringan syaraf tiruan dengan metode Backpropagation 2. Bagaimana mengidentifikasi penyakit mata menular berdasarkan gejala-gejala yang dialami oleh penderita penyakit mata menular dengan menggunakan metode backpropagation 3. Bagaimana merancang suatu aplikasi yang mengidentifikasi penyakit mata menular dengan cepat dan tepat dengan menggunakan bahasa pemrograman Visual Basic 2008.3 Batasan Masalah Batasan masalah bertujuan untuk memudahkan perancangan dan menghindari meluasnya permasalahan, adapun batasan masalah pada penulisan skripsi ini yaitu :. Data yang menjadi masukan adalah gejala yang dialami oleh penderita penyakit mata menular seperti mata merah, gatal, berair dan lain-lain. Data ini kemudian diolah menjadi 9 gejala atau variable masukan sistem. 2. Masing-masing variable diberi nilai 0 bila tidak terjadi gejala dan bila terjadi gejala pada penderita. 3. Minimal batasan gejala yang harus dipilih oleh user untuk mendeteksi penyakit mata menular adalah empat buah gejala yang diderita oleh penderita. Jika kurang dari empat buah gejala, maka sistem tidak bisa mengidentifikasi penyakit mata menular tersebut. 4. Keluaran sistem yang diharapkan berupa hasil identifikasi terserang penyakit mata menular dengan jenis penyakit Konjungtivitis, Keratokonjutivitis Vernalis, Endoftalmitis, Selulitis Orbitalis, Trakoma, Blefaritis, dan Ulkus Kornea. 5. Bahasa pemrograman yang digunakan adalah Visual Basic 2008.4 Tujuan Dan Manfaat.4. Tujuan Penelitian Adapun tujuan yang akan dicapai dalam penelitian adalah :. Untuk mengetahui performansi berupa akurasi dan parameter yang optimal dari algoritma jaringan syaraf tiruan dengan metode backpropagation yang diimplementasikan pada sistem pengidentifikasi penyakit mata menular. 2. Untuk mengidentifikasi penyakit mata menular berdasarkan gejala- gejala yang dialami oleh penderita penyakit mata 3. Untuk merancanga suatu aplikasi yang mampu mendeteksi penyakit mata menular dengan cepat dan akurat.4.2 Manfaat Penelitian Adapun manfaat dari penelitian ini adalah :. Untuk menganalisis performansi algoritma jaringan syaraf tiruan dengan metode Backpropagation yang diimplementasikan pada sistem pengidentifikasi penyakit mata menular. 2. Untuk memudahkan para user dalam mengidentifikasi penyakit mata menular sejak dini. 2. Landasan Teori 2. Kecerdasan Buatan Kecerdasan Buatan atau artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. 2.. Sejarah Kecerdasan Buatan Istilah AI (Artificial Intelligence) yang dapat diartikan sebagai kecerdasan buatan, pertama kali dikemukakan pada tahun956 di konferensi Darthmouth. 2..2 Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan salah satu cabang dari AI (Artificial Intellegence), adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. 2.2 JST Backpropagation Perambatan galat mundur (Backpropagation) merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan - yang ada pada lapisan tersembunyinya. Algoritma bacpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, - diaktifkan dengan menggunakan fungsi aktivasi sigmoid. f x = + e x 2.3 Penyakit Mata Menular Penyakit mata menular adalah penyakit mata yang biasanya timbul akibat infeksi virus dan bakteri sehingga penyakit tersebut bisa menular kepada orang lain yang berhubungan dengan orang 8

Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X yang sedang menderita penyakit mata menular ini. 3. Analisa Dan Perancangan 3. Analisis Masalah Salah satu penggunaan metode backpropagation adalah dalam analisis medikal, seperti pengidentifikasian suatu penyakit yang memiliki gejala yang bias antara jenis yang satu dengan yang lainya. 3.2 Analisis Metode Metode backpropagation adalah salah satu metode pembelajaran dari jaringan syaraf tiruan. Metode ini memiliki tingkat error yang sangat kecil, karena metode ini dapat memperkecil tingkat error dengan cara menyesuaikan perbedaan output dan target yang diinginkan. Target output Tabel 2: Target output untuk penyakit konjungtivitis Inisialisasi ini dilakukan dengan memberi nilai acak terkecil antara 0,0 hingga 0,9 ke seluruh bobot dan bias. V = 0.2643 V 0 =0.4356 W =0.4543 W 0 =0.3242 Hitung bobot dan bias input layer ke hidden layer dari analisis metode ini. Gambar : Arsitektur jaringan metode backpropagation pada pengidentifikasi penyakit mata menular Keterangan : X i : Lapisan Input terdiri dari 9 V ij : Bobot pada lapisan tersembunyi. Z j: Lapisan Tersembunyi terdiri dari 0 W jk: Bobot pada lapisan keluaran. V0j: Bias pada lapisan tersembunyi W: Bias pada lapisan keluaran. i : Variabel yang mewakili input layer j : Variabel yang mewakili hidden layer k : Variabel yang mewakili output layer n : Jumlah dalam suatu lapisan. Y0k : Lapisan Output terdiri dari 3 k : Konstanta bias. Berikut ini adalah variabel pelatihan yang akan digunakan pada analisis metode pada contoh kasus ini. Jumlah = 0 Learning Rate ( ) = 0. Batas Epoch = 50000 Target Error = 0.0 Pada langkah ini, sinyal input diterima dari pola yang dijadikan data uji. Sebagai contoh, data uji menggunakan data pasien yang menderita penyakit konjungtivitis dengan gejala mata merah (X), mata terasa perih (X3), mata terasa gatal (X4), mata berair (X5), mata mengeluarkan kotoran(belekan) (X6), serta penglihatan kabur (X7). Sinyal input Tabel : Sinyal input untuk gejala penyakit konjungtivitis Zin = 0.4356 + ( x 0.2643) + (0 x 0.3623) + ( x 0.385) + ( x 0.4643) + ( x 0.6537) + ( x 0.8933) + ( x 0.652) + (0 x 0.8246) + (0 x 0.239) + (0 x 0.5634) + (0 x 0.745) + (0 x 0.927) + (0 x 0.5246) + (0 x 0.5524) + (0 x 0.7623) + (0 x 0.6723) + (0 x 0.2342) + (0 x 0.9248) + (0 x 0.3494) =3.5009 Hitung aktivasi bobot dan bias input layer ke hidden layer dari analisis metode ini. Z = + exp 3.5009 = + 0.0307027 =.0307027 = 0.97073367 Hitung bobot dan bias hidden layer ke output layer dari analisis metode ini. Yjn = 0.3242 + (0.97073367 x 0.4543) + (0.974032527 x 0.7645) + (0.95032966 x 0.2324) + (0.9540345 x 0.6575) + (0.950395657 x 0.232) + (0.97943 x 0.3425) + (0.930603697 x 0.2478) + (0.98609494 x 0.4358) + (0.975209696 x 0.4368) + (0.95356260 x 0.6573) = 4.523606098 Hitung aktivasi bobot dan bias input layer ke hidden layer dari analisis metode ini. Y = + exp 4.523606098 = + 0.00849825 =.00849825 = 0.9892666 Hitung error bobot hidden layer ke output layer dari analisis metode ini. 9

Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X = (0-0.98926663) x 0.98926663x ( - 0.98926663) = -0.0050496 Hitung koreksi bias hidden layer ke output layer dari analisis metode ini.. Hidden Layer dengan Neuron Pengujian ini dimulai dengan pada hidden layer yang berjumlah, hasil dari pengujian ini dapat dilihat pada gambar 2 Δw = 0. x -0.0050496 x 0.97073367 = - 0.0009656! Δw 0 = 0. x -0.0050496 = -0.00050496 4. Algoritma Dan Implementasi 4. Algoritma Algoritma merupakan langkah-langkah maupun urutan bertahap dan spesifik dari suatu masalah untuk menganalisa serta menjelaskan urutan dan hubungan antara kegiatan-kegiatan yang akan ditempuh untuk memecahakan dan menyelesaikan suatu permasalahan sehingga tercapai tujuan yang diinginkan. Adapun algoritma yang dipaparkan pada bab ini merupakan algoritma yang diimplementasikan dalam program. 4.. Algoritma Metode Backpropagation Adapun algoritma dari system ini yaitu dengan menggunakan algoritma backpropagation. Adapun algoritma tersebut dapat dilihat dibawah ini Input : i Jumlah hidden layer : n Learning rate : y Batas epoch : j Target error Output Proses : Z j hasil penyisipan : Input X i jumlah data pelatihan Input V ij sinya input Input V oj target output n=9 i= Z inj = V oj + XiVij Z j = + exp z_inj 4.2 Implementasi Tahap implementasi merupakan tahap pembuatan perangkat lunak, tahap lanjut dari tahap perancangan. Tahap yang dilakukan untuk menerjemahkan perancangan berdasarkan hasil analisis dalam bahasa yang dimengerti oleh komputer serta penerapan perangkat lunak pada keadaan yang sebenarnya. Gambar : 2 Pengujian Backpropagation dengan Pada pengujian dengan menggunakan menjadikan laju pembelajaran tergolong lambat, karena pada epoch ke 3000 nilai error masih belum mencapai target error. Rata-rata yang didapat dari pengujian ini sebesar 25.74%. Hasil akurasi yang didapat pada setiap fold dapat dilihat pada tabel Tabel : Hasil pengujian hidden layer dengan 28% 2 28% 3 4% 4 28% 5 28% 6 4% 7 28% 8 28% 9 28% 0 28% Rata Rata 25,74%. Hidden Layer dengan 2 Neuron Pengujian selanjutnya jumlah pada hidden layer diubah menjadi 2, hasil dari pengujian ini dapat dilihat pada gambar 3 4.2.2 Skenario Pengujian Pada pengujian skenario, pengujian metode backpropagation dilakukan dengan mengubah nilai jumlah hidden layer dari nilai hingga 0, sedangkan ketiga variabel lainnya diisi dengan nilai yang sama. Berikut ini adalah nilai variabel yang digunakan pada skenario pengujian. Jumlah =, 2, 3, 4, 5, 6, 7, 8, 9, 0 Learning Rate ( ) = 0. Batas Epoch = 3000 Target Error = 0.025 Gambar : 3 Pengujian Backpropagation dengan 2 Pada pengujian dengan menggunakan 2 menjadikan laju 0

Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X pembelajaran masih tergolong lambat, karena pada epoch ke 3000 nilai error masih belum mencapai target error, namun terdapat peningkatan rata-rata akurasi. Rata-rata yang didapat dari pengujian ini sebesar 75%. Hasil akurasi yang didapat pada setiap fold dapat dilihat pada tabel 2 Tabel : 2 Hasil pengujian hidden layer dengan 2 78% 2 78% 3 7% 4 78% 5 7% 6 64% 7 78% 8 57% 9 7% 0 7% Rata Rata 75% 2. Hidden Layer dengan 3 Neuron Pengujian selanjutnya jumlah pada hidden layer diubah menjadi 3, hasil dari pengujian ini dapat dilihat pada gambar 4 0 92% Rata Rata 85% 5. Kesimpulan Dan Saran 5. Kesimpulan Berdasarkan hasil yang didapat dalam penelitiaan, maka disimpulkan bahwa. Metode backpropagation yang diimplementasikan ke dasistem pengidentifikasi penyakit mata menular memiliki akurasi tertinggi se90.74%%. 2. Parameter yang optimal digunakan untuk mencapai tingkat akura90.74%% adalah dengan menggunakan hidden layer dengan 4 buah nelearning rate bernilai 0.05, batas epoch sebesar 3000, dan target error se0,025. 5.2 Saran Berdasarkan hasil dari penelitian, maka dapat diberikan saran-saran yaitu :. penambahan dataset yang digunakan dalam penelitian, karena semakin beragam dataset yang digunakan maka semakin baik juga metode backpropagation dalam prediksinya. 2. Pada penelitian selanjutnya diharapkan dapat membandingkan beberapa metode sehingga dapat hasil yang lebih maksimal. Daftar Pustaka Gambar : 4 Pengujian Backpropagation dengan 3 Pada pengujian dengan menggunakan 3 pada hidden layer terjadi peningkatan laju pembelajaran, namun pembelajaran masih tergolong lambat karena pada epoch ke 3000 nilai error masih belum mencapai target error. Ratarata yang didapat dari pengujian ini sebesar 85%. Hasil akurasi yang didapat pada setiap fold dapat dilihat pada tabel 3. Tabel 3 : Hasil pengujian hidden layer dengan 3 92% 2 92% 3 7% 4 92% 5 85% 6 57% 7 78% 8 92% 9 92% ) Adi Nugroho, 200, Nugroho Adi. Rekayasa Perangkat Lunak Berorientasi Objek Dengan Metode USDP. Yogyakarta: Andi 2) American Academy of Ophthalmology. External Disease and Cornea. BSSC, section 8, 2007 2008 3) Indrajani, S.Kom, MM. 20. Perancangan Basis Data Dalam Allin. Elex Media. Komputindo. Jakarta 4) Jogiyanto, Hartono. Analisis dan Desain Sistem Informasi, Edisi III. Yogyakarta: ANDI.2008 5) Kusumadewi, S., Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta: Graha Ilmu, 2003 6) Priyanto, Rahmat., 2009, Langsung Bisa Visual Basic.Net 2008, Penerbit ANDI, Yogyakarta 7) Suyanto. 20.Artificial Intelligence, Revisi ed. Bandung: Informatika 8) Siang, Jong Jek, 2004, Jaringan Syaraf Tiruan dan Pemrograman Menggunakan Matlab, Andi Yogyakarta