SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis Kemerdekaan Km. 09 Makassar Email : sakuraabadi2013@gmail.com 1), aryuh09@gmail.com 2) Abstrak Sejalan dengan perkembangan komputer dan penggunaan smartphone saat ini bukan hanya digunakan sebagai mesin ketik yang dapat bekerja lebih cepat dan otomatis atau hanya sekedar menelpon dan sms saja. Dibidang tertentu khususnya dibidang kedokteran mencoba menggantikan komputer dan handphone menjadi suatu alat bantu yang dapat menirukan cara kerja otak manusia dalam proses mendiagnosa suatu penyakit, sehingga diharapkan akan tercipta komputer dan handphone yang dapat menimbang dan mengambil keputusan sendiri (Expert System) / sistem cerdas. Kematian akibat Demam Berdarah Dengue (DBD) di Indonesia khususnya di kawasan Timur Indonesia masih sangat tinggi. Kematian disebabkan oleh beberapa faktor yang salah satu faktor penyebabnya adalah keterlambatan dalam proses diagnosa. Mendiagnosa sedini mungkin penderita DBD serta memberi pertolongan dengan segera diharapkan dapat mencegah kematian.. Tujuan dari penelitian ini adalah untuk merancang suatu sistem pakar dalam mendiagnosa penyakit demam berdarah dengue berbasis android menggunakan jaringan saraf tiruan backpropagation. Jaringan saraf tiruan backpropagation merupakan salah satu sistem pemrosesan yang dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh otak manusia dalam menyelesaikan permasalahan yang rumit dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf mensimulasi struktur proses-proses otak (fungsi syaraf biologis) dan kemudian membawanya kepada perangkat lunak kelas baru yang dapat mengenali pola-pola yang kompleks serta belajar dari pengalaman-pengalaman masa lalu. Dari hasil pengujian dengan data latih sebanyak 50 sampel data sistem dapat mengenali semua data pelatihan (100 %) dapat dikenali, pengujian kedua dilakukan dengan teknik pengujian blackbox testing dimana seluruh fungsional sistem dapat bekerja dengan baik. Penelitian ini diharapkan dapat membatu para medis (dokter, asisten dokter, perawat) ataupun masyarakat luas dalam mendiagnosa sedini mungkin penderita penyakit DBD sehingga dapat dengan segera melakukan tindakan medis Kata Kunci : Sistem Pakar, Demam Berdarah Dengue, Android, Jaringan Saraf Tiruan, Bakcpropagation 1. PENDAHULUAN Penyakit Demam Berdarah Dengue (DBD) masih merupakan salah satu masalah kesehatan masyarakat yang utama di Indonesia. Jumlah penderita dan luas daerah penyebarannya semakin bertambah seiring dengan meningkatnya mobilitas dan kepadatan penduduk. Di Indonesia Demam Berdarah pertama kali ditemukan di kota Surabaya pada tahun 1968, dimana sebanyak 58 orang terinfeksi dan 24 orang diantaranya meninggal dunia (Angka Kematian (AK) : 41,3 %) [1]. Dan sejak saat itu, penyakit ini menyebar luas ke seluruh Indonesia. Beberapa tahun terakhir, kematian akibat Demam Berdarah Dengue (DBD) di Indonesia khususnya di kawasan Timur Indonesia masih sangat tinggi, Pada tahun 2014, sampai pertengahan bulan Desember tercatat penderita DBD di 34 provinsi di Indonesia sebanyak 71.668 orang, dan 641 diantaranya meninggal dunia. Angka tersebut lebih rendah dibandingkan tahun sebelumnya, yakni tahun 2013 dengan jumlah penderita sebanyak 112.511 orang dan jumlah kasus meninggal sebanyak 871 orang [2]. Kematian disebabkan oleh beberapa faktor yang salah satu faktor penyebabnya adalah keterlambatan proses diagnosa. Mendiagnosa sedini mungkin penderita DBD serta memberi pertolongan dengan segera diharapkan dapat mencegah kematian. Sejalan dengan perkembangan komputer dan penggunaan smart phone saat ini bukan hanya digunakan sebagai mesin ketik atau sekedar menelpon yang tetapi perangkat tersebut dapat dimanfaat untuk dapat bekerja lebih cepat dan otomatis diberbagai bidang. Oleh karena itu para ahli dibidang tertentu mencoba menggantikan komputer atau smart phone menjadi suatu alat bantu yang dapat menirukan cara kerja otak manusia, sehingga diharapkan akan tercipta komputer yang dapat menimbang dan mengambil keputusan sendiri (Expert System). Hal ini yang mendorong lahirnya teknologi AI (Artificial Intelligence)[3,5]. 166
Salah satu penelitian yang telah dilakukan dengan judul sistem pakar diagnosa penyakit dbd dan demam tifoid dengan metode fuzzy tsukamoto diman pada penelitian tersebut mengambil sampel gejala sebanyak 5 variabel dengan membandingkan Gejala DBD dan deman Tifoid [2]. Pada penelitian ini akan menerapkan salah satu teknik komputasi yang dikelompokan dalam AI adalah jaringan saraf tiruan (Artificial Neural Network). Jaringan saraf tiruan merupakan salah satu sistem pemrosesan yang dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh otak manusia dalam menyelesaikan permasalahan yang rumit dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf mensimulasi struktur proses-proses otak (fungsi syaraf biologis) dan kemudian membawanya kepada perangkat lunak kelas baru yang dapat mengenali pola-pola yang kompleks serta belajar dari pengalaman-pengalaman masa lalu. 1.1 Pokok Masalah Pokok permasalahan dalam penelitian ini yaitu Bagaimana merancang suatu sistem pakar Jaringan Saraf Tiruan dengan metode pembelajaran backpropagation yang mengidentifikasikan bahwa seseorang telah terserang penyakit deman berdarah dengue berbasis mobile (android) 1.2 Tujuan Penelitian Tujuan dari penelitian ini yaitu merancang sistem pakar dengan metode jaringan saraf tiruan backpropagation untuk diagnosa dan tatalaksana penyakit DBD berbasis mobile, serta membuat database untuk menyimpan data dan gejala pennyakit Deman Berdarah Dengue 1.3 Manfaat Penelitian Hasil penelitian yang dilakukan diharapkan dapat diimplementasi pada klinik, puskesmas atau rumah sakit dengan manfaat yang diharapkan adalah : a. Proses diagnosa terhadap penderita dapat dilakukan dengan cepat. b. Dapat membantu dokter untuk mengidentifikasi penyakit DBD secara akurat sehingga membantu dalam diagnosis dan penanganan lanjut terhadap pasien. c. Masyarakat luas dapat mengetahui sedini mungkin gejala penyakit DBD sehingga dapat dengan segera melakukan tindakan medis, melalui aplikasi mobile android d. Mengetahui prinsip kerja Jaringan Saraf Tiruan yang diaplikasikan dalam sebuah bahasa pemrograman. 2. LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) atau neural network adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf manusia. Jaringan saraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran [6]. 2.2 JST Backpropagation Perambatan galat mundur (backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set) a. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar. b. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target. c. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses. d. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai. e. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan luaran elemen pemroses yang terhubung. Gambar 1 Struktur neuron jaringan saraf tiruan 3. PEMBAHASAN 3.1 Perancanagan Sistem Pengguna sistem adalah dekter namun sistem dapat juga digunakan oleh praktisi kesehatan lainnya seperti perawat dan bahkan oleh masyarakat umum dalam mendeteksi dini Penyakit DBD melalui aplikasi Smart Phonenya. Dokter dibantu dalam pengambilan keputusan mendiagnosa penyakit DBD dari analisis kebutuhan maka akan dirancang suatu 167
aplikasi yang mengacu pada sistem pakar sebagai berikut : Gambar 2 : Model Sistem Diagnosa Penyakit DBD Berbasis Mobile Tahapan ini menyangkut konfigurasi dari komponen-komponen perangkat lunak dan perangkat keras dari suatu sistem sehingga setelah instalasi dari sistem akan benar-benar memuaskan dari rancang bangun yang telah ditetapkan pada akhir tahap analisis sistem. Alat bantu yang digunakan untuk menggambarkan sistem secara umum yaitu Use Case diagram. a. Use Case Diagram Pada Use Case Diagram di bawah ini menggambarkan proses sistem yang akan dibangun yang menggambarkan kebutuhan sistem dari sudut pandang user, yang memfokuskan pada proses komputerisasi. Secara umum pada use case diagram ini menggambarkan pola perilaku sistem serta urutan transaksi yang berhubungan yang dilakukan oleh actor. Adapun usecase diagramnya seperti pada gambar dibawah ini. 3.2 Implementasi JST BackPropagation Masukan sistem atau input yang dapat dimengerti oleh program adalah 11 variabel yang mampu menghasilkan diagnosa jenis penyakit DBD yang harus diinisialisasi terlebih dahulu. 1. Merasakan sakit kepala 2. Badan terasa mengigil 3. Nyeri dibelakang bola mata 4. Sakit pinggang 5. Nyeri pada kaki dan sendi 6. Terasa Mual 7. Muntah 8. Deman 9. Bercak Darah 10. Terjadi Pendarahan 11. Turnikuet Dalam proses diagnosa DBD langkah pertama dilakukan adalah mengidentifikasi gejala subjektif dan gejala objektif. Gejala subjektif adalah suatu gejala yang bersifat umum yang memiliki nilai pasti apakah YA atau TIDAK, sedangkan gejala objektif adalah gejala yang ditentukan oleh pengujian dan observasi oleh para medis, sehingga nilai dari gejala ini tergantung dari hasil pengujian dari objek DBD yang diderita. Untuk variabel yang nilainya tidak bersifat pasti maka nilai variabel ini akan dilakukan proses fuzzyfikasi sehingga output dari nilai variabel ini menghasilkan interval antara 0 samapi 1 Output yang dihasilkan sistem ini adalah penyakit DBD atau bukan DBD. Berdasarkan input dari 11 variabel tersebut dibutuhkan 3 node output. Hasil output yang diinginkan berupa nilai seperti terlihat pada tabel 2 berikut : Tabel 2 : Target Output Nilai No Target Nama Penyakit (Biner) 1 000 Bukan DBD 2 100 Penyakit DBD 3 010 Penyakit Syndrom Syok DBD 3.4 Desain ArsitekturJST Backpropagation Jaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas variable masukan 11 unit sel saraf, lapisan tersembunyi terdiri atas 6 unit sel saraf dan lapisan keluaran / output terdiri atas 2 sel saraf. Lapisan masukan dugunakan untuk menampung 11 variabel yaitu x 1 sampai dengan x 11, sedangkan 3 lapisan keluaran digunakan untuk mempresentasikan pengelompokan pola, nilai 000 untuk Bukan DBD, nilai 100 untuk DBDdan 010 untuk DBD Syndrom Syok Gambar 3 : Use Case Diagram Sistem Pakar DBD 168
Gambar 4 : Arsitektur jaringan JSt Backpropagation 3.5 Alur Proses JST Backpropagtion Arsitektur JST dengan metode backpropagation pada sistem yang akan dibangun adalah arsitektur JST berlapisan banyak yang terdiri dari lapisan masukan (layer input) dimana jumlah neuron pada lapisan input sebanyak 11 yang ditentukan pada jumlah gejala penyakit yang di identifikasi, satu lapisan tersembunyi (layer hidden), untuk menentukan jumlah neuron pada hidden layer digunakan formula sebagai berikut Gambar 5 : Flochart Alur Proses JST 3.6 Antarmuka Aplikasi a. Tampilan Menu Registrasi dan Login Sistem Form ini digunakan untuk proses registrasi data user yang akan digunakan sebagai proses login pada sistem ini : Keterangan : N h = Jumlah Neuron Hidden N i = Jumlah Neuron Input N o = Jumlah Neuron Output Misalkan jumlah neuron pada layer input sebanyak 11 dan jumlah neuron pada layer output sebanyak 3 maka Neuron hidden dapat dihitung sebagai berikut : Nh= : Nh= 33 N h = 5,74 dibulatkan keatas menjadi 6 sehingga jumlah neuron pada lapisan tersembunyi yang digunakan sebanyak 6 neuron, dan satu lapisan keluaran (layer output) yang menggunakan 3 neuron output. Penghubung setiap lapisan adalah bobot. Nilai bobot yang digunakan dengan membangkitkan bilangan random yang cukup kecil (random - 0.5) Sistem akan memberikan nilai random pada setiap bobot di lapisan input maupun bias pada lapisan input dan bobot lapisan output serta bias pada lapisan output. Secara umum alur proses JST backpropagation dapat dilihat pada gambar 5 dibawah ini. Gambar 6 Tampilan Form Login Sistem 169
Gambar 7 Tampilan Form Registrasi dan Login Sistem b. Tampilan Form Proses Diagnosa Form ini merupakan form untuk proses diagnosa penyakit DBD dengan menampilkan Gejala Gejala penyakit DBD Seperti dibawah ini : Gambar 9 Tampilan Form Hasil Diagnosa 3. PENGUJIAN Pengujian dilakukan dengan dua tahap yaitu pengujian terhadap data yang akan dilatikan dan pengujian pada data baru yang belum pernah dilatihkan. Pengujian terhadap data yang akan dilatihkan dengan target error 0.01, learning rate 0.1, maximum epoch 50000 menghasilkan RMSE 0.0098 pada epoch 16338, berikut data hasil pelatihan Gambar 10: Grafik Hasil Pelatihan Dari hasil pelatihan pada grafik diatas seluruh data (50 sampel data gejala) yang dilatihkan dapat dikenali oleh sistem. Gambar 8 Tampilan Form Proses Diagnosa 170
3. Validasi dan Pengujian Sistem 3.1 Validasi Sistem Validasi sistem dilakukan untuk memastikan apakah hasil dari sistem yang dibuat sesuai dengan hasil diagnosa yang dilakukan oleh dokter. Berikut adalah sampel data validasi untuk setiap penyakit yang dilakukan oleh dokter dan hasil yang disimpulkan oleh sistem Tabel 2 : Vaidasi Sistem 3.2 Pengujian Sistem Berikut adalah hasil pengujian pengujian fungsional yang dilakukan maka dapat disimpulkan bahwa sistem mobile yang dibangun sudah berjalan sesuai dengan yang diharapkan baik itu dari segi validasi maupun proses penanganan kesalahan fungsional yang telah dilakukan dapat simpulkan bahwa sistem yang dibangun dapat berjalan sesuai algotirma yang diterapkan. DAFTAR PUSTAKA [1] Umar Fahmi Ahmadi, 2010, manajemaen demam berdarah berbasis wilayah, ISSN- 2087-1546 volume 2, Agustus 2010 [2] Waluyu,dkk, 2015, Sistem Pakar Diagnosa Penyakit Dbd Dan Demam Tifoid Dengan Metode Fuzzy Tsukamoto, ISSN : 2338-4018 Jurnal TIKomSin [3] http://www.depkes.go.id/forlder/ view/ 01/structure-publikasi-pusdatin-buletin.html, Akses Tanggal 25 Nopember 2015 [4] Kusumadewi, Sri. (2003). Artificial Intelligence( Teknik dan Aplikasinya). Penerbit Graha Ilmu. Yogyakarta [5] Hermawan Arif,2006, Jaringan Saraf TiruanTeori dan Aplikasi, Andi Offset, Yogyakarta. [6] Hermawan Arif,2006, Jaringan Saraf TiruanTeori dan Aplikasi, Andi Offset, Yogyakarta. Tabel 2 : Pengujian Fungsional No Tujuan Hasil Evaluasi 1 Aplikasi Mobile dapat melakukan proses registrasi dan login ke sistem dengan benar 2 Dapat menampilkan menu pada aplikasi Sistem Pakar DBD 3 Dapat menampilkan proses diagnosa dengan menampilkan gelaja dari penyakit DBD 4 Dapat menyimpulkan penyakit dari proses diagnosa 4. KESIMPULAN Sistem pakar yang dirancang dengan metode JST Backpropagation dapat digunakan untuk melakukan pendeteksian suatu jenis penyakit, gangguan, maupun kasus yang memiliki data masa lalu, dan dengan menggunakan metode Backpropagation, Berdasarkan hasil pengujian 171