PERBANDINGAN ALGORITMA BIDIRECTIONAL ASSOCIATIVE MEMORY DAN LEARNING VECTOR QUANTIZATION DALAM MENENTUKAN OBAT PENYAKIT SALURAN CERNA LAMBUNG-USUS SKRIPSI KH NISA DEWI 111401003 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
PERBANDINGAN ALGORITMA BIDIRECTIONAL ASSOCIATIVE MEMORY DAN LEARNING VECTOR QUANTIZATION DALAM MENENTUKAN OBAT PENYAKIT SALURAN CERNA LAMBUNG-USUS SKRIPSI Diajukan untuk melengkapi tugas akhir dan memenuhi syarat mencapai gelar Sarjana Komputer KH NISA DEWI 111401003 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
ii PERSETUJUAN Judul : PERBANDINGAN ALGORITMA BIDIRECTIONAL ASSOCIATIVE MEMORY DAN LEARNING VECTOR QUANTIZATION DALAM MENENTUKAN OBAT PENYAKIT SALURAN CERNA LAMBUNG-USUS Kategori : SKRIPSI Nama : KH NISA DEWI Nomor Induk Mahasiswa : 111401003 Program Studi : S1 ILMU KOMPUTER Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Amer Sharif, S.Si,M.Kom Dr. Poltak Sihombing, M.Kom NIP. - NIP. 196203171991031001 Diketahui/Disetujui oleh Program Studi S1 Ilmu Komputer Ketua, Dr. Poltak Sihombing, M.Kom NIP. 196203171991031001
iii PERNYATAAN PERBANDINGAN ALGORITMA BIDIRECTIONAL ASSOCIATIVE MEMORY DAN LEARNING VECTOR QUANTIZATION DALAM MENENTUKAN OBAT PENYAKIT SALURAN CERNA LAMBUNG-USUS SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, Kh Nisa Dewi 111401003
iv PENGHARGAAN Alhamdulillah. Puji dan syukur kehadirat Allah SWT, yang dengan rahmat dan karunia-nya penulis dapat menyelesaikan penyusunan skripsi ini. Yang mana skripsi ini ditulis sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi. Pada pengejaan skripsi dengan judul Perbandingan Algoritma Bidirectional Associative Memory dan Learning Vector Quantization Dalam Menentukan Obat Penyakit Saluran Cerna Lambung-Usus ini, penulis menyadari banyak pihak yang turut membantu serta memotivasi dalam pengerjaannya. Untuk itu, dalam kesempatan ini, penulis mengucapkan terima kasih kepada : 1. Bapak Prof. Drs. Subhilhar, M.A., Ph.D selaku Plt. Rektor Universitas Sumatera Utara. 2. Bapak Prof. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi. 3. Bapak Dr. Poltak Sihombing, M.Kom selaku Dosen Pembimbing I dan Ketua Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi. 4. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing II yang telah banyak memberi arahan dan motivasi dalam pengerjaan skripsi saya. 5. Bapak Drs. Marihat Situmorang, M.Kom selaku Dosen Penguji I yang telah meluangkan waktunya untuk memberi saran-saran dan kritik guna menyempurnakan skripsi penulis. 6. Bapak Handrizal, S.Si, M.Comp, Sc selaku Dosen Penguji II yang telah memberi banyak masukan dan saran-saran untuk skripsi penulis. 7. Orang tua penulis Muhammad Amin dan Sumiati, serta saudara penulis Kh Rizal Fauzi yang tidak pernah berhenti memberi dukungan dalam segala bentuk, kasih sayang dan motivasi penuh kepada penulis. 8. Terkhusus pada Kak Yayang yang selalu sabar dan memberikan masukan untuk skripsi penulis serta teman-teman seperjuangan terbaik, Sofiya Nazara, Dini, Gina, Bunga, Ema, Syafura, Novi dan teman-teman yang lain yang selalu memberikan bantuan, semangat, dan tempat berbagi suka duka penulis. 9. Dr. Alwinsyah Abidin SpPD (Spesialis Penyakit Dalam) selaku narasumber yang memberikan informasi seputar penelitian penulis.
v 10. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian laporan ini. Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini. Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Sehingga dapat bermanfaat bagi kita semuanya. Medan, Penulis, Kh Nisa Dewi
vi ABSTRAK Penyakit saluran cerna lambung-usus adalah salah satu penyakit yang banyak dialami oleh masyarakat pada umumnya. Akan tetapi tingkat kesadaran masyarakat untuk melakukan pemeriksaan lebih lanjut ke dokter sangat rendah. Dengan memanfaatkan Jaringan Syaraf Tiruan maka sistem ini dapat memprediksi tingkat keakuratan dalam menentukan penyakit dan obat yang tepat untuk meringankan penyakit tersebut. Dengan menggunakan perbandingan algoritma Bidirectional Associative Memory (BAM) dan Learning Vector Quantization (LVQ), gejala penyakit saluran cerna lambung-usus akan dijadikan masukan untuk dilatih sehingga dapat mengenali penyakit yang telah ditetapkan. Terdapat 20 sampel gejala penyakit yang akan dikelompokkan ke dalam 4 penyakit yaitu Radang Kerongkongan (reflux oesophagitis), Radang Lambung (gastritis), Tukak Lambung-Usus (ulcus pepticum), dan Kanker Lambung, dengan jenis obat yaitu Antasida, Ranitidin, Omeprazole, Domperidone, Sukralfat, Bismuth, Amoxixilin, Claritromixin, Kemoterapi, Radiasi, dan Operasi. Berdasarkan hasil pengujian, waktu proses pelatihan algoritma BAM relatif lebih cepat dibandingkan dengan LVQ dimana watu pelatihan BAM yaitu 28 detik sedangkan LVQ yaitu 76 detik. Dan waktu proses pengujian algoritma BAM relatif lebih cepat dibandingkan dengan LVQ, dimana watu pengujian BAM yaitu 1.3 detik sedangkan LVQ yaitu 5.2 detik, dan ketepatan algoritma BAM dalam memprediksi 87.5% lebih tepat dibandingkan dengan persentase ketepatan prediksi LVQ yaitu 77.5%. Katakunci: Penyakit Saluran Cerna Lambung-Usus, Malpraktik, Jaringan Syaraf Tiruan, Bidirectional Associative Memory (BAM), Learning Vector Quantization (LVQ), Jenis Obat, Dokter.
vii The Comparison Between Bidirectional Associative Memory and Learning Vector Quantization On Establishing Medicine For Gastric-Gut Gastrointestinal Disease ABSTRACT Gastric-Gut Gastrointestinal disease is one of the diseases which were suffered by so many people. But, their awareness about this disease is really low, just a little of them who want to check this disease to the doctor. With the mean of Neural Network, this system can predict the accuracy of establishing the disease and also the right medicine to relieve this illness. With the used of comparison between Bidirectional Associative Memory and Learning Vector Quantization, the symptom of gastrointestinal disease will used as the input patterns. Those inputs were used for training to recognizing the disease. There are 20 symptoms which will be grouped in to 4 kind of diseases, which are : Esophagus Inflammation (reflux esophagitis), Gastroenteritis (gastritis), Gastric- Gut Ulcers (ulcus pepticum), Stomach Cancer, and there are various kind of medicine which are : Antasida, Ranitidin, Omeprazole, Domperidone, Sukralfat, Bismuth, Amoxixilin, Claritromixin, radiation, and surgery. Based on the result, the process timing on training using BAM algorithm was faster than using LVQ. The training time using BAM is 28 second, while LVQ need 76 second. And the testing time using BAM was also faster than LVQ. Which BAM need just 1.3 second, while LVQ need 5.2 second. The accuracy on predicting using BAM is 87.5% while the accuracy using LVQ is 77.5%. Keyword: Gastric-Gut Gastrointestinal disease, Malpractice, Neural Network, Bidirectional Associative Memory (BAM), Learning Vector Quantization (LVQ), Medicine, Doctor.
viii DAFTAR ISI Hal. Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Isi Daftar Tabel Daftar Gambar ii iii iv vi vii viii xi xii Bab 1 : Pendahuluan 1 1.1. Latar Belakang 1 1.2. Rumusan Masalah 2 1.3. Batasan Masalah 2 1.4. Tujuan Penelitian 3 1.5. Manfaat Penelitian 3 1.6. Metodologi Penulisan 3 1.7. Sistematika Penulisan 4 Bab 2 : Landasan Teori 6 2.1. Jaringan Saraf Tiruan 6 2.2. Arsitektur Jaringan Saraf Tiruan 7 2.3. Fungsi Aktivasi 7 2.4. Pelatihan Jaringan Saraf Tiruan 9 2.5. Algoritma Jaringan Saraf Tiruan 10 2.6. Bidirectional Associative Memory (BAM) 10 2.7. Learning Vector Quantization (LVQ) 12 2.8. Saluran Pencernaan 13 2.9. Struktur Lambung-Usus 14 2.9.1. Lambung 14 2.9.2. Usus Halus 14 2.9.3. Usus Besar 15 2.10. Penyakit Saluran Lambung-Usus 15 2.11. Obat Pencernaan 17 Bab 3 : Analisis dan Perancangan Sistem 19 3.1. Analisis Sistem 19 3.1.1. Analisis Masalah 19 3.1.2. Analisis Kebutuhan Sistem 21 3.1.2.1. Kebutuhan Fungsional Sistem 21 3.1.2.2. Kebutuhan Non-fungsional Sistem 22 3.1.3. Analisis Proses Sistem 22 3.1.3.1. Analisis Proses BAM 22 3.1.3.2. Analisis Proses LVQ 26
ix 3.2. Pemodelan Sistem 29 3.2.1. Use Case Diagram 29 3.2.1.1. Use Case Pelatihan BAM 30 3.2.1.2. Use Case Pengujian BAM 31 3.2.1.3. Use Case Pelatihan LVQ 32 3.2.1.4. Use Case Pengujian LVQ 33 3.2.2. Activity Diagram 34 3.2.2.1. Activity Diagram Proses Pelatihan BAM 34 3.2.2.2. Activity Diagram Proses Pengujian BAM 35 3.2.2.3. Activity Diagram Proses Pelatihan LVQ 36 3.2.2.4. Activity Diagram Proses Pengujian LVQ 37 3.2.3. Sequence Diagram 38 3.2.3.1. Sequence Diagram Proses Pelatihan BAM 38 3.2.3.2. Sequence Diagram Proses Pengujian BAM 38 3.2.3.3. Sequence Diagram Proses Pelatihan LVQ 39 3.2.3.4. Sequence Diagram Proses Pengujian LVQ 39 3.3. Pseudo code Program 40 3.3.1. Pseudo code Algoritma BAM 40 3.3.2. Pseudo code Algoritma LVQ 41 3.4. Flowchart Sistem 42 3.4.1. Flowchart Sistem Secara Umum 42 3.4.2. Flowchart Algoritma BAM 43 3.4.3. Flowchart Algoritma LVQ 44 3.5. Perancangan Data 45 3.5.1. Perancangan Masukan Algoritma BAM dan LVQ 45 3.5.2. Perancangan Keluaran Algoritma BAM dan LVQ 45 3.6. Perancangan Antarmuka Sistem 46 3.6.1. Antarmuka Awal 46 3.6.2. Antarmuka Algoritma BAM 48 3.6.3. Antarmuka Algoritma LVQ 50 3.6.4. Antarmuka Bantuan 52 3.6.5. Antarmuka Keluar 52 Bab 4 : Implementasi dan Pengujian Sistem 54 4.1. Implementasi Sistem 54 4.1.1. Tampilan Antarmuka Sistem 54 4.1.1.1. Antarmuka Beranda Sistem 54 4.1.1.2. Antarmuka Latih BAM 55 4.1.1.3. Antarmuka Uji BAM 57 4.1.1.4. Antarmuka Latih LVQ 58 4.1.1.5. Antarmuka Uji LVQ 59 4.1.1.6. Antarmuka Bantuan 61 4.2. Pengujian Sistem 62 4.2.1. Jenis Pengujian 62 4.2.1.1. Kecepatan Pelatihan 62 4.2.1.2. Kecepatan Pengujian Obat 67 4.2.1.3. Ketepatan Penentuan Obat 69 Bab 5 : Kesimpulan dan Saran 80
x 5.1. Kesimpulan 80 5.2. Saran 81 Daftar Pustaka 82 Lampiran Listing Program Lampiran Data Gejala Penyakit Saluran Cerna Lmbung-Usus Untuk Pelatihan Sistem Lampiran Hasil Wawancara Dengan Dokter Spesialis Penyakit Dalam Lampiran Curiculum Vitae A1 A19 A20 B1
xi DAFTAR TABEL Hal. 3.1 Dokumentasi Naratif Use Case Pelatihan BAM 30 3.2 Dokumentasi Naratif Use Case Pengujian BAM 31 3.3 Dokumentasi Naratif Use Case Pelatihan LVQ 32 3.4 Dokumentasi Naratif Use Case Pengujian LVQ 33 4.1 Perbandingan Waktu Latih Pengenalan Gejala Penyakit Saluran Cerna Lambung-Usus Dengan Metode BAM Dan LVQ 64 4.2 Perbandingan Waktu Uji Penentuan Obat Penyakit Saluran Cerna Lambung-Usus Dengan Metode BAM Dan LVQ 67 4.3 Hasil Uji Ketepatan Dalam Menentukan Jenis Obat Penyakit Radang Kerongkongan Dengan Algoritma BAM Dan LVQ 70 4.4 Hasil Uji Ketepatan Dalam Menentukan Jenis Obat Penyakit Radang Lambung Dengan Algoritma BAM Dan LVQ 72 4.5 Hasil Uji Ketepatan Dalam Menentukan Jenis Obat Penyakit Tukak Lambung-Usus Dengan Algoritma BAM Dan LVQ 74 4.6 Hasil Uji Ketepatan Dalam Menentukan Jenis Obat Penyakit Kanker Lambung Dengan Algoritma BAM Dan LVQ 77 1. Data Gejala Penyakit Saluran Cerna Lmbung-Usus Untuk Pelatihan Sistem A28
xii DAFTAR GAMBAR Hal. 2.1 Struktur Neuron Jaringan Saraf Tiruan 7 2.2 Ilustrasi fungsi sigmoid biner dengan range (0,1) 8 2.3 Ilustrasi fungsi sigmoid bipolar dengan range (-1,1) 9 2.4 Arsitektur jaringan BAM 11 2.5 Arsitektur jaringan LVQ 12 3.1 Diagram Ishikawa Analisis Permasalahan 21 3.2 Use case Diagram Sistem Penentu Obat Penyakit Saluran Cerna Lambung-Usus 29 3.3 Activity Diagram Proses Pelatihan BAM 34 3.4 Activity Diagram Proses Pengujian BAM 35 3.5 Activity Diagram Proses Pelatihan LVQ 36 3.6 Activity Diagram Proses Pengujian LVQ 37 3.7 Sequence Diagram Proses Pelatihan BAM 38 3.8 Sequence Diagram Proses Pengujian BAM 38 3.9 Sequence Diagram Proses Pelatihan LVQ 39 3.10 Sequence Diagram Proses Pengujian LVQ 39 3.11 Flowchart Sistem Secara Umum 42 3.12 Flowchart Algoritma BAM 43 3.13 Flowchart Algoritma LVQ 44 3.14 Tampilan Antarmuka Awal 46 3.15 Tampilan Antarmuka Pelatihan Algoritma BAM 48 3.16 Tampilan Antarmuka Pengujian Algoritma BAM 49 3.17 Tampilan Antarmuka Pelatihan Algoritma LVQ 50 3.18 Tampilan Antarmuka Pengujian Algoritma LVQ 51 3.19 Tampilan Antarmuka Bantuan Penggunaan Sistem 52 3.20 Tampilan Antarmuka Keluar Dari Sistem 52 4.1 Menu Beranda Sistem 55 4.2 Form Latih BAM 56 4.3 Form Berhasil Simpan 56
xiii 4.4 Form Sebelum Pengujian BAM 57 4.5 Form Setelah Pengujian BAM 58 4.6 Form Latih LVQ 59 4.7 Form Berhasil Simpan 59 4.8 Form Sebelum Pengujian LVQ 60 4.9 Form Setelah Pengujian LVQ 61 4.10 Form Antarmuka Bantuan 61 4.11 Hasil Pelatihan BAM 63 4.12 Hasil Pelatihan LVQ 63 4.13 Grafik Perbandingan Kecepatan Pelatihan Pengenalan Gejala Penyakit Dengan Algoritma BAM Dan LVQ 65 4.14 Hasil Pengujian BAM 66 4.15 Hasil Pengujian LVQ 67 4.16 Grafik Perbandingan Kecepatan Pengujian Penentuan Obat Penyakit Dengan Algoritma BAM Dan LVQ 69 4.17 Grafik Perbandingan Persentase Ketepatan Penentuan Obat Penyakit Dengan Algoritma BAM Dan LVQ 78