Anda di halaman 1dari 72

SISTEM PAKAR DIAGNOSA PENYAKIT

DIABETES MELLITUS MENGGUNAKAN


METODE DIFFERENTIAL EVOLUTION FEEDFORWARD MULTI LAYER PERCEPTRON
SKRIPSI
Untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Komputer
Disusun oleh:
Tusty Nadia Maghfira
NIM: 135150200111085

PROGRAM STUDI INFORMATIKA / ILMU KOMPUTER


PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER
UNIVERSITAS BRAWIJAYA
MALANG
2016

PENGESAHAN
JUDUL SKRIPSI
SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Komputer
Disusun Oleh :
Tusty Nadia Maghfira
NIM: 135150200111085
Skripsi ini telah diuji dan dinyatakan lulus pada
2 Januari 2015
Telah diperiksa dan disetujui oleh:
Dosen Pembimbing I

Dosen Pembimbing II

Nama Dosen Pembimbing I


NIK: 123456789
/*jika terdapat NIK saja*/

Nama Dosen Pembimbing II


NIK: /*jika tidak terdapat NIP, NIK,
atau keduanya*/

Mengetahui
Ketua Program Studi NamaProgramStudi

Nama Ketua Program Studi


NIP: 123456789
/*jika terdapat NIP*/

PERNYATAAN ORISINALITAS
Saya menyatakan dengan sebenar-benarnya bahwa sepanjang
pengetahuan saya, di dalam naskah skripsi ini tidak terdapat
karya ilmiah yang pernah diajukan oleh orang lain untuk
memperoleh gelar akademik di suatu perguruan tinggi, dan
tidak terdapat karya atau pendapat yang pernah ditulis atau
diterbitkan oleh orang lain, kecuali yang secara tertulis disitasi
dalam naskah ini dan disebutkan dalam daftar pustaka.
Apabila ternyata didalam naskah skripsi ini dapat dibuktikan
terdapat unsur-unsur plagiasi, saya bersedia skripsi ini
digugurkan dan gelar akademik yang telah saya peroleh
(sarjana) dibatalkan, serta diproses sesuai dengan peraturan
perundang-undangan yang berlaku (UU No. 20 Tahun 2003, Pasal
25 ayat 2 dan Pasal 70).
Malang, 1 Januari 2015

Tusty Nadia Maghfira


NIM:
135150200111085

KATA PENGANTAR
Bagian ini memuat pernyataan resmi untuk menyampaikan
rasa terima kasih penulis kepada berbagai pihak yang telah
membantu penyelesaian skripsi ini. Nama-nama penerima
ucapan terima kasih sebaiknya dituliskan lengkap, termasuk
gelar akademik, dan pihak-pihak yang tidak terkait dihindari
untuk dituliskan. Bahasa yang digunakan seharusnya mengikuti
kaidah bahasa Indonesia yang baku. Kata pengantar boleh
diakhiri dengan paragraf yang menyatakan bahwa penulis
menerima kritik dan saran untuk pengembangan penelitian
selanjutnya.
Terakhir,
kata
pengantar
ditutup
dengan
mencantumkan kota dan tanggal penulisan kata pengantar, lalu
diikuti dengan kata Penulis.

Malang, 1 Januari 2015

Penulis
tustynadia@gmail.com

ABSTRAK
Bagian ini diisi dengan abstrak dalam Bahasa Indonesia.
Abstrak adalah uraian singkat (umumnya 200-300 kata) yang
merupakan intisari dari sebuah skripsi. Abstrak membantu
pembaca untuk mendapatkan gambaran secara cepat dan akurat
tentang isi dari sebuah skripsi. Melalui abstrak, pembaca juga
dapat menentukan apakah akan membaca skripsi lebih lanjut.
Oleh karena itu, abstrak sebaiknya memberikan gambaran yang
padat tetapi tetap jelas dan akurat tentang (1) apa dan mengapa
penelitian dikerjakan: sedikit latar belakang, pertanyaan atau
masalah penelitan, dan/atau tujuan penelitian; (2) bagaimana
penelitian
dikerjakan:
rancangan
penelitian
dan
metodologi/metode dasar yang digunakan dalam penelitian; (3)
hasil penting yang diperoleh: temuan utama, karakteristik
artefak, atau hasil evaluasi artefak yang dibangun; (4) hasil
pembahasan dan kesimpulan: hasil dari analisis dan pembahasan
temuan atau evaluasi artefak yang dibangun, yang dikaitkan
dengan pertanyaan/tujuan penelitian.
Yang harus dihindari dalam sebuah abstrak diantaranya (1)
penjelasan latar belakang yang terlalu panjang; (2) sitasi ke
literatur lainnya; (3) kalimat yang tidak lengkap; (3) singkatan,
jargon, atau istilah yang membingungkan pembaca, kecuali telah
dijelaskan dengan baik; (4) gambar atau tabel; (5) angka-angka
yang terlalu banyak.
Di akhir abstrak ditampilkan beberapa kata kunci (normalnya
5-7) untuk membantu pembaca memposisikan isi skripsi dengan
area studi dan masalah penelitian. Kata kunci, beserta judul,
nama penulis, dan abstrak biasanya dimasukkan dalam basis
data perpustakaan. Kata kunci juga dapat diindeks dalam basis
data sehingga dapat digunakan untuk proses pencarian tulisan
ilmiah yang relevan. Oleh karena itu pemilihan kata kunci yang
sesuai dengan area penelitian dan masalah penelitian cukup
penting. Pemilihan kata kunci juga bisa didapatkan dari referensi
yang dirujuk.
Kata kunci: abstrak, skripsi, intisari, kata kunci, artefak

ABSTRACT
The absract of your skripsi in English is written here.

DAFTAR ISI
PENGESAHAN................................................................................ii
PERNYATAAN ORISINALITAS..........................................................iii
KATA PENGANTAR.........................................................................iv
ABSTRAK.......................................................................................v
ABSTRACT.....................................................................................vi
DAFTAR ISI...................................................................................vii
DAFTAR TABEL..............................................................................ix
DAFTAR GAMBAR...........................................................................x
DAFTAR LAMPIRAN........................................................................xi
BAB 1 PENDAHULUAN.................................................................12
1.1 Latar belakang.............................................................12
1.2 Rumusan masalah........................................................15
1.3 Tujuan...........................................................................15
1.4 Manfaat........................................................................16
1.5 Batasan masalah..........................................................16
1.6 Sistematika pembahasan.............................................16
BAB 2 LANDASAN KEPUSTAKAAN..................................................1
2.1 Kajian Pustaka................................................................1
2.2 Sistem Pakar................................................................31
2.3 Artificial Neural Network..............................................32
2.3.1 Multi Layer Perceptron..........................................32
2.4 Differential Evolution....................................................33
BAB 3 METODOLOGI....................................................................35
3.1 Studi Literatur..............................................................35
3.2 Pengumpulan Data.......................................................36
3.3 Analisis Kebutuhan.......................................................36
3.4 Perancangan................................................................36
3.4.1 Model Perancangan..............................................37
DAFTAR PUSTAKA........................................................................38
LAMPIRAN A PERSYARATAN FISIK DAN TATA LETAK......................41
LAMPIRAN B PENGGUNAAN BAHASA...........................................43

DAFTAR TABEL
Tabel 2.1 Pembentukan bilangan random untuk Indeks Masa
Tubuh (IMT)...................................................................................8
Tabel 2.2 Contoh tabel 2...............................................................9

DAFTAR GAMBAR
Gambar 2.1 Pengaruh nilai K terhadap akurasi...........................11

DAFTAR LAMPIRAN
LAMPIRAN A PERSYARATAN FISIK DAN TATA LETAK......................27
A.1 Kertas...........................................................................27
A.2 Margin..........................................................................27
A.3 Jenis dan ukuran huruf.................................................27
A.4 Spasi............................................................................27
A.5 Kepala bab, sub bab, dan seksi....................................27
A.6 Nomor halaman...........................................................28
LAMPIRAN B PENGGUNAAN BAHASA...........................................29

10

BAB 1 PENDAHULUAN

1.1 Latar belakang


Penyakit Diabetes Mellitus merupakan penyakit gangguan
metabolisme dimana pankreas tidak dapat memproduksi
insulin atau tubuh tidak dapat menggunakan insulin dengan
baik (Mohammed dalam Temurtas, 2009). Insulin merupakan
hormon yang berfungsi untuk mengatur keseimbangan
glukosa darah pada tubuh. Jika insulin tidak diproduksi atau
tidak dapat bekerja dengan baik akan mengakibatkan
tingginya kandungan glukosa pada darah yang disebut
Hiperglikemia (Sumadewi dalam Pangaribuan, 2014).
Penyakit Diabetes digolongkan menjadi 3 yaitu tipe 1, tipe 2
dan gestasional. Diabetes tipe 1 yaitu keadaan dimana
pankreas tidak dapat memproduksi insulin, sedangkan tipe 2
adalah keadaan dimana pankreas memproduksi insulin
namun tubuh tidak dapat menggunakan insulin tersebut
untuk menjaga tingkat gula darah dan tipe gestasional
adalah keadaan tingginya gula darah pada wanita saat hamil
(Thirugnanam, 2012). Menurut WHO pada penelitian Nai-arun
(2015) penderita terbanyak berdasarkan jenis kelamin adalah
pada wanita dan berdasarkan kondisi badan adalah orang
dengan obesitas. Penyakit ini jika tidak segera terdiagnosa
dan ditangani akan menyebabkan terjadi komplikasi
kerusakan berbagai sistem tubuh termasuk syaraf dan
pembuluh
darah
sehingga
mengakibatkan
penderita
mengidap penyakit serius lainnya seperti kebutaan, serangan
jantung, gagal ginjal, dan stroke (Pangaribuan (2014),
Temurtas (2009)). Oleh karena itulah, penyakit Diabetes
Mellitus disebut sebagai silent killer dan dikenal sebagai
penyakit yang memiliki jumlah kematian penderita tinggi di
dunia baik di negara yang masih berkembang maupun
negara maju (Nathan dan Hu dalam Wang, 2013).
Kasus penyakit Diabetes Mellitus di Indonesia dari tahun
ke tahun mengalami peningkatan, hal tersebut dibuktikan
dengan laporan WHO pada penelitian Pangaribuan (2014)
11

bahwa Indonesia berada pada posisi 4 tertinggi untuk


kategori negara dengan jumlah penderita Diabetes terbanyak
dengan jumlah penderita Diabetes tahun 2000 adalah 8.4
juta orang dengan posisi diikuti posisi pertama hingga ketiga
secara berturut-turut adalah India (31.7 juta), China (20.8
juta) dan Amerika (17.7 juta). Selain itu terdapat wawancara
yang dilakukan oleh Riset Kesehatan Dasar (Riskesdas) tahun
2007 dan 2013 untuk menghitung proporsi Diabetes Mellitus
pada provinsi-provinsi besar di Indonesia dengan sasaran
penduduk usia 15 tahun ke atas. Penderita dianggap
menderita penyakit Diabetes Mellitus jika telah divonis oleh
dokter menderita penyakit tersebut atau yang belum
didiagnosa dokter namun dalam 1 bulan terakhir mengalami
gejala penyakit ini, seperti gejala sering lapar, sering haus,
sering buang air kecil dengan jumlah banyak dan berat
badan turun. Hasil wawancara menunjukkan bahwa proporsi
Diabetes Mellitus pada Riskesdas 2013 meningkat hampir
dua kali lipat dibandingkan tahun 2007. Pada tahun 2007
Riskesdas hanya memeriksa penduduk di perkotaan dan dari
responden yang diperiksa gula darahnya 5.7% menderita
Diabetes Mellitus. Dari yang terdeteksi tersebut hanya 26.3%
yang telah terdiagnosis sebelumnya dan 73.7% sisanya tidak
terdiagnosis sebelumnya. Sedangkan pada Riskesdas 2013
dilakukan penelitian terhadap penduduk di perkotaan dan
pedesaan,
penderita
Diabetes
Mellitus
mengalami
peningkatan menjadi 6.9%, dengan 30.4% telah terdiagnosis
sebelumnya
dan
69.6%
sisanya
tidak
terdiagnosis
sebelumnya. Walaupun jumlah proporsi penderita Diabetes
Mellitus yang tidak terdiagnosis mengalami penurunan
namun jumlah tersebut masih tinggi dan jika tidak segera
dilakukan pemeriksaan lebih lanjut akan mengakibatkan
penyakit Diabetes semakin parah dan merambah menjadi
penyakit lain (komplikasi).
Peningkatan jumlah penderita Diabetes Mellitus di
Indonesia terjadi dikarenakan banyak faktor yang sangat
kompleks. Salah satu faktor penyebab angka Diabetes yang
terus meningkat yaitu kurang dari setengah pengidap
penyakit tersebut tidak memiliki kesadaran terhadap
kondisinya. Mereka yang tidak memiliki kesadaran tersebut
12

tidak berusaha untuk mencari solusi untuk mengatasinya dan


menganggap penyakit ini bukanlah penyakit yang serius
mematikan. Selain itu banyak penderita Diabetes yang tidak
mengetahui bagaimana langkah-langkah mengurangi risiko
berkembangnya penyakit ini terutama pada penderita
Diabetes yang tinggal di pedesaan. Hal tersebut diperparah
dengan terbatasnya ahli penyakit diabetes di pedesaan serta
kurangnya pengetahuan tenaga medis terhadap penanganan
Diabetes seperti pengukuran glukosa darah dan monitoring
rutin sehingga mengakibatkan keterlambatan diagnosa
penyakit (Wang, 2013). Selain itu dari pengamatan Novo
Nordisk, Indonesia akan mengalami peningkatan jumlah
penduduk yang urbanisasi dari desa ke kota. Hal tersebut
akan berdampak pada gaya hidup yang kurang sehat seperti
kurang olahraga dan asupan konsumsi makanan yang kurang
sehat. Hasil tersebut juga didukung dengan penelitian yang
dilakukan oleh Darmono dalam Pangaribuan (2014) yang
mengemukakan bahwa pada tahun 2030 Indonesia akan
memiliki penderita Diabetes sejumlah 21.3 juta jiwa. Mereka
mengemukakan bahwa tingginya angka tersebut dikarenakan
terlambatnya diagnosa penyakit Diabetes.
Oleh karena itu, untuk mengatasi masalah tersebut
diperlukan diagnosa diabetes dini untuk membantu kinerja
medis. Selama beberapa tahun terakhir, teknologi komputer
cerdas otomatis banyak digunakan untuk membantu dokter
dan tenaga medis dalam melakukan diagnosa penyakit
secara akurat dan lebih cepat (Erkaymaz, 2016). Banyak
ilmuwan yang berlomba-lomba melakukan penelitian untuk
mengatasi permasalahan Diabetes yaitu dengan cara
membuat suatu sistem peramalan diagnosa apakah
seseorang mengidap penyakit Diabetes atau tidak.
Sebelumnya banyak peneliti yang menggunakan metode
regresi dan statistika konvensional namun metode tersebut
mulai ditinggalkan karena memiliki kekurangan yaitu tidak
dapat mengatasi masalah non-linier dan data saat ini yang
lebih kompleks (Myoung-Jong, 2010). Banyak sistem
peramalan diagnosa penyakit Diabetes yang diajukan beralih
menggunakan metode Data Mining. Data Mining adalah
metode pendekatan untuk mencari dan menemukan pola
13

pengetahuan
dari
data
berukuran
besar
dengan
menggabungkan teknik machine learning, database,
statistika dan kecerdasan buatan, metode pendekatan ini
dipilih karena dapat melakukan peramalan secara lebih
efektif, akurat dan lebih cepat (Kumar, 2014). Salah satu
metode Data Mining yaitu menggunakan Artificial Neural
Network. Metode Artificial Neural Network dipilih karena dari
penelitian-penelitian yang telah dilakukan, metode ini dinilai
memiliki hasil peramalan yang lebih baik dari metode
peramalan konvensional lainnya. Salah satu penelitian
terhadap diagnosa penyakit Diabetes Mellitus dilakukan oleh
Pangaribuan (2014), mereka menggunakan salah satu
metode Feed-Forward Neural Network yaitu Extreme Learning
Machine (ELM). Data yang digunakan pada penelitian ini
didapatkan dari UCI Repository. Hasil dari penelitian ini
menunjukkan bahwa peramalan memberikan hasil terbaik
dengan nilai error rate MSE untuk keseluruh data tes ELM
adalah 0.4036.
Selain itu terdapat juga penggunaan Feed-Forward MultiLayer Neural Network oleh Nguyen (2006) untuk mendeteksi
kasus Hipoglikemia (rendahnya gula darah) pada anak
dengan memantau respon fisiologi tubuh. Hasil percobaan
yang dilakukan menunjukkan bahwa alat yang mereka
kembangkan untuk menghitung respon fisiologi yang disebut
HypoMon (Hypoglicemia Monitor) dapat mendeteksi secara
efektif dengan nilai sensitivity 0.9516 dan specificity 0.4142.
Terdapat juga penelitian meramalkan risiko Diabetes tipe II
berkembang menjadi penyakit kanker hati (Hsiao-Hsien,
2016) dengan membandingkan kinerja metode ANN dengan
LR (Logistic Regression), SVM, dan Decision Tree. Hasil
terbaik didapatkan dengan metode ANN dengan akurasi
prediksi 83.7%.
Selain menunjukkan hasil terbaik pada permasalahan
diagnosa penyakit Diabetes, metode ANN juga memberikan
hasil terbaik pada permasalahan ekonomi seperti prediksi
kebangkrutan dan evaluasi peminjaman kredit pada bank.
Salah satu penelitian terhadap prediksi kebangkrutan bank
dengan membandingkan metode ANN (Multi Layer
14

Perceptron, Competitive Learning, Self Organizing Map dan


Learning Vector Quantization) dengan Multivariate Statistical
(multivariate discriminant analysis, K-means Cluster Analysis,
Logistic Regression Analysis) dan SVM, hasil terbaik pada
data latih dan data tes didapatkan dengan menggunakan
metode ANN dengan akurasi 100% pada data latih
ditunjukkan dengan model MLP dan pada data tes dengan
model LVQ (Acar, 2009). Selain itu MLP juga memberikan
hasil terbaiknya pada penelitian penyusunan desain optimasi
siRNA dengan 3 model validasi, masing-masing memberikan
hasil terbaik yaitu korelasi antara ramalan dengan
eksperimen pada dataset 1 0.699 dan dataset 2 0.606, nilai
MCC sebesar 0.52 dan akurasi prediksi 0.76, serta nilai
sensitivity dan specificity sebesar 0.69 dan 0.83 (Murali,
2015).
Peneliti-peneliti dalam menggunakan metode Artificial
Neural Network seringkali menggabungkannya dengan
metode lain untuk mendapatkan hasil yang lebih optimal.
Salah satunya yaitu menggabungkan metode Artificial Neural
Network dengan Algoritma Evolusi. Penelitian terhadap
prediksi kebangkrutan pada US banks, Turkish banks dan
Spanish
banks
(Chauhan,
2009)
dilakukan
dengan
membandingkan metode Wavelet Neural Network (WNN),
Differential Evolution Trained Wavelet Neural Network
(DEWNN) dan Threshold Accepting Trained Wavelet Neural
Network (TAWNN). Dengan menggunakan Garsons algorithm
untuk seleksi fitur dan metode 10-fold cross validation, hasil
akurasi dan sensitivity DEWNN mampu melampui metode
TAWNN dan WNN asli.
Berdasarkan pembahasan dari penelitian sebelumnya,
pada kali ini penulis mengajukan proposal penelitian sistem
pakar untuk diagnosa penyakit Diabetes Mellitus dengan
menggunakan metode Feed-Forward Multi Layer Perceptron
dengan
optimasi
menggunakan
metode
Differential
Evolution. Penggunaan sistem pakar pada penelitian ini
diharapkan dapat memberikan hasil diagnosa yang tepat dan
berdasarkan pengetahuan dari pakar sehingga dapat
memberikan diagnosa dini bagi masyarakat terutama untuk
15

masyarakat di daerah pedesaan. Selain itu penggunaan


metode hybrid ini diharapkan dapat menghasilkan akurasi
diagnosa penyakit Diabetes Mellitus yang lebih baik
dibandingkan penelitian-penelitian sebelumnya.

1.2 Rumusan masalah


Dengan latar belakang yang sudah dipaparkan diatas,
diperoleh rumusan masalah sebagai pedoman dalam
penelitian sebagai berikut:
1. Bagaimana penerapan metode Differential Evolution
Feed-Forward Multi Layer Perceptron pada diagnosa
penyakit Diabetes Mellitus?
2. Bagaimana hasil pengujian akurasi dan error rate dari
metode Differential Evolution Feed-Forward Multi
Layer Perceptron pada diagnosa penyakit Diabetes
Mellitus?

1.3 Tujuan
Penelitian ini memiliki tujuan pencapaian diantaranya:
1. Menerapkan metode Feed-Forward Multi Layer
Perceptron dengan optimasi Differential Evolution
untuk diagnosa penyakit Diabetes Mellitus pada
studi kasus penduduk di kabupaten Malang.
2. Menguji akurasi dan error rate dalam menerapkan
metode Feed-Forward Multi Layer Perceptron
dengan optimasi Differential Evolution untuk
diagnosa penyakit Diabetes Mellitus pada studi
kasus penduduk di kabupaten Malang.
3. Mendapatkan hasil diagnosa penyakit Diabetes
Mellitus yang tepat dan memiliki nilai akurasi
tinggi dengan menggunakan metode Feed-Forward
Multi Layer Perceptron dengan optimasi Differential
Evolution.

1.4 Manfaat
Manfaat dari penelitian ini yaitu membantu pemerintah
dan masyarakat dalam mengurangi angka penderita
Diabetes Mellitus dengan melakukan diagnosa dini penyakit.
16

Diharapkan hasil penelitian ini dapat membantu dokter


dalam mengambil keputusan untuk penanganan dan
perawatan terhadap penderita Diabetes Mellitus sehingga
penyakit Diabetes Mellitus pada penderita dapat terkontrol
dan tidak mengakibatkan terjadinya komplikasi penyakit
yang lebih berat.

1.5 Batasan masalah


Pada bagian ini berisi batasan-batasan masalah yang
diterapkan pada penelitian, antara lain yaitu:
1. Data yang digunakan diperoleh dari UCI Machine
Learning Repository.
2. Data latih yang digunakan adalah Pima Indians
Diabetes Data Set.
3. Data pasien yang digunakan berjumlah 768 jiwa
dengan pembagian untuk data training dan data
testing.
4. Menggunakan metode Feed-Forward Multi Layer
Perceptron dengan optimasi Differential Evolution.

1.6 Sistematika pembahasan


Dalam penyusunan skripsi ini terdapat penulisan yang
terstruktur sebagai berikut:
BAB 1 PENDAHULUAN
Menguraikan masalah umum terkait dengan penelitian
yang bersistematis dan berkesinambungan. Penulisan
dimulai dari latar belakang, rumusan masalah, tujuan,
manfaat, batasan masalah dan sistematika penulisan.
BAB 2 LANDASAN KEPUSTAKAAN
Membahas kajian pustaka dan dasar teori berdasarkan
referensi-referensi yang saling berkaitan dan mendukung
dalam penelitian ini.
BAB 3 METODOLOGI PENELITIAN
Menguraikan langkah-langkah secara sistematik dalam
menerapkan metode Feed-Forward Multi Layer Perceptron
dengan optimasi Differential Evolution untuk diagnosa
penyakit Diabetes Mellitus
BAB 4 ANALISIS DAN PERANCANGAN SISTEM
17

Membahas tentang perancangan sistem yang akan


dibangun dalam implementasi metode Feed-Forward Multi
Layer Perceptron dengan optimasi Differential Evolution
untuk diagnosa penyakit Diabetes Mellitus. Seperti
perancangan tampilan, algoritma dan alur program sistem
yang akan diimplementasikan.
BAB 5 IMPLEMENTASI
Membahas tentang
perancangan sistem
mengimplementasikan
bahasa pemrograman
sebelumnya.

implementasi sistem dari hasil


yang telah dilakukan, seperti
desain algoritma menggunakan
berdasarkan perancangan sistem

BAB 6 PENGUJIAN
Menguraikan tentang pengujian fungsionalitas sistem
untuk menjalankan peramalan curah hujan menggunakan
metode Feed-Forward Multi Layer Perceptron dengan
optimasi Differential Evolution, pengujian akurasi dan error
rate dari metode Feed-Forward Multi Layer Perceptron
dengan optimasi Differential Evolution. Dan menguraikan
hasil analisa pengujian terhadap sistem yang dibangun
dalam diagnosa penyakit Diabetes Mellitus.
BAB 7 PENUTUP
Pada bab terakhir ini menguraikan kesimpulan yang
diperoleh terhadap penelitian ini dan menyertakan saran
yang dapat digunakan untuk pengembangan selanjutnya.

18

BAB 2 LANDASAN KEPUSTAKAAN


Bab landasan kepustakaan terdiri dari kajian pustaka dan
dasar teori. Landasan Kepustakaan dalam penelitian ini
membandingkan penelitian yang sudah ada dengan penelitian
yang akan diusulkan. Dasar teori membahas dasar teori yang
diperlukan dalam penelitian yang akan diusulkan. Dasar teori
penunjang antara lain Diabetes, Sistem Pakar, Artificial Neural
Network, Algoritma Evolusi, dan Akurasi Hasil Pengujian.

2.1 Kajian Pustaka


Kajian pustaka pada penelitian ini akan membahas tentang
penelitian-penelitian
sebelumnya
yang
bertujuan
untuk
mengetahui kelebihan dan kelemahannya sehingga dapat
menjadi referensi dalam melakukan penelitian. Beberapa
referensi penelitian sebelumnya telah disebutkan pada bagian
latar belakang. Pengambilan referensi difokuskan pada penelitian
dengan objek yang sama yaitu Diabetes tetapi menggunakan
metode yang berbeda dan penelitian dengan metode Artificial
Neural Network dengan objek yang berbeda. Perbandingan
penelitian dilakukan dengan membandingkan objek dan kriteria
input yang digunakan, metode yang digunakan serta keluaran
yang dihasilkan.
Penelitian tentang deteksi episode hipoglikemia (turunnya
kadar gula darah) pada anak-anak penderita Diabetes Mellitus
tipe 1 yang dilakukan oleh Nguyen pada tahun 2006
menggunakan metode multilayer feed-forward neural network.
Pada penelitian ini menggunakan parameter fisiologi berupa
detak jantung, interval QT yang dibenarkan dari sinyal ECG dan
impedansi kulit. Uji coba penelitian ini menghasilkan sensitivity
0.9516 (true positive) dan specificity (true negative) 0.4142
(Nguyen, 2006).
Pada tahun 2009 terdapat penelitian sistem pakar diagnosa
diabetes yang dilakukan oleh Temurtas. Pada penelitian ini
dilakukan dengan menggunakan metode multilayer neural
network yang dilatih dengan algoritma Levenberg-Marquardt
(LM) dan probabilistic neural network. Data yang digunakan pada
penelitian ini adalah data Pima Indian Diabetes didapatkan dari
UCI machine learning database, data tersebut terbagi menjadi 2
1

kelompok yaitu normal dan Pima Indian dengan diabetes. Dari


sampel data tersebut terdapat 8 fitur yaitu jumlah kehamilan,
konsentrasi plasma glukosa, tekanan diastol darah, ketebalan
lipatan kulit trisep, 2-h serum insulin, indeks massa tubuh,
diabetes predigree function, dan usia. Hasil akurasi dari
penelitian ini menggunakan MLNN-LM dengan validasi
konvensional yaitu 82.37 dan untuk PNN adalah 78.13 sedangkan
MLNN-LM dengan 10 x FC yaitu 79.62 dan PNN dengan 10 x FC
78.05 (Temurtas, 2009).
Penelitian oleh Acar pada tahun 2009 dengan topik
penelitian sistem pakar prediksi kebangkrutan finansial bank di
Turki. Penelitian dilakukan dengan menggunakan beberapa
metode antara lain Artificial Neural Network (Multi Layer
Perceptron, Competitive Learning, Self Organizing Map dan
Learning Vector Quantization), Support Vector Machine (SVM),
dan Multivariate Statistical (Multivariate Discriminant Analysis, Kmeans Cluster Analysis, Logistic Regression Analysis). Masukan
dari penelitian ini yaitu 20 rasio finansial dengan 6 kelompok fitur
meliputi capital adequacy, asset quality, management quality,
earnings, liquidity, dan sensitivity. Hasil akurasi dari penelitian ini
pada proses latih untuk MLP, CL, SOM, LVQ, SVM, MDA, CA, dan
LRA secara berturut-turut yaitu 100%, 58.14%, 58.14%, 83.72%,
93.34%, 88.37%, 86.04%, 86.04%. Sedangkan hasil akurasi
untuk data tes dengan MLP, CL, SOM, LVQ, SVM, MDA, CA, dan
LRA secara berturut-turut yaitu 95.50%, 68.18%, 63.63%, 100%,
90.90%, 68.18%, 81.81%, 81.81% (Acar, 2009).
Pada tahun 2009 terdapat penelitian yang dilakukan oleh
Mostafa terhadap sistem pakar efisiensi top Arab banks
menggunakan metode pendekatan Data Envelopment Analysis
dan Probabilistic Neural Networks. Data yang digunakan pada
penelitian ini yaitu 85 informasi data bank yang diambil dari
majalah bisnis terkemuka di Arab dimana pada data yang
digunakan memiliki informasi finansial serta data finansialnya
tidak bernilai negatif. Hasil dari penelitian ini yaitu akurasi PNN
pada data latih sebesar 100% dan pada data tes sebesar 89.3%,
penggunaan metode tersebut dibandingkan juga dengan
menggunakan metode MDA yang memiliki hasil akurasi sebesar
94%. Dari percobaan tersebut hasil dari penggunaan metode

DEA ANN terbukti dapat digunakan untuk menentukan efisiensi


bank (Mostafa, 2009).
Pada tahun yang sama, terdapat penelitian terhadap
sistem pakar prediksi kebangkrutan bank yang dilakukan oleh
Chauhan dengan menggunakan Wavelet Neural Network (WNN)
dilatih dengan metode Differential Evolution Algorithm (DE).
Selain itu sebagai perbandingan digunakan juga metode WNN
murni dan Threshold Accepting Trained Wavelet Neural Network
(TAWNN). Data yang digunakan pada percobaan ini yaitu
himpunan data bank yang bangkrut meliputi U.S. banks, Turkish
banks, Spanish banks dan untuk perbandingan juga dilakukan
pada data Iris, Wine, dan Wisconsin Breast Cancer. Hasil akurasi
rata-rata dari percobaan ini pada data Turkish banks untuk
metode DEWNN, WNN dan TAWNN secara berturut-turut yaitu
95%, 95% dan 100%, sedangkan nilai sensitivity nya masingmasing bernilai 100%, dan nilai specificity nya secara berturutturut yaitu 95%, 95% dan 100%. Pada data Spanish banks untuk
akurasi rata-rata metode DEWNN, WNN, dan TAWNN secara
berturut-turut yaitu 89.99%, 86.67%, 88.33%, sedangkan nilai
sensitivity secara berturut-turut yaitu 91.66%, 89.67%, 79.66% ,
dan untuk nilai specificity secara berturut-turut adalah 93%,
81%, dan 90.5%. Pada data U.S. banks metode DEWNN, WNN,
dan TAWNN secara berturut-turut adalah 93.33%, 85.83%,
90.83%, untuk nilai sensitivity secara berturut-turut adalah
97.32%, 85.82%, 90.46%, sedangkan untuk nilai specificity
secara berturut-turut adalah 89.78%, 87.5%, 91.54%. Selain itu
pada percobaan data Turkish banks dan Spanish banks dengan
pengurangan fitur didapatkan hasil yaitu untuk data Turkish
banks menggunakan metode DEWNN, WNN dan TAWNN secara
berturut-turut memiliki hasil rata-rata 90%, 90%, dan 97.5%,
untuk nilai sensitivity nya 100%, 100%, dan 97.5%, sedangkan
untuk nilai specificity nya 80%, 81.67%, dan 100%. Pada data
Spanish banks nilai rata-rata akurasi menggunakan metode
DEWNN, WNN dan TAWNN secara berturut-turut yaitu 88.33%,
86.67%, dan 88.33%, untuk nilai sensitivity nya yaitu 94.16%,
79.5%, dan 92.17%, sedangkan untuk nilai specificity nya yaitu
86%, 100%, dan 91%. Dari hasil penelitian tersebut dapat
disimpulkan DEWNN paling unggul dibandingkan metode WNN
dan TAWNN (Chauhan, 2009).
3

Pada tahun 2010 terdapat penelitian yang dilakukan


Khashman dengan penyusunan sistem pakar untuk evaluasi
risiko kredit pada bank menggunakan metode Supervised Neural
Networks dilatih dengan algoritma back propagation. Data yang
digunakan dalam penelitian ini adalah data aplikasi kredit Jerman
yang memiliki 1000 kasus dengan setiap kasus memiliki atribut
asli berjumlah 20 atribut dan menjadi 24 atribut setelah
ditambah dengan beberapa variabel indikator. Penelitian ini
menggunakan 9 pola latih yang berbeda dengan menggunakan 3
model neural network yang berbeda berdasarkan jumlah lapisan
hidden nya dan rasio jumlah data latih dan data tes yang
berbeda-beda. Dari 27 hasil percobaan yang ada didapatkan
hasil terbaik sejumlah 3 data yang memenuhi kriteria evaluasi.
Pertama, implementasi dengan model ANN-2 pada LS4 (rasio
400:600) memenuhi kedua kriteria dengan jumlah iterasi 18.652
yang menutupi nilai eror 0.008. Kedua, implementasi dengan
model ANN-1 pada LS5 (rasio 500:500) juga memenuhi kedua
kriteria dengan jumlah iterasi 19.236. Ketiga, implementasi
menggunakan model ANN-3 pada LS6 (rasio 600:400) yang
mendekati memenuhi kedua kriteria dengan membutuhkan
25000 iterasi untuk menutupi nilai eror 0.008531. Hasil akurasi
training dan testing pada ANN secara berturut-turut adalah
99.25% dan 73.17% dan nilai akurasi keseluruhan adalah 83.6%,
waktu percobaan training diselesaikan dalam 184 s dan waktu
untuk pembuatan keputusan yaitu 5.17 x 10-5 s (Khashman,
2010).
Pada tahun 2010 juga terdapat penelitian oleh MyoungJong mengenai prediksi kebangkrutan menggunakan metode
ANN yang dioptimasi dengan menggunakan metode ensemble
yaitu Bagging dan Boosting. Data yang digunakan pada studi ini
didapatkan dari sebuah bank komersial di Korea dengan dataset
terdiri dari 1458 firma manufaktur yang diaudit, setengahnya
bangkrut selama 2002-2005 sedangkan firma yang dalam
keadaan stabil diambil dari perusahaan aktif pada akhir tahun
2005. Data yang digunakan menggunakan 7 rasio finansial
meliputi profitability, debt coverage, leverage, capital structure,
liquidity, activity, dan size. Uji coba dilakukan sebanyak 10 kali
pada masing-masing data training dan data testing dengan
topologi ANN yang berbeda. Hasil rata-rata akurasi dari
4

penelitian ini pada metode NN data training dan data testing


secara berturut-turut yaitu 74.80 dan 71.02. Hasil rata-rata
akurasi pada metode Boosted NN data training dan data testing
secara berturut-turut yaitu 75.70 dan 75.10. Sedangkan pada uji
metode Bagged NN memberikan hasil data training dan data
testing secara berturut-turut yaitu 76.47 dan 75.97. Selain
menentukan akurasi, dihitung juga prediksi error rate pada ketiga
metode ini dengan topologi yang berbeda serta pada tiap
metode prediksi error rate nya dibagi menjadi secara
keseluruhan, tipe 1, dan tipe 2. Pada metode NN nilai rata-rata
error rate nya secara keseluruhan, tipe 1 dan tipe 2 secara
berturut-turut yaitu 28.94%, 23.32%, dan 34.55%. Sedangkan
pada metode Boosted NN nilai rata-rata error rate nya secara
keseluruhan, tipe 1 dan tipe 2 secara berturut-turut yaitu
24.90%, 17.89%, dan 31.91%. dan pada metode Bagged NN nilai
rata-rata error rate nya secara keseluruhan, tipe 1 dan tipe 2
secara berturut-turut yaitu 24.03%, 17.23%, dan 30.83%.
berdasarkan hasil akurasi nilai error rate dapat diambil
kesimpulan bahwa penggunaan optimasi metode Bagging dan
Boosting pada NN menunjukkan hasil yang lebih akurat
dibandingkan dengan NN (Myoung-Jong, 2010).
Pada tahun 2011, Abu-Elanien melakukan penelitian
terhadap penentuan kondisi transformator menggunakan metode
Feed Forward Artificial Neural Network (FFANN). Data yang
digunakan pada penelitian ini diambil dari sistem industri sebuah
industri instalasi di Timur Tengah. Input yang digunakan antara
lain air, keasaman, break down voltage (BDV), hydrogen (H2),
metana (CH4), etilen (C2H4), Asetilen (C2H2), C2H6, kandungan
furan, loss factor, dan jumlah zat padat pada minyak yang ada
pada transformator. Dari percobaan pada 29 transformator
terdapat 1 transformator yang tidak sesuai dengan kondisi yang
sebenarnya, dengan keterangan kondisi transformator dalam
keadaan bagus sejumlah 19 namun terdapat 1 transformator
yang diklasifikasikan menjadi sedang.
Selanjutnya 3
transformator keadaan sedang dan 7 transformator keadaan
rusak dapat diklasifikasikan sesuai dengan kondisi aslinya.
Penelitian ini memberikan nilai akurasi pada data tes sebesar
96.55% (Abu-Elanien, 2011).

Pada tahun 2012 Thirugnanam melakukan penelitian


terhadap diagnosis diabetes menggunakan pendekatan metode
gabungan (FCN) meliputi Fuzzy, Neural Network dan Case Based
Reasoning. Data yang digunakan pada penelitian ini diperoleh
dari survey dengan isian meliputi jenis usia, kelamin, informasi
tentang keluarga, penggunaan obat-obatan untuk darah tinggi,
memiliki kadar gula darah tinggi selama sakit, merokok, jumlah
sayuran dan buah yang dikonsumsi, olahraga, ukuran tubuh,
lingkar pinggang, sering buang air kecil, rasa lapar yang
meningkat, tingkat kehausan, luka yang sulit sembuh, gaya
hidup, gestational diabetes, sering menkonsumsi makanan nonvegetarian, dan gatal di sekujur tubuh. Kesimpulan dari
penelitian ini yaitu peneliti mengusulkan sebuah pendekatan
baru dengan metode FNC yang diharapkan dapat memudahkan
pasien melakukan tes medis untuk mendiagnosa diabetes tanpa
berkonsultasi dengan dokter sehingga pasien bisa melakukan
pencegahan lebih awal (Thirugnanam, 2012).
Pada tahun 2012 Karan melakukan penelitian yang sama
terhadap diagnosa diabetes menggunakan metode three-layered
Multilayer Perceptron (MLP) feed-forward neural network yang
dilatih dengan algoritma error back propagation. Penyusunan
sistem ini berbasis PDA. Dataset yang digunakan untuk proses
training adalah 456 data dengan 228 diantaranya berasal dari
data orang dengan kesehatan normal. Masukan pada penelitian
ini yaitu umur, aktivitas fisik (ya/tidak), kehamilan, diabetes pada
keluarga, indeks massa tubuh, ketebalan lipatan kulit, kolesterol,
tekanan darah diastol, 2-h serum insulin, diabetes pedigree,
konsentrasi glukosa plasma. Proses training dilakukan beberapa
kali dengan jumlah iterasi dimulai dari 1000 kali, 2000, 3000,
4000, 5000, 6000, dan berakhir pada 7000. Pada hasil ujicoba
pertama dengan iterasi 1000 kali menunjukkan nilai minimum
eror dicapai dengan nilai learning rate dan momentum secara
berturut-turut 0.75 dan 0.25. Pada tes kedua, dengan 2000
iterasi dilakukan dengan momentum dan learning rate yang
berbeda. Hasil tes kedua menunjukkan bahwa eror minimum
terjadi dengan learning rate dan momentum secara berturutturut 0.95 dan 0.05. Pada tes ketiga, nilai paling kecil dari total
nilai eror adalah 2.119 terjadi pada learning rate bernilai 0.85
dan momentum 0.25. Hasil keempat menunjukkan nilai minimum
6

eror adalah 2.086 pada learning rate 0.95 dan momentum 0.15.
Iterasi yang terakhir digunakan adalah 5000 iterasi, karena dari
hasil iterasi 6000 dan 7000 tidak menunjukkan perubahan yang
signifikan. Pada percobaan dengan 5000 iterasi menunjukkan
jumlah eror minimum adalah 1.142 eror dengan learning rate
0.95 dan momentum 0.05. Hasil yang didapatkan menunjukkan
akurasi yang kompetitif. Pada studi ini aplikasi pada klien hanya
digunakan untuk menginputkan data pasien dan aplikasi bekerja
pada arsitektur server-klien terdistribusi. Pendekatan ini
membuat perhitungan kompleks dan ANN tersimpan pada data
lokal (Karan, 2012).
Pada tahun 2012 ShihChung melakukan penelitian
terhadap deteksi benjolan kecil pada paru-paru dengan
menggunakan teknik jaringan syaraf tiruan visual yang disebut
Convolution Neural Network (CNN) double matching dengan
optimasi pembobotan back propagation. Data yang digunakan
pada penelitian ini yaitu hasil image radiologi bagian dada untuk
selanjutnya dilakukan deteksi benjolan kecil tersebut termasuk
penyakit atau efek pada gambar. Hasil dari penelitian ini diambil
dari kurva ROC dengan indeks kinerja menggunakan metode
regular back propagation neural network, the convolution
network, dan convolution network with fuzzy secara berturutturut adalah 0.65, 0.77 dan 0.83 (ShihChung, 2012).
Pada tahun 2012 Luangruangrong melakukan penelitian
terhadap prediksi diabetes dengan studi faktor risiko diabetes
tipe 2 menggunakan metode Backpropagation Neural Network
(BNN). Data sampel diambil dari Bangkok Hospital. Berisi 2000
kasus orang Thai antara 2010 hingga 2012 termasuk 1140
diantaranya penderita diabetes dan 860 orang sehat. Pada
penelitian ini melibatkan faktor risiko tradisional meliputi usia,
jenis kelamin, body mass index (BMI), blood pressure (BP), waist
circumference (WC) dan Family History (FMH). Selain itu
digunakan juga faktor konsumsi alkohol dan merokok. Faktor
yang diajukan menunjukkan nilai RMSE dan akurasi masingmasing 0.71378 dan 83,65%. Sebagai tambahan, penyesuaian
learning rate memberikan kinerja lebih baik sebesar 84%. Dan
terakhir, metode yang diajukan memberikan kinerja yang lebih
baik
dibandingan
dengan
garis
dasar
sebesar
1.2%
(Luangruangrong, 2012).
7

Pada tahun 2013 penelitian terhadap risiko diabetes


mellitus tipe 2 juga dilakukan oleh Wang dengan menggunakan
metode perbandingan antara artificial neural network (ANN) dan
multivariate regression (MLR). Data yang digunakan pada
penelitian ini yaitu didapat dari hasil survei pada daerah
pedesaan di provinsi Henan. Partisipan berumur 35-74 tahun.
Didapatkan hasil 8640 subjek data yang digunakan pada studi ini
dengan mengecualikan data penduduk yang memiliki kondisi
berikut ini: kelainan psikologi, cacat fisik, kanker, penyakit ginjal
kronis, penyakit Alzheimer, dimensia selama 6 bulan, AIDS dan
penyakit menular lain. Selain itu data dengan missing value juga
dihilangkan. Hasil dari penelitian ini yaitu tingkat pemerataan
T2DM adalah 8.66% (n=561) dan 9.21% (n=199) pada training
dan validasi secara berturut-turut. Untuk model ANN, sensitivitas,
kekhususan, nilai prediktif positif dan negative untuk identifikasi
T2DM secara berurutan adalah 86.93%, 79.14%, 31.86%, dan
98.18%, sedangkan model MLR hanya 60.80%, 75.48%, 21.78%,
dan 94.52%. Nilai area dibawah kurva ROC untuk identifikasi
T2DM dengan menggunakan model ANN adalah 0.891,
menunjukkan kinerja prediktif yang lebih akurat dibandingkan
dengan model MLR (AUC=0.744) (P=0.0001) (Wang, 2013).
Penelitian selanjutnya menggunakan metode Artificial
Neural Network (ANN) yang digabungkan dengan metode MDA,
LR, CRT, dan AdaBoost diteliti oleh Fedorova pada tahun 2013
pada kasus prediksi kebangkrutan perusahaan manufaktur Rusia.
Himpunan sampel yang didapat terdiri dari rasio finansial 3505
perusahaan manufaktur Rusia besar dan menengah (504
bangkrut dan 3001 tidak bangkrut). Untuk firma yang mengalami
bangkrut didapatkan dari Interfax SPARK dengan melihat data
setahun sebelum kebangkrutan. Terdapat 7 kelompok fitur antara
lain clash-flow indicators, profitability indicators, turnover
indicators, liquidity and solvency indicators, balance structure
indicators, indicators from classical Western and Russian models,
indicators stipulated by Russian legislation. Penelitian dilakukan
dengan membandingkan penggunaan metode MLP dan RBFN.
Hasil MLP didapatkan lebih baik daripada RBFN terutama yang
dibantu dengan CRT dan LR. Secara berturut-turut hasil akurasi
dengan CRT dan LR 86.7 dan 87.8. MLP mengklasifikasi 100%
bank pada training dan 95.5% pada proses validasi. Hasil akurasi
8

pada penggunaan metode ANN gabungan dengan algoritma


pembelajaran lain yaitu 88.8% (Fedorova, 2013).
Penelitian pada tahun yang sama dilakukan oleh Juma
terhadap permasalahan evaluasi aplikasi kredit bank komersial
Kenya dengan menggunakan metode ANN dengan optimasi
backpropagation. Data yang digunakan sebagai inputan disini
ada 8 data yaitu: current ratio, liquidity ratio, creditor days,
interest cover, collection period, stock turnover, gross gearing
ratio, profits. Hasil penelitian ini dari 5 kali percobaan pada
proses training dan 5 kali proses testing, peneliti menetapkan
bahwa 99% dapat memberikan hasil yang serupa dengan yang
diberikan oleh manusia setelah evaluasi peminjaman.
Pada tahun 2014 terdapat penelitian oleh Shen terhadap
masalah Quality Control kuantitatif big data pada pasien kanker
menggunakan metode artificial neural network (ANN). Data yang
digunakan pada penelitian ini yaitu data rekam medis dari pasien
kanker di rumah sakit China. Hasil dari penelitian dengan
mengimplementasikan big data dan ANN, peneliti dapat
menghasilkan metode QC yang baik untuk meningkatkan
perawatan kanker dengan radioterapi dan kemoterapi.
Pada tahun yang sama terdapat penelitian oleh
Pangaribuan terhadap diagnosis Diabetes Mellitus menggunakan
feed forward neural network Extreme Learning Machine (ELM).
Data yang digunakan pada penelitian ini didapatkan dari UCI
Repository yang terdiri dari populasi wanita umur 21 tahun dan
tinggal di Phoenix, Arizona dengan jumlah data 768 orang yang
dibagi menjadi data training dan data testing. Hasil rata-rata
akurasi penelitian ini menggunakan metode ELM pada data
training dan data testing secara berturut-turut yaitu 0.367 mse
dan
0.393
mse.
Sedangkan
menggunakan
metode
backpropagation pada data training dan data testing secara
berturut-turut yaitu 0.411 mse dan 0.842 mse. Nilai error rate
MSE keseluruhan untuk data testing ELM adalah 0.4036 dan pada
metode backpropagation adalah 0.9425 (Pangaribuan, 2014).
Kumar melakukan penelitian yang sama terhadap diagnosa
diabetes pada tahun 2014 menggunakan metode ant colony
optimized neural network. Data yang digunakan pada penelitian
ini didapatkan dari UCI machine learning repository dengan 8
9

atribut ditambah atribut kelas dalam dataset. Atribut tersebut


antara lain pregnancy frequency, plasma glucose test, diastolic
BP, thickness of Triceps skin, serum insulin of two hours, body
mass index, diabetes predigree function, age, dan class variable.
Hasil akurasi dan jumlah eror disajikan dalam bentuk tabel
batang. Secara berturut-turut hasil akurasi penelitian ACO-NN
menggunakan feature selection lebih besar dibandingkan pada
ACO-NN tanpa feature selection dan untuk jumlah eror pada
ACO-NN menggunakan feature selection lebih kecil dibandingkan
ACO-NN tanpa feature selection. Hasil dari penelitian ini akurasi
lebih tinggi didapatkan pada ACO NN dengan feature selection
dengan dibuktikan oleh tingkat eror yang lebih rendah dari
metode yang tidak menggunakan feature selection. Hasil dari
penelitian ini akurasi lebih tinggi didapatkan pada ACO NN
dengan feature selection dengan dibuktikan oleh tingkat eror
yang lebih rendah dari metode yang tidak menggunakan feature
selection. Peningkatan pada akurasi dapat digunakan untuk
sistem pendukung keputusan pada bidang kesehatan karena
data nya yang sensitive dan membutuhkan pemrosesan yang
real time. (Kumar, 2014).
Pada
tahun
2015
Rather
melakukan
penelitian
menggunakan Recurrent Neural Network, selain itu juga
membandingkan penggunaan metode tersebut dengan model
Hybrid Prediction Model (HPM) yang merupakan gabungan dari
metode linier dan non-linier meliputi Recurrent Neural Network
(RNN), Exponential Smoothing (ES), dan Autoregressive Moving
Average Model (ARMA) pada prediksi hasil investasi saham. Data
yang digunakan pada penelitian ini adalah data asli saham
berjumlah 6 yang didapatkan dari National Stock Exchange of
India (NSE), data tersebut antara lain TCS, BHEL, Wipro, Axis
Bank, Maruti, Tata Steel. Penelitian ini memberikan beberapa
hasil percobaan yaitu pada penelitian penggunaan model linier
AR dan ES, nilai MSE dan MAE kedua model tinggi. Korelasi
antara target dan hasil yang diprediksi juga sangat rendah
sehingga dapat disimpulkan bahwa model prediksi linier ini tidak
memuaskan.
Sedangkan
pada
model
non-linier
yaitu
menggunakan metode RNN memberikan hasil pada data training
dan data testing bahwa pada setiap saham nilai erornya rendah
dan memiliki korelasi koefisien antara target dan hasil yang
10

diprediksi lebih tinggi. Kemudian dilakukan perbandingan lagi


menggunakan model RNN, MLP, dan HPM yang hasilnya disajikan
dalem tabel grafik dan diambil kesimpulan model RNN dan model
HPM dapat memprediksi terjadinya peningkatan tajam pada data
(fluktuasi), sedangkan model MLP yang diuji tidak dapat
memprediksi peningkatan tajam secara mendadak. Selain itu
dilakukan perbandingan lagi kinerja model RNN dan HPM pada 25
saham, Hasil menunjukkan bahwa kinerja HPM melampaui RNN,
dengan minimnya eror dan korelasi tinggi antara hasil prediksi
dan target (Rather, 2015).
Penelitian yang sama dilakukan pada bidang ekonomi pada
tahun 2015 juga dilakukan oleh Iturriaga menggunakan metode
kombinasi dari multilayer perceptrons (MLP) dan self-organizing
maps (SOM) pada permasalah prediksi dan visualisasi
kebangkrutan pada bank komersial U.S. Data yang digunakan
pada penelitian ini yaitu menggunakan data yang didapat dari
Federal Deposit Insurance Corporation (FDIC). Peneliti menyeleksi
sebanyak 32 variabel yang berpotensial jelas untuk risiko
kebangkrutan. Variabel ini diseleksi dengan mengadaptasi
kriteria
untuk
memperbaiki
hasil
dari
model.
Rasio
dikelompokkan menjadi 5 himpunan variabel yang berbeda.
Rasio 1-14 mengukur pendapatan bank, 15-21 menaksir struktur
asset setiap bank, 22-25 penelitian lebih dalam terhadap asset
dan menaksir portofolio peminjaman, 26-29 mengukur
konsentrasi risiko, dan 30-32 terkait kemampuan pelunasan
hutang. Pada penelitian ini digunakan metode DA, LR, RF, dan
SVM sebagai pembandingnya. Hasil akurasi secara keseluruhan
pada DA untuk 1, 2, 3 tahun sebelum kebangkrutan secara
berturut-turut adalah 77.88%, 74.04%, 70.19%. Pada metode LR
81.73%, 81.73%, 75%. Pada metode RF 87.50%, 78.85%,
75.96%. Pada metode MLP murni 93.27%, 85.58%, 82.69%. Pada
metode SVM 89.42%, 87.50%, 82.69%. Dan pada penggunaan
metode MLP-SOM hasil akurasinya 96.15%, 90.38%, 84.62%. Dari
hasil tersebut dapat diambil kesimpulan bahwa penggunaan nonlinier menghasilkan hasil yang lebih baik daripada model linier
terutama jika terdapat model hibrid (MLP-SOM) dari model
tersebut maka akan menghasilkan hasil yang paling optimal
(Iturriaga, 2015).

11

Pada tahun yang sama terdapat penelitian oleh He-Boong


menggunakan model data envelopment analysis (DEA) dan back
propagation neural network (BPNN) untuk pemodelan produksi
two-stage sequential pada bank besar di U.S. Data yang
digunakan pada penelitian ini yaitu untuk lapisan input terdiri
dari employees, equity dan expenses. Dan pada lapisan tengah
terdapat deposits, loans, dan investments. Dari hasil yang ada
menghasilkan diskusi yaitu model BPNN pertama memprediksi
efisiensi dari DMU dalam tahap pertama dengan menggunakan
tiga input dan tiga output. Model BPNN kemudian memprediksi
level profit yang dibutuhkan setiap DMU untuk mencapai kinerja
targetnya, juga memprediksi kenaikan profit diperlukan untuk
memperoleh level kinerja yang diinginkan, contohnya pada
model BPNN pertama memprediksi efisiensi RBS yang ditandai
dengan profit negative dari 3,000$USM 0.453. Kemudian modul
BPNN kedua memprediksi kenaikan profit 493 (1,014 1,486)
untuk DMU mencapai 1/3 (2/3 ekuivalen) dari kinerja tahap
pertama. Pada tabel menunjukkan kenaikan output sebanding
dengan kenaikan kinerja target pada DMU (He-Boong, 2015).
Pada tahun 2015 juga dilakukan penelitian oleh HsiaoHsien menggunakan metode prediksi artificial neural network
(ANN) dan logistic regression (LR) pada masalah prediksi risiko
kanker hati pada penderita diabetes mellitus tipe 2. Data yang
digunakan pada penelitian ini yaitu didapatkan dari National
Health Insurance Research Database (NHIRD) Taiwan, yang
mencakup kira-kira 22 juta orang. Dalam studi ini, penulis
menyeleksi pasien yang baru didiagnosa dengan tipe II diabetes
selama periode 2000-2003, dengan tidak ada diagnosa kanker
sebelumnya. Hasil dari penelitian ini yaitu submodel 1 memiliki
sensitivity, specificity yang terbaik. Untuk AUC submodel 2 dan 3
memiliki hasil yang lebih baik dari submodel 1. Pada submodel 1
hasil akurasi ANN lebih baik daripada LR. Model ANN optimal
dihasilkan pada submodel 1 dengan memiliki 25 lapisan input, 4
hidden dan 2 output (Hsiao Hsien, 2015).
Pada tahun 2015 Nongyao melakukan penelitian terhadap
klasifier risiko prediksi diabetes dengan menggunakan metode
Decision Tree, Artificial Neural Network, Logistic Regression dan
Nave Bayes lebih dahulu di uji. Kemudian teknik Bagging dan
Boosting diteliti untuk meningkatkan ketahanan model-model
12

tersebut. Selanjutnya, Random Forest tidak lupa juga dievaluasi


dalam penelitian ini. Data yang digunakan diperoleh dari 26
Primary Care Unit (PCU) rumah sakit Sawanpracharak selama
tahun 2012-2013. Input untuk penelitian ini yaitu Body Mass
Index (BMI), age, weight, height, systolic blood pressure,
diastolic blood pressure, history of diabetes in family, history of
hypertension in family, alcohol drinking, smoking behavior, sex.
Hasil penelitian ini yaitu pada lima teratas adalah model Random
Forest, Bagging with decision tree, Bagging with artificial neural
network, Decision tree dan Boosting dengan decision tree
yaitu85.558%, 85.333%, 85.324%, 85.090%, dan 84.815%.
Sebagian besar berdasar Decision Tree Algorithms. Keakuratan
yang paling rendah adalah Model Bagging with Nave Bayes yaitu
80.960%. Hasil ini juga memberi kesan bahwa Teknik Bagging
and Boosting meningkatkan keakuratan Model Decision Tree,
Artificial Neural Network, Logistic Regression. Keakuratan model
Nave Bayes hanya meningkat dengan teknik Boosting. Selain itu
dilakukan uji coba dengan ROC curve. Lima nilai ROC Curve
tertinggi adalah model Random Forest, Bagging with Decision
Tree, Bagging with Artificial Neural Network, Boosting with
Artificial Neural Network dan Artificial Neural Network yaitu
0.912, 0.906, 0.903, 0.901 dan 0.896. Sementara yang terendah
adalah model Nave Bayes, 0.855 (Nongyao, 2015).
Pada tahun yang sama juga terdapat penelitian mendesain
siRNA yang optimal oleh Murali dengan menggunakan multilayer perceptron feed-forward neural network dengan training
menggunakan algoritma Scaled Conjugate Gradient untuk
menghitung skor akhir setiap siRNA. Berbagai algoritma neural
network seperti classic Backpropagation, Resilient propagation
(RProp) dan scaled Conjugate Gradient (SCG) juga dicoba. Data
yang digunakan untuk proses training didapatkan dari Huesken
dataset yang terdiri dari 2431 siRNA dari 30 gen. Sedangkan
untuk proses tes menggunakan 2 dataset yaitu 419 siRNA dan
476 siRNA. Hasil penelitiannya OpsiD memiliki nilai sensitivity
tertinggi yaitu 0.69 dan specificity 0.83. Nilai specificity memiliki
nilai lebih rendah dibandingkan Biopredsi. Namun sistem ini telah
mengalami
peningkatan
kemampuan
prediksi.
Secara
keseluruhan, analisa yang dilakukan telah menunjukkan bahwa
perubahan kinerja model aplikasi yang digunakan dalam
13

accuracy, MCC, dan sensitivity mengalami peningkatan daripada


model lain (Murali, 2015).
Pada tahun 2016 terdapat penelitian yang dilakukan oleh
Erkaymaz terhadap diagnosa diabetes menggunakan SmallWorld Feed Forward Artificial Neural Network (SW-FFANN).
Penelitian ini menggunakan Pima indian diabetic dataset (PIDD)
yang diambil dari UCI machine learning repository. Data yang
diamati meliputi 768 sample dan dua kelompok (normal: 500,
diabetes: 268). Masing-masing sampel memiliki 8 ciri dan 1
respon. Fitur pada data tersebut antara lain number of times
pregnant, plasma glucose concentration, diastolic blood
pressure, triceps skin fold thickness, 2-hour serum insulin, body
mass index, diabetes pedigree function, age, result. Hasil
penelitian ini yaitu sensitivity, specificity, dan accuracy secara
berturut-turut pada FFANN konvensional 0.6000, 0.9231, 83.33%.
Sedangkan pada SW-FFANN yaitu 0.8500, 0.9615, dan 91.66%
(Erkaymaz, 2016).
Berikut merupakan penelitian-penelitian terkait yang
disajikan dalam bentuk tabel agar mudah dipahami ditunjukkan
pada tabel 2.1.

14

Tabel 2.1 Perbandingan Penelitian Penulis Dengan Penelitian Terkait


N
o

Nama
Peneliti,
Tahun

Objek

Metode

Nguyen,
2006

Penelitian tentang deteksi


multilayer feed-forward
episode hipoglikemia (turunnya
neural network
kadar gula darah) pada anakanak penderita Diabetes Mellitus
tipe 1.
Pada penelitian ini
menggunakan parameter
fisiologi berupa detak jantung,
interval QT yang dibenarkan dari
sinyal ECG dan impedansi kulit.

Temurta
s, 2009

Hasil

Hasil pada studi ini


mengindikasikan bahwa episode
hipoglikemik pada anak T1DM
dan dideteksi secara efektif dari
respon fisiologikal secara real
time menggunakan HypoMon.
Uji coba penelitian ini
menghasilkan sensitivity 0.9516
(true positive) dan specificity
(true negative) 0.4142

Penelitian sistem pakar diagnosa Metode multilayer


diabetes dengan 8 fitur:
neural network yang
dilatih dengan
- jumlah kehamilan
algoritma Levenberg- konsentrasi plasma
Marquardt (LM) dan
glukosa
probabilistic neural
network.

15

Hasil akurasi dari penelitian ini


menggunakan MLNN-LM dengan
validasi konvensional yaitu 82.37
dan untuk PNN adalah 78.13
sedangkan MLNN-LM dengan 10
x FC yaitu 79.62 dan PNN dengan
10 x FC 78.05

Acar,
2009

tekanan diastol darah

ketebalan lipatan kulit


trisep

2 jam serum insulin

indeks massa tubuh

diabetes predigree
function

usia

Sistem pakar prediksi


kebangkrutan finansial bank di
Turki. Masukan dari penelitian ini
yaitu 20 rasio finansial dengan 6
kelompok fitur meliputi:
-

capital adequacy

asset quality

management quality

earnings

liquidity

sensitivity

Penelitian dilakukan
dengan menggunakan
beberapa metode
antara lain:
-

Artificial Neural
Network meliputi:
Multi Layer
Perceptron (MLP)
Competitive
Learning (CL)
Self Organizing
Map (SOM)
Learning Vector

16

Hasil akurasi dari penelitian ini


pada data training:
MLP: 100%
CL: 58.14%
SOM: 58.14%
LVQ: 83.72%
SVM: 93.34%
MDA: 88.37%
CA: 86.04%
LRA: 86.04%

Quantization
(LVQ)

Data testing:

Support Vector
Machine (SVM)

CL: 68.18%

Multivariate
Statistical
meliputi:

LVQ: 100%

Multivariate
Discriminant
Analysis (MDA)
K-means Cluster
Analysis Logistic
Regression
Analysis
4

Mostafa,
2009

Sistem pakar efisiensi top Arab


banks. Data yang digunakan
pada penelitian ini yaitu 85
informasi data bank yang
diambil dari majalah bisnis
terkemuka di Arab dimana pada
data yang digunakan memiliki
informasi finansial serta data

Metode:
-

hybrid Data
Envelopment
Analysis dan
Probabilistic
Neural Networks.

MDA

17

MLP: 95.50%

SOM: 63.63%

SVM: 90.90%
MDA: 68.18%
CA: 81.81%
LRA: 81.81%

Hasil dari penelitian ini yaitu


akurasi PNN pada data latih
sebesar 100% dan pada data tes
sebesar 89.3%, penggunaan
metode tersebut dibandingkan
juga dengan menggunakan
metode MDA yang memiliki hasil
akurasi sebesar 94%. Dari

finansialnya tidak bernilai


negatif.

Chauhan Sistem pakar prediksi


, 2009
kebangkrutan bank. Data yang
digunakan pada percobaan ini
yaitu himpunan data bank yang
bangkrut meliputi U.S. banks,
Turkish banks, Spanish banks
dan untuk perbandingan juga
dilakukan pada data Iris, Wine,
dan Wisconsin Breast Cancer.

(pembanding)

Metode:
-

Wavelet Neural
Network (WNN)
dilatih dengan
metode
Differential
Evolution
Algorithm (DE)

WNN murni

Threshold
Accepting Trained
Wavelet Neural
Network (TAWNN)

percobaan tersebut hasil dari


penggunaan metode DEA ANN
terbukti dapat digunakan untuk
menentukan efisiensi bank
Semua data fitur:
Turkish:
Accuracy:
DEWNN: 95%
WNN: 95%
TAWNN: 100%
Sensitivity:
DEWNN: 100%
WNN: 100%
TAWNN: 100%
Specificity:
DEWNN: 95%
WNN: 95%
TAWNN: 100%

18

Spanish:
Accuracy:
DEWNN: 89.99%
WNN: 86.67%
TAWNN: 88.33%
Sensitivity:
DEWNN: 91.66%
WNN: 89.67%
TAWNN: 79.66%
Specificity:
DEWNN: 93%
WNN: 81%
TAWNN: 90.5%
U.S.:
Accuracy:
DEWNN: 93.33%
WNN: 85.83%

19

TAWNN: 90.83%
Sensitivity:
DEWNN: 97.32%
WNN: 85.82%
TAWNN: 90.46%
Specificity:
DEWNN: 89.78%
WNN: 87.5%
TAWNN: 91.54%
Hasil menunjukkan DEWNN
paling unggul dibandingkan
metode WNN dan TAWNN

Khashm sistem pakar untuk evaluasi


an, 2010 risiko kredit pada bank
Data yang digunakan dalam

Supervised Neural
Dari 27 hasil percobaan yang ada
Networks dilatih dengan didapatkan hasil terbaik
algoritma back
sejumlah 3 data yang memenuhi
propagation

20

penelitian ini adalah data


aplikasi kredit Jerman yang
memiliki 1000 kasus dengan
setiap kasus memiliki atribut asli
berjumlah 20 atribut dan
menjadi 24 atribut setelah
ditambah dengan beberapa
variabel indikator.

kriteria evaluasi:
-

implementasi dengan
model ANN-2 pada LS4
(rasio 400:600) memenuhi
kedua kriteria dengan
jumlah iterasi 18.652 yang
menutupi nilai eror 0.008

implementasi dengan
model ANN-1 pada LS5
(rasio 500:500) juga
memenuhi kedua kriteria
dengan jumlah iterasi
19.236.

implementasi
menggunakan model ANN3 pada LS6 (rasio 600:400)
yang mendekati memenuhi
kedua kriteria dengan
membutuhkan 25000
iterasi untuk menutupi nilai
eror 0.008531.

Hasil akurasi training dan testing

21

pada ANN:
Training: 99.25%
Testing: 73.17%
nilai akurasi keseluruhan: 83.6%
waktu percobaan training: 184 s
waktupembuatan keputusan:
5.17 x 10-5 s
7

MyoungJong,
2010

Sistem pakar prediksi


kebangkrutan. Data yang
digunakan pada studi ini
didapatkan dari sebuah bank
komersial di Korea dengan
dataset terdiri dari 1458 firma
manufaktur yang diaudit, Data
yang digunakan menggunakan 7
rasio finansial meliputi:

metode ANN yang


dioptimasi dengan
menggunakan metode
ensemble yaitu
Bagging dan Boosting

Rata-rata akurasi:
NN:
Training: 74.80
Testing: 71.02
Boosted NN:
Training: 75.70
Testing: 75.10

profitability

Bagged NN:

debt coverage

Training: 76.47

leverage

Testing: 75.97

capital structure

Rata-rata error rate:

22

liquidity

NN:

activity

overall: 28.94%

size.

tipe 1: 23.32%
tipe 2: 34.55%
Boosted NN:
overall: 24.90%
tipe 1: 17.89%
tipe 2: 31.91%
Bagged NN:
overall: 24.03%
tipe 1: 17.23%
tipe 2: 30.83%
penggunaan optimasi metode
Bagging dan Boosting pada NN
menunjukkan hasil yang lebih
akurat dibandingkan dengan NN

AbuElanien,
2011

penentuan kondisi
transformator. Data yang
digunakan pada penelitian ini

Feed Forward Artificial


Neural Network (FFANN)

23

Dari percobaan pada 29


transformator terdapat 1
transformator yang tidak sesuai

diambil dari sistem industri


sebuah industri instalasi di
Timur Tengah. Input yang
digunakan antara lain:

Air

Keasaman

break down voltage (BDV)

hydrogen (H2)

metana (CH4)

etilen (C2H4)

Asetilen (C2H2)

C2H6

kandungan furan

loss factor

jumlah zat padat pada


minyak yang ada pada
transformator

Thirugna penelitian terhadap diagnosis


nam,
diabetes. Data yang digunakan

dengan kondisi yang sebenarnya,


dengan keterangan kondisi
transformator dalam keadaan
bagus sejumlah 19 namun
terdapat 1 transformator yang
diklasifikasikan menjadi sedang.
Selanjutnya 3 transformator
keadaan sedang dan 7
transformator keadaan rusak
dapat diklasifikasikan sesuai
dengan kondisi aslinya.

metode gabungan
(FCN) meliputi Fuzzy,

24

Kesimpulan dari penelitian ini


yaitu peneliti mengusulkan

2012

pada penelitian ini diperoleh dari Neural Network dan


survey dengan isian meliputi:
Case Based Reasoning
-

jenis usia

kelamin

informasi tentang keluarga

penggunaan obat-obatan
untuk darah tinggi

memiliki kadar gula darah


tinggi selama sakit

merokok

jumlah sayuran dan buah


yang dikonsumsi

olahraga

ukuran tubuh

lingkar pinggang

sering buang air kecil

rasa lapar yang meningkat

tingkat kehausan

25

sebuah pendekatan baru dengan


metode FNC yang diharapkan
dapat memudahkan pasien
melakukan tes medis untuk
mendiagnosa diabetes tanpa
berkonsultasi dengan dokter
sehingga pasien bisa melakukan
pencegahan lebih awal

1
0

Karan,
2012

luka yang sulit sembuh

gaya hidup

gestational diabetes

sering menkonsumsi
makanan non-vegetarian

gatal di sekujur tubuh

diagnosa diabetes. Masukan


pada penelitian ini yaitu:

three-layered Multilayer
Perceptron (MLP) feedforward neural network
yang dilatih dengan
algoritma error back
propagation

Uji coba pertama (1000 kali


iterasi):

umur

aktivitas fisik (ya/tidak)

kehamilan

diabetes pada keluarga

Uji coba kedua (2000 kali iterasi):

indeks massa tubuh

Nilai minimum eror dicapai saat:

ketebalan lipatan kulit

Learning rate: 0.95

kolesterol

Momentum: 0.05

tekanan darah diastol

Uji coba ketiga (3000 kali iterasi):

2 jam serum insulin

Nilai minimum eror dicapai saat:

diabetes pedigree

Learning rate: 0.85

26

Nilai minimum eror dicapai saat:


Learning rate: 0.75
Momentum: 0.25

konsentrasi glukosa
plasma

Momentum: 0.25
Uji coba keempat (4000 kali
iterasi):
Nilai minimum eror dicapai saat:
Learning rate: 0.95
Momentum: 0.15
Uji coba keempat (4000 kali
iterasi):
Nilai minimum eror dicapai saat:
Learning rate: 0.95
Momentum: 0.05

1
1

ShihChu Penelitian terhadap deteksi


ng, 2012 benjolan kecil pada paru-paru.
Data yang digunakan pada
penelitian ini yaitu hasil image
radiologi bagian dada.

Convolution Neural
Network (CNN) double
matching dengan
optimasi pembobotan
back propagation.

27

Hasil dari penelitian ini diambil


dari kurva ROC:
-

metode regular back


propagation neural
network: 0.65

the convolution network:


0.77

convolution network with

fuzzy: 0.83
1
2

Luangru prediksi diabetes dengan studi


metode
angrong, faktor risiko diabetes tipe 2
Backpropagation Neural
2012
Network (BNN)
Pada penelitian ini melibatkan
faktor risiko tradisional meliputi
usia, jenis kelamin, body mass
index (BMI), blood pressure (BP),
waist circumference (WC) dan
Family History (FMH). Selain itu
digunakan juga faktor konsumsi
alkohol dan merokok.

Faktor yang diajukan


menunjukkan nilai RMSE dan
akurasi masing-masing 0.71378
dan 83,65%. Sebagai tambahan,
penyesuaian learning rate
memberikan kinerja lebih baik
sebesar 84%. Dan terakhir,
metode yang diajukan
memberikan kinerja yang lebih
baik dibandingan dengan garis
dasar sebesar 1.2%

1
3

Wang,
2013

Tingkat pemerataan T2DM:

Risiko diabetes mellitus tipe 2.


Data yang digunakan pada
penelitian ini yaitu didapat dari
hasil survei pada daerah
pedesaan di provinsi Henan.
Partisipan berumur 35-74 tahun.
Didapatkan hasil 8640 subjek
data yang digunakan pada studi
ini dengan mengecualikan data
penduduk yang memiliki kondisi
berikut ini:

metode perbandingan
antara artificial neural
network (ANN) dan
multivariate regression
(MLR)

Training: 8.66% (n=561)


Validasi: 9.21% (n=199)
Hasil metode ANN:
Sensitivity: 86.93%
Specificity: 79.14%
Nilai prediktif positif: 31.86%
Nilai prediktif negative: 98.18%

28

1
4

Fedorov
a, 2013

kelainan psikologi

Hasil metode MLR:

cacat fisik

Sensitivity: 60.80%

kanker

Specificity: 75.48%

penyakit ginjal kronis

Nilai prediktif positif: 21.78%

penyakit Alzheimer

Nilai prediktif negative: 94.52%

dimensia selama 6 bulan

AIDS dan penyakit


menular lain. Selain itu
data dengan missing
value juga dihilangkan.

Nilai area dibawah kurva ROC


untuk identifikasi T2DM dengan
menggunakan model ANN adalah
0.891, menunjukkan kinerja
prediktif yang lebih akurat
dibandingkan dengan model MLR
(AUC=0.744) (P=0.0001)

Sistem pakar prediksi


kebangkrutan perusahaan
manufaktur Rusia.
Terdapat 7 kelompok fitur antara
lain:
-

clash-flow indicators

profitability indicators

metode Artificial Neural


Network (ANN) yang
digabungkan dengan
metode MDA, LR, CRT,
dan AdaBoost

29

Hasil MLP didapatkan lebih baik


daripada RBFN terutama yang
dibantu dengan CRT dan LR.
Secara berturut-turut hasil
akurasi dengan CRT dan LR 86.7
dan 87.8. MLP mengklasifikasi
100% bank pada training dan
95.5% pada proses validasi. Hasil
akurasi pada penggunaan

1
5

Juma,
2013

turnover indicators

liquidity and solvency


indicators

balance structure
indicators

indicators from classical


Western and Russian
models

indicators stipulated by
Russian legislation

Permasalahan sistem pakar


evaluasi aplikasi kredit bank
komersial Kenya.

metode ANN gabungan dengan


algoritma pembelajaran lain
yaitu 88.8%

metode ANN dengan


optimasi
backpropagation

Data yang digunakan sebagai


inputan disini ada 8 data yaitu:
-

current ratio

liquidity ratio

creditor days

30

Hasil penelitian ini dari 5 kali


percobaan pada proses training
dan 5 kali proses testing, peneliti
menetapkan bahwa 99% dapat
memberikan hasil yang serupa
dengan yang diberikan oleh
manusia setelah evaluasi
peminjaman

interest cover

collection period

stock turnover

gross gearing ratio

profits

1
6

Shen,
2014

masalah Quality Control


kuantitatif big data pada pasien
kanker

metode artificial neural


network (ANN)

Hasil dari penelitian dengan


mengimplementasikan big data
dan
ANN,
peneliti
dapat
menghasilkan metode QC yang
baik
untuk
meningkatkan
perawatan
kanker
dengan
radioterapi dan kemoterapi.

1
7

Pangarib
uan,
2014

Diagnosis Diabetes Mellitus.


Data yang digunakan pada
penelitian ini didapatkan dari
UCI Repository yang terdiri dari
populasi wanita umur 21 tahun
dan tinggal di Phoenix, Arizona
dengan jumlah data 768 orang
yang dibagi menjadi data
training dan data testing.

feed forward neural


network Extreme
Learning Machine (ELM)

Hasil rata-rata akurasi penelitian


ini menggunakan metode ELM
pada data training dan data
testing secara berturut-turut
yaitu 0.367 mse dan 0.393 mse.
Sedangkan menggunakan
metode backpropagation pada
data training dan data testing
secara berturut-turut yaitu 0.411

31

mse dan 0.842 mse. Nilai error


rate MSE keseluruhan untuk data
testing ELM adalah 0.4036 dan
pada metode backpropagation
adalah 0.9425
1
8

Kumar,
2014

diagnosa diabetes. Data yang


digunakan pada penelitian ini
didapatkan dari UCI machine
learning repository dengan 8
atribut ditambah atribut kelas
dalam dataset. Atribut tersebut
antara lain:
-

pregnancy frequency

plasma glucose test

diastolic BP

thickness of Triceps skin

serum insulin of two hours

body mass index

diabetes predigree
function

metode ant colony


optimized neural
network (ACO-NN)

32

hasil akurasi penelitian ACO-NN


menggunakan feature selection
lebih besar dibandingkan pada
ACO-NN tanpa feature selection
dan untuk jumlah eror pada ACONN menggunakan feature
selection lebih kecil
dibandingkan ACO-NN tanpa
feature selection.

1
9

2
0

Rather,
2015

Iturriaga
, 2015

age
class variable.

Sistem pakar hasil investasi


saham. Data yang digunakan
pada penelitian ini adalah data
asli saham berjumlah 6 yang
didapatkan dari National Stock
Exchange of India (NSE), data
tersebut antara lain TCS, BHEL,
Wipro, Axis Bank, Maruti, Tata
Steel.

Sistem pakar prediksi dan


visualisasi kebangkrutan pada
bank komersial U.S.
Data yang digunakan pada
penelitian ini yaitu

Recurrent Neural
Network, Hybrid
Prediction Model (HPM)
yang merupakan
gabungan dari metode
linier dan non-linier
meliputi Recurrent
Neural Network (RNN),
Exponential Smoothing
(ES), dan
Autoregressive Moving
Average Model (ARMA)

hasil model AR dan ES, nilai MSE


dan MAE kedua model tinggi
serta korelasinya rendah.

kombinasi dari
multilayer perceptrons
(MLP) dan selforganizing maps (SOM)

Hasil akurasi 1-3 tahun sebelum


kebangkrutan:

DA, LR, RF, dan SVM

33

model RNN dan model HPM


dapat memprediksi terjadinya
peningkatan tajam pada data
(fluktuasi), sedangkan model
MLP yang diuji tidak dapat
memprediksi peningkatan tajam
secara mendadak.
kinerja HPM melampaui RNN,
dengan minimnya eror dan
korelasi tinggi antara hasil
prediksi dan target

DA:
1 tahun: 77.88%

menggunakan data yang


didapat dari Federal Deposit
Insurance Corporation (FDIC).
Peneliti menyeleksi sebanyak 32
variabel yang berpotensial jelas
untuk risiko kebangkrutan.
Variabel ini diseleksi dengan
mengadaptasi kriteria untuk
memperbaiki hasil dari model.
Rasio dikelompokkan menjadi 5
himpunan variabel yang
berbeda. Rasio 1-14 mengukur
pendapatan bank, 15-21
menaksir struktur asset setiap
bank, 22-25 penelitian lebih
dalam terhadap asset dan
menaksir portofolio
peminjaman, 26-29 mengukur
konsentrasi risiko, dan 30-32
terkait kemampuan pelunasan
hutang.

(sebagai pembanding)

2 tahun: 74.04%
3 tahun: 70.19%
LR:
1 tahun: 81.73%
2 tahun: 81.73%
3 tahun: 75%
RF:
1 tahun: 87.50%
2 tahun: 78.85%
3 tahun: 75.96%
MLP:
1 tahun: 93.27%
2 tahun: 85.58%
3 tahun: 82.69%
SVM:
1 tahun: 89.42%
2 tahun: 87.50%

34

3 tahun: 82.69%
MLP-SOM:
1 tahun: 96.15%
2 tahun: 90.38%
3 tahun: 84.62%
2
1

HeBoong,
2015

Sistem pakar pemodelan


produksi two-stage sequential
pada bank besar di U.S.
Data yang digunakan pada
penelitian ini yaitu untuk lapisan
input terdiri dari employees,
equity dan expenses. Dan pada
lapisan tengah terdapat
deposits, loans, dan
investments.

Hsiao-

Prediksi risiko kanker hati pada

model data
envelopment analysis
(DEA) dan back
propagation neural
network (BPNN)

memprediksi level profit yang


dibutuhkan setiap DMU untuk
mencapai kinerja targetnya, juga
memprediksi kenaikan profit
diperlukan untuk memperoleh
level kinerja yang diinginkan,
contohnya pada model BPNN
pertama memprediksi efisiensi
RBS yang ditandai dengan profit
negative dari 3,000$USM 0.453.
Kemudian modul BPNN kedua
memprediksi kenaikan profit 493
(1,014 1,486) untuk DMU
mencapai 1/3 (2/3 ekuivalen)
dari kinerja tahap pertama.

artificial neural network

Hasil dari penelitian ini yaitu

35

Hsien,
2015

penderita diabetes mellitus tipe


2.

(ANN) dan logistic


regression (LR)

Data yang digunakan pada


penelitian ini yaitu didapatkan
dari National Health Insurance
Research Database (NHIRD)
Taiwan, yang mencakup kira-kira
22 juta orang. Dalam studi ini,
penulis menyeleksi pasien yang
baru didiagnosa dengan tipe II
diabetes selama periode 20002003, dengan tidak ada
diagnosa kanker sebelumnya.
2
3

Nongyao Penelitian terhadap klasifier


, 2015
risiko prediksi diabetes.
Data yang digunakan diperoleh
dari 26 Primary Care Unit (PCU)
rumah sakit Sawanpracharak
selama tahun 2012-2013. Input
untuk penelitian ini yaitu:
-

Body Mass Index (BMI)

metode Decision Tree,


Artificial Neural
Network, Logistic
Regression dan Nave
Bayes.

submodel 1 memiliki sensitivity,


specificity yang terbaik. Untuk
AUC submodel 2 dan 3 memiliki
hasil yang lebih baik dari
submodel 1. Pada submodel 1
hasil akurasi ANN lebih baik
daripada LR. Model ANN optimal
dihasilkan pada submodel 1
dengan memiliki 25 lapisan
input, 4 hidden dan 2 output

Hasil penelitian ini yaitu pada


lima teratas adalah model
Random Forest, Bagging with
decision tree, Bagging with
artificial neural network,
Decision tree dan Boosting
teknik Bagging dan
dengan decision tree
Boosting diteliti untuk
yaitu85.558%, 85.333%,
meningkatkan
ketahanan model-model 85.324%, 85.090%, dan
84.815%. Sebagian besar

36

2
4

Murali,
2015

Age

Weight

Height

systolic blood pressure

diastolic blood pressure

history of diabetes in
family

history of hypertension in
family

alcohol drinking

smoking behavior

sex

Penelitian mendesain siRNA


yang optimal.
Data yang digunakan untuk
proses training didapatkan dari
Huesken dataset yang terdiri
dari 2431 siRNA dari 30 gen.
Sedangkan untuk proses tes

tersebut

berdasar Decision Tree


Algorithms. Keakuratan yang
paling rendah adalah Model
Bagging with Nave Bayes yaitu
80.960%.
Lima nilai ROC Curve tertinggi
adalah model Random Forest,
Bagging with Decision Tree,
Bagging with Artificial Neural
Network, Boosting with Artificial
Neural Network dan Artificial
Neural Network yaitu 0.912,
0.906, 0.903, 0.901 dan 0.896.
Sementara yang terendah adalah
model Nave Bayes, 0.855

multi-layer perceptron
feed-forward neural
network dengan
training menggunakan
algoritma Scaled
Conjugate Gradient
untuk menghitung skor
akhir setiap siRNA.

37

Hasil penelitiannya OpsiD


memiliki nilai sensitivity tertinggi
yaitu 0.69 dan specificity 0.83.
Nilai specificity memiliki nilai
lebih rendah dibandingkan
Biopredsi. Namun sistem ini telah
mengalami peningkatan
kemampuan prediksi. Secara

2
5

Erkayma
z, 2016

menggunakan 2 dataset yaitu


419 siRNA dan 476 siRNA.

Berbagai algoritma
neural network seperti
classic
Backpropagation,
Resilient propagation
(RProp) dan scaled
Conjugate Gradient
(SCG) juga dicoba.

keseluruhan, analisa yang


dilakukan telah menunjukkan
bahwa perubahan kinerja model
aplikasi yang digunakan dalam
accuracy, MCC, dan sensitivity
mengalami peningkatan
daripada model lain

Diagnosa diabetes. Penelitian ini


menggunakan Pima indian
diabetic dataset (PIDD) yang
diambil dari UCI machine
learning repository. Data yang
diamati meliputi 768 sample
dan dua kelompok (normal: 500,
diabetes: 268). Masing-masing
sampel memiliki 8 ciri dan 1
respon. Fitur pada data tersebut
antara lain:

Small-World Feed
Forward Artificial
Neural Network (SWFFANN)

Hasil penelitian ini yaitu


sensitivity, specificity, dan
accuracy secara berturut-turut
pada FFANN konvensional
0.6000, 0.9231, 83.33%.
Sedangkan pada SW-FFANN yaitu
0.8500, 0.9615, dan 91.66%

number of times pregnant

plasma glucose
concentration

38

diastolic blood pressure

triceps skin fold thickness

2-hour serum insulin

body mass index

diabetes pedigree
function

age

result

39

2.2 Sistem Pakar


Evaluasi data pasien dan keputusan pakar menjadi suatu hal
yang sangat penting dalam melakukan diagnosa penyakit. Dalam
upaya untuk membantu kerja pakar dan menghindari terjadinya
kesalahan dalam pengambilan keputusan disebabkan kondisi
fisik pakar yang sakit ataupun kurang pengalaman dibutuhkan
suatu sistem klasifikasi yang menyimpan informasi dari data
medis untuk dianalisa dengan waktu yang lebih cepat dan lebih
detil (Temurtas, 2009). Sistem tersebut disebut sistem pakar.
Sistem pakar adalah sebuah sistem berbasis komputasi yang
menggunakan pengetahuan pada bidang spesifik untuk
menentukan solusi dari suatu permasalah pada bidang tersebut
(Pangaribuan, 2014). Terdapat pengertian lain dari sistem pakar
yaitu sebuah program komputer yang melakukan tugas layaknya
pakar manusia (Gallant dalam Juma, 2013). Sistem pakar adalah
suatu sistem berbasis pengetahuan yang dapat melakukan
penalaran sendiri, dengan pengetahuan berasal dari konsultasi
pakar (Tyler dalam Juma, 2013). Sistem pakar terdiri dari
beberapa komponen meliputi: antarmuka, knowledge base,
inference engine, dan working memory.

40

Gambar 2.1 Diagram Komponen Sistem Pakar


Sumber: Juma, 2013
User Interface: Antarmuka perangkat lunak yang
menghubungkan pengguna dengan sistem pakar
Knowledge Base: komponen sistem pakar yang didalamnya berisi
fakta dan aturan berdasarkan pengetahuan yang didapatkan dari
pakar melalui perantara knowledge engineer.
Mesin inferensi: suatu bagian dimana terjadi pemrosesan
informasi yang didapatkan dari inputan pengguna dengan
disesuaikan dengan aturan-aturan serta pengetahuan pakar yang
tersimpan dalam knowledge base.

2.3 Artificial Neural Network


Artificial Neural Network adalah salah satu bidang ilmu dalam
kecerdasan buatan yang memiliki kemampuan untuk melakukan
penalaran dari contoh maupun menyesuaikan dengan situasi
baru (Chu dalam Acar, 2009). Neural network umumnya terdiri
41

dari sebuah himpunan neuron, pola hubungan, propagation rule,


activation rule, fungsi transfer dan learning rule (Rumelhart &
McClelland dalam Acar, 2009). ANN terdiri dari 2 fase yaitu
tahapan training dan tahapan tes. Terdapat macam-macam
arsitektur dari neural network yang dapat digunakan untuk
berbagai kategori permasalahan. Tiap arsitektur berbeda satu
dengan yang lainnya berdasarkan tipe elemen (Rumelhart &
McClelland dalam Acar, 2009).

2.3.1 Multi Layer Perceptron


MLP adalah salah satu dari feed-forward neural network dengan
minimal 1 hidden layer. MLP terdiri dari feed-forward neural
network yang saling terhubungan dengan sebuah input, sebuah
output, dan satu atau lebih hidden layer dengan susunan paralel.
MLP adalah satu dari banyak model neural network yang sering
digunakan. Model MLP termasuk dalam supervised neural
networks, yaitu model pembelajaran suatu pola berdasarkan pola
latih yang sudah ada (ada target/acuan pembelajaran). Model ini
sebelum digunakan untuk menentukan solusi dari data tes,
dilakukan proses training terlebih dahulu sehingga NN dapat
memperkirakan fungsi non-linier berdasarkan pasangan inputoutput yang ada (Acar, 2009).
Berikut adalah langkah metode yang digunakan:
1. Inisialisasi: menetapkan semua bobot dan bias menjadi
nilai riil yang acak
2. Presentasi input dan output yang diinginkan:
mempresentasikan vektor input x(1), x(2),, x(N) dan
respon terkait yang diinginkan d(1), d(2), d(N), satu
pasang pada saat yang sama, dimana N adalah jumlah
pola training
3. Menghitung output aktual: menggunakan rumus berikut
ini:
1)
W (M1)
x(M
+b(i M 1 )
ij
j
N M1

, i=1, , N M1

(2.1)

j=1

Y i=
4. Memperbarui bobot dan bias:
42

( l1)
( l1 )
W ij ( n )= . x j ( n ) . i (n)
b (il1) ( n )= . (il1) (n)
dimana

(il1) ( n )=

( )
' ( net l1
i ) [ d i y i n ] , l=M

' ( net l1
) W ki . (kl ) ( n ) , 1 l M
i

(2.2)
(2.3)

(2.4)

Jika proses latih telah selesai dilakukan, bobot MLP


ditetapkan dan siap digunakan untuk model testing.
Berikut ini adalah model ANN yang digunakan untuk diagnosa
diabetes:

Gambar 2.2 Struktur Multi Layer Perceptron yang


digunakan untuk diagnosa diabetes
Sumber: Acar, 2009

2.4 Differential Evolution


Differential evolution adalah pendekatan baru dalam algoritma
evolusi. Algoritma ini terdiri dari 4 tahap: inisialisasi, mutasi,
rekombinasi, dan seleksi.
Dalam sebuah populasi dari solusi didalam daerah pencarian ndimensional, jumlah yang pasti dari vektor secara acak
diinisialisasi, kemudian dikembangkan selama beberapa waktu
43

untuk mengeksplorasi daerah pencarian dan menemuka minima


dari fungsi objektif. Didalam sebuah generasi, vektor baru
dihasilkan dengan kombinasi dari vektor yang secara acak dipilih
dari populasi saat ini (mutasi). Vektor yang dihasilkan kemudian
digabung dengan vektor target yang ditentukan sebelumnya.
Operasi ini disebut rekombinasi dan produksi vektor percobaan.
Terakhir, vektor percobaan diterima untuk generasi berikutnya
jika dan hanya jika vektor tersebut mereduksi nilai dari fungsi
objektif. Operator terakhir ini dianggap sebagai seleksi (Chauhan,
2009).

2.5 Diabetes
Penyakit Diabetes Mellitus merupakan penyakit gangguan
metabolisme dimana pankreas tidak dapat memproduksi insulin
atau tubuh tidak dapat menggunakan insulin dengan baik
(Mohammed dalam Temurtas, 2009). Insulin merupakan hormon
yang berfungsi untuk mengatur keseimbangan glukosa darah
pada tubuh. Jika insulin tidak diproduksi atau tidak dapat bekerja
dengan baik akan mengakibatkan tingginya kandungan glukosa
pada darah yang disebut Hiperglikemia (Sumadewi dalam
Pangaribuan, 2014). Penyakit Diabetes digolongkan menjadi 3
yaitu tipe 1, tipe 2 dan gestasional. Diabetes tipe 1 yaitu
keadaan dimana pankreas tidak dapat memproduksi insulin,
sedangkan
tipe
2
adalah
keadaan
dimana
pankreas
memproduksi insulin namun tubuh tidak dapat menggunakan
insulin tersebut untuk menjaga tingkat gula darah dan tipe
gestasional adalah keadaan tingginya gula darah pada wanita
saat hamil (Thirugnanam, 2012).

2.5.1 Diabetes Tipe 1


Grup riset The Diabetes Control and Complications Trial (DCCT)
pada tahun 1993 menggarisbawahi manfaat yang signifikan
dalam memperbaiki kontrol glikemik dengan perawatan intensif.
Namun, efek yang paling umum dan paling ditakuti dari terapi
intensif adalah naiknya risiko hypoglycemia (tingkat gula darah
yang rendah). Dalam DDCT, pasien yang pernah mendapatkan
terapi intensif mengalami 3x kenaikan timbulnya hipoglikemik
dibandingkan
dengan
mereka
yang
menerima
terapi
konvensional. Episode hipoglikemik ditandai dengan pasien yang
memiliki tingkat glukosa darah < 60 mg/dl (3.33 mmol/l).
44

Hipoglikemik parah ditandai dengan tingkat glukosa darah <


50mg/dl (2.8 mmol/l) dan penderitanya membutuhkan
pertolongan untuk merawat keadaannya saat itu.
Hypoglycemia berkembang ketika tingkat glukosa masuk
kedalam sirkulasi sistemik dikurangi secara relatif terhadap
asupan glukosa oleh jaringan. Hal ini biasanya secara natural
dibenarkan dengan kombinasi dari jumlah mekanisme
pertahanan. Pada mulanya, penurunan dalam sekresi insulin
dalam responnya untuk kemerosotan tingkat glukosa darah
terjadi. Ketika tingkat glukosa turun secara berkelanjutan, jumlah
faktor-faktor penghambat pengaturan glukosa yang berlebihan
diaktifkan secara sekuen pada batas tertentu untuk menjamin
asupan glukosa yang cukup ke otak dan metabolism jaringan
sistem syaraf pusat yang lain. Faktor penghambat pengaturan ini
terdiri dari glukagon, epinefrin, growth hormone, kortisol, dan
hormone lain.
Pada pasien diabetes mellitus tipe 1 (T1DM) yang menjalani
terapi intensif insulin, jatuhnya konsentrasi glukosa plasma
sering tidak mendapatkan respon penghambat pengaturan pada
batas glikemik normal, memungkinkan tingkat glukosa untuk
turun pada nilai rendah yang berbahaya. Setelah bertahun-tahun
dari diabetes tipe 1, respon sekretori glukagon bisa menjadi
kekurangan. sebagai tambahan, gejala peringatan mungkin
hilang pada beberapa kasus, dan episode dapat menyebabkan
reaksi akut serius yang dikenal sebagai ketidaksadaran
hypoglycemia. Studi pada pasien T1DM telah menunjukkan
bahwa sedikitnya dua episode dari telah menunjukkan bahwa
sedikitnya dua episode dari hypoglycemia yang sebelumnya
dapat menumpulkan respon ke hypoglycemia berikutnya.
Gejala dari hyploglycemia muncul dari aktivasi sistem jaringan
pusat otonom (gejala otonom) dan dari pengurangan konsumsi
glukosa pada otak (gejala neuroglycopenic), beberapa yang
terakhir ini berpotensi mengancam hidup. Gejala otonom
(contoh:
tachycardia,
palpitasi,
kegoyahan,
berkeringat)
diaktifkan sebelum gejala neuroglycopenic (contoh: pengurangan
konsentrasi, penglihatan kabur, pusing). Gejala otonom dapat
memberikan
indikasi
awal
adanya
hypoglycemia
dan
memungkinkan pasien untuk mengenali kondisi ini dari awal.

45

Nocturnal hypoglycemia secara khusus berbahaya karena


pengurangan tidur dan dapat mengaburkan respon kontraregulasi, sehingga episode awal yang ringan dapat menjadi
parah. Risiko hypoglycemia yang parah tinggi pada malam hari,
dengan setidaknya 50% dari semua episode parah yang terjadi
selama waktu itu. Kontra-regulasi glukosa yang kekurangan
dapat juga menyebabkan hypoglycemia parah walaupun dengan
ketinggian insulin yang rendah. Pengaturan nocturnal glycemia
semakin rumit dikarenakan fenomena subuh. Ini adalah
konsekuensi dari perubahan nokturnal dalam sensitivitas insulin
sekunder untuk menumbuhkan sekresi hormon: pengurangan
kebutuhan insulin kira-kira antara tengah malam dan jam 5 pagi
diikuti dengan peningkatan kebutuhan antara jam 5 pagi hingga
8 pagi.

2.5.2 Diabetes Tipe 2


Diabetes tipe 2 dimana tubuh tubuh gagal dalam menggunakan
insulin. Dalam tipe 2 ini tubuh tidak mampu memproduksi cukup
insulin atau sel tubuh mengabaikan insulin (Polat dalam
Temurtas, 2009).

46

BAB 3 METODOLOGI
Pada bab ini akan dibahas mengenai metode yang digunakan
beserta tahap-tahap implementasi Diagnosa Penyakit Diabetes
Mellitus Menggunakan Metode Differential Evolution FeedForward Multi Layer Perceptron. Adapun tahap metodologi
penelitian dan diagram blok metodologi penelitian ditunjukkan
pada Gambar 3.1

Gambar 3.1 Diagram Blok Metodologi Penelitian


Sumber: Perancangan

3.1 Studi Literatur


Pada penelitian ini memerlukan studi literatur dari dasar
teori yang secara detail telah dibahas pada bab 2. Dasar
teori disusun berdasarkan refererensi yang diperoleh dari
artikel, buku, jurnal, konferensi serta penelitian-penelitian
terkait baik nasional maupun internasional dan bimbingan
secara langsung dari pembimbing dalam proses penelitian
ini.
Studi
literatur
digunakan
sebagai
pedoman
pengetahuan
dasar
dalam
melakukan
analisis,
perancangan, implementasi dan pengujian dalam tahaptahap penelitian. Berikut merupakan dasar teori yang
dibutuhkan sebagai pendukung penelitian ini antara lain:
1. Kajian pustaka
2.
Sistem pakar
3.
Artificial Neural Network
4.
Multi Layer Perceptron
5.
Teori evolusi Differential Evolution

47

3.2 Pengumpulan Data


Pada penelitian ini menggunakan himpunan data Pima
Indians Diabetes Data Set yang didapatkan dari UCI
Learning Data Repository. Pada data ini terdiri dari data
pasien yang keseluruhan berjenis kelamin perempuan
berumur 21 tahun di daerah Pima Indian. Data terdiri dari
768 data dengan 8 atribut bertipe numerik. Data tersebut
nantinya akan dibagi menjadi 2 kelompok untuk data
training dan data testing. Atribut tersebut antara lain:
1. Number of times pregnant
2. Plasma glucose concentration a 2 hours in
an oral glucose tolerance test
3. Diastolic blood pressure (mm Hg)
4. Triceps skin fold thickness (mm)
5. 2-hour serum insulin (mu U/ml)
6. Body mass index (weight in kg/(height in
m)^2)
7. Age (years)
8. Class variable (0 or 1)

3.3 Analisis Kebutuhan


Tahapan ini dilakukan untuk menentukan apa saja yang
dibutuhkan dalam penyusunan Sistem Pakar Penentuan
Peminjaman Kredit pada Bank Menggunakan Metode Nave
Bayes. Berikut ini adalah kebutuhan dalam penyusunan
perangkat lunak Sistem Pakar Penentuan Peminjaman
Kredit pada Bank Menggunakan Metode Nave Bayes:
1. Kebutuhan perangkat keras yaitu komputer dengan
spesfikasi minimal sebagai berikut:
a. Intel(R)Pentium(R) CPU P6200 @ 2.13 GHz
b. RAM 2 GB
c. Hardisk dengan kapasitas 360 GB
d. Monitor 14 inch
2. Kebutuhan perangkat lunak meliputi:
Sistem operasi: Windows/Linux/Mac OS dan sistem
operasi lain
Web browser: Mozilla Firefox, Chrome, Opera, Safari, dan
web browser lain
Software pendukung lain: XAMPP, Notepad ++

3.4 Perancangan
Perancangan sistem dibuat untuk rancangan langkah kerja dari
sistem secara menyeluruh, baik dari segi model maupun dari
segi arsitektur untuk mempermudah implementasi dan
pengujian. Langkah kerja dalam sistem disesuaikan dengan
48

arsitektur sistem pakar.

3.4.1 Model Perancangan


Model perancangan sistem menjelaskan mengenai cara kerja
sistem secara terstruktur mulai dari input yang dimasukkan
hingga mendapatkan hasil. Diagram model perancangan sistem
dapat dilihat pada gambar berikut ini:
Input

Proses

normalisasi

Input gejala diabetes

output

Diagnosa penyakit

Proses training
Saran pengobatan
Proses testing

Menghasilkan diagnosa penyakit diabetes

Gambar 3.2 Model Perancangan SIstem


Sumber: (Perancangan)

3.4.2 Arsitektur Sistem Pakar


Arsitektur Sistem Pakar Deteksi Dini Penyakit Stroke
Menggunakan Metode Fuzzy Nave Bayes yang digunakan dapat
dilihat pada gambar berikut ini:

49

Lingkungan pengembangan

Lingkungan Konsultasi

Pengguna

Gejala penyakit
diabetes

Antarmuka

Basis pengetahuan
Pengetahuan gejala penyakit, penyebab, dan solusi

Fasilitas penjelas
Representasi pengetahuan

Hasil diagnosa
Saran pengobatan

Mesin
Inferensi
Knowledge

Akuisisi

Blackboard
Gejala inputan pengguna
Proses ANN
Hasil diagnosa sebelum ditampilkan

Pengetahuan

Perbaikan
Pengetahuan
Pakar

Gambar 3.3 Arsitektur Sistem Pakar


Sumber: (Perancangan)

3.5 Implementasi
Implementasi sistem adalah tahapan membangun sistem yang
mengacu pada perancangan sistem pakar dan menerapkan hal
yang telah didapatkan dalam proses studi literatur. Fase-fase
yang ada dalam implementasi antara lain :
-

Implementasi interface, menggunakan software Notepad +


+

Implementasi basis data dengan menggunakan DBMS


MySQL pada server localhost (XAMPP) yang bertujuan

50

untuk memudahkan melakukan manipulasi dan penyimpan


data.
-

Implementasi algoritma, melakukan perhitungan dengan


metode Multi Layer Perceptron Differential Evolution
kedalam bahasa pemrograman PHP.

Implementasi ini akan menghasilkan deteksi dini adanya


kemungkinan pasien menderita penyakit diabetes dan
saran pengobatan yang harus diberikan kepada pasien
untuk menangani penyakit diabetes sesuai dengan tipe
diabetes.

3.6 Uji Coba


Uji coba sistem dilakukan untuk mengetahui apakah sistem
berjalan dengan baik dan sesuai dengan spesifikasi kebutuhan
yang telah ditetapkan dapat berjalan dengan baik. Uji coba
sistem dilakukan dengan cara membandingkan hasil diagnosa
penyakit yang ideal dari pakar dengan hasil diagnosa sistem. Uji
coba sistem dilakukan dengan menguji tingkat akurasi sistem
yaitu dengan cara menghitung nilai kebenaran setiap melakukan
pengujian pada setiap data. Uji akurasi dilakukan seperti pada
persamaan berikut:
nilai akurasi=

jumlah n data akurat


x 100
jumlah seluruh data

(2.5)

3.7 Kesimpulan
Kesimpulan dilakukan setelah semua tahapan perancangan,
implementasi dan pengujian metode yang diterapkan sudah
selesai dilakukan. Kesimpulan diambil dari hasil pengujian dan
analisis metode. Tahap terakhir dari penulisan adalah saran yang
dimaksutkan untuk memperbaiki kesalahan yang terjadi serta
memberikan pertimbangan untuk pengembangan selanjutnya.

51

DAFTAR PUSTAKA
Adnan Khashman, 2010. Neural Networks For Credit Risk
Evaluation: Investigation Of Different Neural Models And
Learning Schemes, Vol. 37, pp. 6233-6239.
Ahmed E. B. Abu-Elanien, M. M. A. Salama, Malak Ibrahim, 2011.
Determination of Transformer Health Condition Using
Artificial Neural Networks, pp. 1-5.
Akhter Mohiuddin Rather, Arum Agarwal, V. N. Sastry, 2015.
Recurrent Neural Network and a Hybrid Model for Prediction
of Stock Returns, Vol. 42, pp. 3234-3241.
Chongjian Wang, Linlin Li, Ling Wang, Zhiguang Ping, Muanda
Tsobo Flory, Gaoshuai Wang, Yuanlin Xi, Wenjie Li, 2013.
Evaluating The Risk Of Type 2 Diabetes Mellitus Using
Artificial Neural Network: An Effective Classification
Approach, Vol. 100, pp. 111-118.
Elena Fedorova, Evgenii Gilenko, Sergey Dovzhenko, 2013.
Bankruptcy Prediction For Russian Companies: Application Of
Combined Classifiers, Vol. 40, pp. 7285-7293.
Felix J. Lopez Iturriaga, Ivan Pastor Sanz, 2015. Bankruptcy
Visualization and Prediction using Neural Networks: A Study
of U.S. Commercial Banks, Vol. 42, pp. 2857-2869.
Hasan Temurtas, Nejat Yumusak, Feyzullah Temurtas, 2009. A
Comparative Study On Diabetes Disease Diagnosis Using
Neural Networks, Vol. 36, pp. 8610-8615.
He-Boong Kwon, Jooh Lee, 2015. Two-Stage Production Modeling
Of Large U.S. Banks: A DEA-Neural Network Approach, Vol.
42, pp. 6758-6766.
Hong Shen, Jinglei Meng, Licheng Yu, Xuefeng Fang, Tianzhou
Chen, Hui Yan, Honglun Hou, 2014. A Quantitative Quality
Control Method Of Big Data In Cancer Patient S Using
Artificial Neural Network, pp. 499-504.
Hsiao-Hsien Rau, Chien-Yeh Hsu, Yu-An Lin, Suleman Atique, Anis
Fuad, Li-Ming Wei, Ming-Huei Hsu, 2016. Development Of A
Web-Based Liver Cancer Prediction Model For Type II
Diabetes Patients By Using An Artificial Neural Network, Vol.
125, pp. 58-65.
Hung T. Nguyen, Nejhdeh Ghevondian, Timothy W. Jones, 2006.
Neural-Network Detection of Hypoglicemic Episodes in
Children with Type 1 Diabetes using Physiological
Parameters, New York City, USA, Aug 30 Sept 3, 2006, pp.
6053-6056.
52

Jane Juma, David Gichoya, 2013. Artificial Neural Network based


Expert System for Loan Application Evaluation: Case of
Kenya Commercial Bank, pp. 1-11.
Jefri Junifer Pangaribuan, Suharjito, 2014. Diagnosis of Diabetes
Mellitus Using Extreme Learning Machine, pp. 33-38.
Kementrian Kesehatan RI Pusat Data dan Informasi, 2014,
Infodation Situasi dan Analisis Diabetes.
Manoj Kumar, Anubha Sharma, Sonali Agarwal, 2014. Clinical
Decision Support System for Diabetes Disease Diagnosis
Using Optimized Neural Network, pp. 1-6.
Melek Acar Byacioglu, Yakup Kara, Omer Kaan Baykan, 2009.
Predicting Bank financial Failures Using Neural Networks,
Support Vector Machines And Multivariate Statistical
Methods: A Comparative Analysis In The Sample Of Savings
Deposit Insurance Fund (SDIF) Transferred Banks In Turkey,
Vol. 36(2), pp. 3355-3366.
Mohamed M. Mostafa, 2009. Modeling The Efficiency Of Top Arab
Banks: A DEANeural Network Approach, Vol. 36(1), pp. 309320.
Myoung-Jong Kim, Dae-Ki Kang, 2010. Ensemble with Neural
Networks for Bankruptcy Prediction, Vol. 37, pp. 3373-3379.
Mythili Thirugnaman, Dr Praveen Kumar, S Vignesh Srivatsan,
Nerlesh C R, 2012. Improving the Prediction Rate of Diabetes
Diagnosis Using Fuzzy, Neural Network, Case Based (FNC)
Approach, Vol. 38, pp. 1709-1718.
Nongyao Nai-arun, Rungruttikarn Moungmai, 2015. Comparison
of Classifiers for the Risk of Diabetes Prediction, Vol. 69, pp.
132-142.
Novo Nordisk, 2013. The Blueprint for Change Programme Where
Economics and Health Meet: Changing Diabetes in Indonesia.
Nikunj Chauhan, V. Ravi, D. Karthik Chandra, 2009. Differential
Evolution Trained Wavelet Neural Networks: Application To
Bankruptcy Prediction In Banks, Vol. 36, pp. 7659-7665.
Oguz Karan, Canan Bayraktar, Haluk Gumuskaya, Bekir Karlik,
2012. Diagnosing Diabetes Using Neural Networks On Small
Mobile Devices, Vol. 39, pp. 54-60.
Okan Erkaymaz, Mahmut Ozer, 2016. Impact Of Small-World
Network Topology On The Conventional Artificial Neural
Network For The Diagnosis Of Diabetes, Vol. 83, pp. 178-185.
Reena Murali, Philips George John, David Peter S, 2015. Soft
Computing Model For Optimized Sirna Design By Identifying

53

Off Target Possibilities Using Artificial Neural Network Model,


Vol. 562, pp. 152-158.
Shih-Cung B. Lo, Shyh-Liang A. Lou, Jyh-Shyan Lin, Matthew T.
Freedman, Minze V. Chien, Seong K. Mun,1995. Artificial
Convolution Neural Network Techniques And Applications For
Lung Nodule Detection, Vol. 14, pp. 711-718.
Wuttichai
Luangruangrong,
Annupan
Rodtook,
Sanon
Chimmanee, 2012. Study Of Type 2 Diabetes Risk Factors
Using Neural Network For Thai People And Tuning Neural
Network Parameters, pp. 991-996.

54