Volvo Sihombing Informatika : Jurnal Ilmiah AMIK Labuhan Batu

Vol.4 No.2 /Mei/2016

PENERAPAN METODE PERCEPTRON MENGIDENTIFIKASI PENYAKIT

TUBERCULOSIS ( TBC ) PRIMER PADA ANAK
( STUDI KASUS PUSKESMAS BAGAN BATU, KAB.ROKAN HILIR, RIAU )

Oleh :

Volvo Sihombing
Dosen Prodi Manajemen Informatika, AMIK Labuhanbatu
Rantauprapat, Medan; volvo_choky@yahoo.com

Abstract
Based on the data from healty ministry of Republic of Indonesia in 2013 said Tuberculosis
disease for children now is growing so fast. This TBC is not “contaminate” but still dangerous for the
children itself. Perceptron method is the best method in Artificial Intelligence system it can be used in
identifying the pattern very well, because this Perceptron method has the learning process that can
generate the convergent weight so the output value equal to target every single input. The way to
determine the inputs for testing is used the criteria “identified and disidentified”, so that in this research
applying JST will really helpful doctor in diagnosing early properly, because the result of real diagnosing
is really helpful in decreasing the contaminated of Primary TBC. The accuracy with 15 samples of
training data produce 60%, while the testing data proving 100% that this method can identify the disease
pattern.

Keywords: Perceptron, Single Layer, Neural Network, Primer Tubercolosis

I. PENDAHULUAN Perceptron ini cukup ampuh untuk mengenali gejala

TBC ( Tubercolosis) merupakan penyakit yang
mematikan dan menular. Penyakit TBC merupakan
masalah utama kesehatan masyarakat di Indonesia.
Menurut [1] 2013 penyakit TBC merupakan
penyebab kematian nomor tiga setelah penyakit
kardiovaskuler dan penyakit saluran pernafasan
pada semua kelompok umur. WHO mendukung
Xpert MTB/RIF pada tahun 2010 dan telah
mengeluarkan rekomendasi pada tahun 2011 untuk
menggunakan Xpert MTB/RIF. Update
rekomendasi WHO tahun 2013 menyatakan
pemeriksaan Xpert MTB/RIF dapat digunakan
untuk mendiagnosis TB MDR pada anak, dan dapat
digunakan untuk mendiagnosis TB pada anak ada
beberapa kondisi tertentu yaitu tersedianya
teknologi ini memperkirakan setiap tahun terjadi
583.000 kasus baru TBC dengan kematian sekitar
140.000. Tuberculosis primer pada anak kurang
membahayakan masyarakat karena kebanyakan
tidak menular, tetapi bagi anak itu sendiri cukup
berbahaya oleh karena dapat timbul TBC ekstra
thorakal yang sering kali menjadi penyebab
kematian atau menimbulkan cacat. Metode
– gejala fisik pada anak dengan menggunakan pola
khusus dan perhitungan matematis yang akan
dibuat untuk proses sample dan testing. Selain itu
jaringan syaraf tiruan dengan metode perceptron
dapat menciptakan suatu pola pengetahuan melalui
pengaturan dan pembelajaran sehingga kemampuan
ini dapat mengidentifikasi TBC Primer pada anak.
II. DASAR TEORI
Epidemilogi Tuberkulosis adalah rangkaian
gambaran informasi yang menjelaskan beberapa hal
terkait orang, waktu dan lingkungan. Tuberculosis
adalah penyakit menular langsung yang disebabkan
oleh kuman [1]TB(Mycobacterium tuberculosis).
Besaran masalah TB anak berusia kurang dari 15
tahun adalah 40-50%, seperti pada gambar I jumlah
populasi TB Anak.

26 | P a g e
Volvo Sihombing Informatika : Jurnal Ilmiah AMIK Labuhan Batu
Vol.4 No.2 /Mei/2016

sebuah neuron akan mengolah N input (x1, x2, ... ,

xN) yang masing-masing memiliki bobot wl, w2, ... ,
wN dan bobot bias b, dengan rumus :
N
a  b   xi wi
i 1

b. Fungsi Threshold (Batas ambang)

f(y) = 1 y≥0
Gambar 1. Jumlah populasi berdasarkan usia. 0y<0
Sekurang-kurang nya 500.00 anak menderita TB fungsi ini menentukan batas ambang antara target
setiap tahun, 200 anak meninggal setiap hari dengan keluaran jaringan.
didunia, 700 anak meninggal setiap tahun akibat
TB. c. Gambar III Model Arsitektur JST
Perceptron
a. Diagnosis TB Anak
Tuberkulosis merupakan penyakit infeksi
sistemik/umum dan khusus. Gejala umum/sistemik
dan khusus.

Tabel I. Gejala umum dan khusus

IV. HASIL DAN PEMBAHASAN

Data yang dikumpulkan 20 sampel data
dalam penelitian ini. Data mentah akan
ditransformasi kedalam bentuk biner 0 dan 1. Data
Dari diagnosis TB Anak ini yang nantinya mentah sebagai berikut tabel II:
akan ditransformasi kedalam bentuk matematis
Pasi X X X X X X X X Targ
dengan menggunakan Metode Perceptron
en 1 2 3 4 5 6 7 8 et
Ke-
III. METODE PENELITIAN 1 1 1 1 1 0 1 1 0 1
Jaringan Syaraf Tiruan (JST) adalah salah 2 1 1 0 1 0 0 0 0 0
satu cabang ilmu bidang kecerdasan buatan[2]. 3 1 0 1 0 0 0 0 0 0
4 1 1 0 1 0 1 0 0 1
a. Gambar II Fungsi aktivasi Biner 5 0 0 1 1 0 0 0 1 0
Perceptron[3] 6 0 0 1 1 0 1 0 0 0
7 0 1 0 0 1 1 0 0 0
8 0 0 1 0 1 1 1 0 1
9 1 0 1 0 1 1 1 0 1
10 1 0 1 0 0 1 0 0 0
11 1 0 0 1 0 1 0 1 1
12 0 1 0 0 1 0 0 1 0
13 1 0 1 0 0 1 1 1 1
14 0 0 0 0 0 1 1 1 0
15 0 0 0 0 0 1 1 0 0
16 1 1 0 1 0 1 0 0 1
17 0 1 0 0 1 0 0 1 0

27 | P a g e
Volvo Sihombing Informatika : Jurnal Ilmiah AMIK Labuhan Batu
Vol.4 No.2 /Mei/2016

18 1 1 0 1 0 1 0 0 1 Pasien X1 X2 X3 X4 X5 X6 X7 X8 Output
19 1 0 1 0 1 1 1 0 1 Ke-
20 0 0 1 1 0 1 0 0 0
1 1 0 1 1 0 1 0 1

2 1 1 1 0 0 1 1 1
15 data sebagai data pelatihan, 5 sebagai data
pengujian. Untuk nilai variabel Gejala A s/d H 3 0 0 0 1 1 0 0 0
berupa variabel X1 s/d X8. Data pasien yang
digunakan adalah pasien yang memiliki ada gejala 4 0 0 1 0 1 0 0 1
dan tidak ada gejala. Jika bernilai +=1, jika =0.
5 0 1 0 1 0 0 1 0
Tabel III Data Pelatihan.
Pasie X X X X X X X X Targ
n Ke- 1 2 3 4 5 6 7 8 et
Sehingga menghasilkan output seperti berikut :
1 1 1 1 1 0 1 1 0 1
2 1 1 0 1 0 0 0 0 0
3 1 0 1 0 0 0 0 0 0
4 1 1 0 1 0 1 0 0 1
5 0 0 1 1 0 0 0 1 0
6 0 0 1 1 0 1 0 0 0
7 0 1 0 0 1 1 0 0 0
8 0 0 1 0 1 1 1 0 1
9 1 0 1 0 1 1 1 0 1
10 1 0 1 0 0 1 0 0 0
11 1 0 0 1 0 1 0 1 1
12 0 1 0 0 1 0 0 1 0
13 1 0 1 0 0 1 1 1 1
14 0 0 0 0 0 1 1 1 0
15 0 0 0 0 0 1 1 0 0 Proses pengujian dalam penelitian ini akan diuji
berdasarkan pada tabel V. Output belum diketahui
Nilai error yang dihasilkan pada tabel IV. sehingga untuk mendapatkan nilai output atau target
dapat di bandingkan dengan nilai target atau bobot
T akhir dari pelatihan. hasil nya adalah 10110.
a
r
g
1 0 0 1 0 0 0 1 1 0 1 0 1 0 0 V. KESIMPULAN DAN SARAN
e Kesimpulan dalam penelitian ini sebagai
t berikut :
a. Hasil output yang didapat dari 20 sampel
A 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 data dengan pengenalan pola 60% sampai
e 100% dalam mengidentifikasi penyakit TB
r Primer pada anak.
- - - - - - - - -
r 0
1 1
0
1 1 1
0 0
1
0
1
0
1 1 b. Semakain banyak jumlah data yang dilatih
o dan diuji semakin akurat dalam
r
mengidentifikasi penyakit TB Primer pada
Parameter- parameter yang digunakan dalam data anak.
pelatihan : c. Semakin besar nilai dari performance
semakin baik mengenali pola penyakakit.
- Jumlah sampel : 15 data Saran dalam penelitian ini sebagai berikut :
- Unit input :8 a. Diharapkan dengan adanya penelitian
- Unit output :1 ini dapat dikembangkan dengan
- Iterasi /epoch : 100 parameter – parameter yang lain,
- Bias :1 sehingga data yang diuji dapat lebih
akurat.
Pada tahapan ini pada iterasi ke 7 pengenalan b. Diharapkan dengan adanya penelitian
pola sudah ditemukan dengan keakurasian 0.60 atau ini dapat di kembangkan lagi jenis
60% untuk data pelatihan sampai 100%. penyakit TBC pada anak seperti TBC
Tahap pengujian pada tabel V. Milier, TBC Tulang, TBC Jantung dan
yang sejenisnya.

28 | P a g e
Volvo Sihombing Informatika : Jurnal Ilmiah AMIK Labuhan Batu
Vol.4 No.2 /Mei/2016

c. Dapat dikembangkan lagi dengan

metode Backprogation, Sistem Pakar.

DAFTAR PUSTAKA

Lingkungan., D. P. (2013). Petunjuk Teknis

Manajemen TB Anak. Jakarta: Kemenkes RI.

Khan, R. A. (2014). Neural Network:Business

Aplication. The Aplication Journal Science &
Techonology , 234-239.

Kusumadewi, S. (2004). Membangun Jaringan

Syaraf Tiruan Menggunakan Ma.
Yogyakarta: Graha Ilmu.

29 | P a g e