20

PENERAPAN JARINGAN SYARAF TIRUAN UNTUK

MENDETEKSI PENYAKIT MAAG DENGAN METODE
BACKPROPAGATION
Amirul Mu’min1, Dodo Zaenal Abidin 2, Errisya Rasywir 3

Program Studi Teknik Informatika, STIKOM Dinamika Bangsa, Jambi,

Jl. Jendral Sudirman Thehok - Jambi,Telp.(0741)35095,Fax.(0741) 35093
E-mail : 1amirulmumin31@gmail.com, 2dodozaenalabidin@stikom-db.ac.id, 3errisya.rasywir@gmail.com

Abstract

Ulcer disease is a disease that generally suffered by most of society Indonesia, in handling the disease
ulcer also is not too complex, but here the author tried to analyze with the help of neural networks
method backpropagation in detecting disease ulcer.Neural network Backpropagation to train the network
get a balance between the ability of the network to recognize the patterns that are used during training as
well as the ability to give the correct response against the input pattern similar to patterns used during
the training.The authors use data the results of the questionnaire distributed through social media as
much as 126 data that is then presented to the arff.In doing the analysis the author using tools Tools
WEKA. From the results of research that has been done, the retrieved maximum system accuracy rate of
94.4% of the 126 data used, using the test option training sets. For better results, use more data for the
training network.

Keywords: Neural Network, Ulcer Disease, Backpropagation Algorithm

Abstrak

Penyakit maag merupakan penyakit yang umumnya diderita oleh sebagian besar masyarakat Indonesia,
dalam penanganannya penyakit maag juga tidak terlalu rumit, namun disini penulis mencoba
menganalisa dengan bantuan jaringan syaraf tiruan metode backpropagation dalam mendeteksi penyakit
maag. Jaringan Syaraf Tiruan Backpropagation melatih jaringan mendapatkan keseimbangan antara
kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan untuk
memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama
pelatihan. Penulis menggunakan data hasil kuesioner yang disebarkan melalui media sosial sebanyak
126 data yang kemudian disajikan ke dalam format arff. Dalam melakukan analisis penulis menggunakan
alat bantu Tools WEKA. Dari hasil penelitian yang telah dilakukan, diperoleh tingkat akurasi sistem
paling maksimal sebesar 94,4% dari 126 data yang digunakan, dengan menggunakan test option training
set. Untuk hasil yang lebih baik, gunakan data yang lebih banyak untuk pelatihan jaringan.

Kata Kunci : Jaringan Syaraf Tiruan, Maag, Algoritma Backpropagation

1. Pendahuluan
Jaringan Syaraf Tiruan (JST) adalah suatu representasi buatan dari otak manusia yang selalu
mensimulasikan proses pembelajaran pada otak manusia. Jaringan Syaraf Tiruan ini merupakan suatu
metode yang telah banyak digunakan untuk menganalisis data yang banyak dan kompleks, yang dapat
digunakan untuk memberikan dukungan bagi pengambilan keputusan [13]. Banyak implementasi telah
menggunakan berbagai arsitektur JST, salah satunya dalam bidang kesehatan. Perkembangan penyakit
dan penderita dari penyakit tersebut semakin nyata, seperti penyakit maag, saat ini penyakit maag telah
menjadi suatu penyakit yang cukup banyak diderita oleh masyarakat. Mayoritas masyarakat umum telah
mengenal penyakit maag, sehingga mereka juga bisa mengantisipasinya apabila mengalami gejala
penyakit maag. Hanya saja, karena kurangnya pengetahuan akan penyakit maag, mereka beranggapan
bahwa semua penyakit yang berhubungan dengan perut atau alat pencernaan dianggap sebagai penyakit
maag, padahal anggapan mereka belum tentu benar. Atau mungkin mereka menderita penyakit lain yang
lebih berbahaya dari penyakit maag. Berdasarkan uraian diatas, penulis ingin mencoba memberikan solusi
 21

masyarakat agar dapat lebih mengetahui gejala-gejala penyakit maag dengan membangun model jaringan
syaraf tiruan

2. Tinjauan Pustaka
Data Mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan
untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya
[8]. Klasifikasi adalah fungsi pembelajaran yang memetakan (mengkalsifikasi) sebuah unsur (item) data
ke dalam salah satu dari beberapa kelas yang sudah didefenisikan [10]. Dengan algoritma jaringan syaraf
tiruan, dapat digunakan untuk menyelesaikan persoalan – persoalan yang sering kita jumpai dalam
kehidupan. Jaringan Saraf Tiruan (JST) merupakan salah satu representasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan proses pembelajaran otak manusia tersebut [9]. Jaringan syaraf
tiruan dengan layer tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa
ditanggulangi dengan menambahkan satu atau beberapa layer tersembunyi di antara layer masukan dan
layer keluaran. Jaringan Syaraf Tiruan Backpropagation (JST-BP) melatih jaringan mendapatkan
keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta
kemampuan untuk memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang
dipakai selama pelatihan [6]. Gastritis adalah suatu peradangan mukosa lambung yang bersifat akut,
kronik, difus atau lokal, dengan karakteristik anoreksia, perasaan penuh diperut (tengah), tidak nyaman
pada epigastrium, mual, dan muntah.[4]. WEKA adalah sebuah paket tools machine learning praktis.
WEKA merupakan singkatan dari Waikato Environment for Knowledge Analysis, yang dibuat dari
Universitas Waikato, New Zealand untuk penelitian, pendidikan dan berbagai aplikasi. WEKA mampu
menyelesaikan masalah-masalah data mining di dunia nyata, khususnya klasifikasi yang mendasari
pendekatan machine learning. Perangkat lunak ini ditulis dalam hirarki class Java dengan metode
berorientasi objek dan dapat berjalan hampir di semua platform.[14].

3. Kerangka Kerja Penelitian

Untuk membantu dalam penyusunan penelitian ini, maka perlu adanya kerangka kerja (framework)
yang jelas tahapan-tahapannya. Kerangka kerja ini merupakan langkah-langkah yang akan dilakukan
dalam penyelesaian masalah yang akan dibahas. Adapun kerangka kerja penelitian yang akan digunakan
adalah sebagai berikut :

Perumusan Masalah

Studi Literatur

Pengumpulan Data

Perhitungan & Analisis Klasifikasi

dengan Algoritma Backpropagation

Evaluasi & Analisis Hasil

Pembuatan Laporan

Gambar 1. Kerangka Kerja Penelitian

3.1 Perumusan Masalah

Pada tahap ini dilakukan peninjauan terhadap penelitian-penelitian yang menggunakan metode
Backpropagation, sehingga dapat menemukan permasalahan yang dapat diteliti menggunakan
metode ini. Dalam penelitian ini penulis menggunakan metode Jaringan Syaraf Tiruan untuk
mendeteksi penyakit maag dengan metode Backpropagation.
 22

3.2 Studi Literatur

Pada tahapan ini penulis melakukan apa yang disebut dengan kajian pustaka, yaitu mempelajari
buku-buku referensi dan hasil penulisan sejenis sebelumnya yang pernah dilakukan oleh orang lain.
Tujuannya ialah untuk mendapatkan pijakan bagi penulis untuk memahami persoalan yang diteliti
dengan benar dan sesuai dengan kerangka berpikir ilmiah.

3.3 Pengumpulan Data

a) Dokumentasi
Pada tahap ini, penulis mencari informasi mengenai penyakit maag dan gejala-gejalanya baik itu
dari website, perpustakaan maupun jurnal. Informasi-informasi ini yang kemudian dijadikan data
untuk pelatihan dalam penelitian ini.

b) Angket (Kuesioner)
Penulis membuat kuesioner tentang gejala-gejala penyakit maag dan menyebarkannya melalui
media sosial guna mendapatkan data uji dalam penelitian.

3.4 Perhitungan dan Analisis Klasifikasi dengan Algoritma Backpropagation

Pada tahapan ini penulis melakukan perhitungan algoritma jaringan syaraf tiruan dengan
membentuk pola yang terdiri dari dua tahapan, yang pertama prosedur pelatihan, dan yang kedua
prosedur pengujian.
Berikut ini adalah langkah-langkah dalam metode Backpropagation:
0. Inisialisasi bobot;
1. Selama kondisi berhenti bernilai salah, kerjakan langkah 2 – 9;
2. Untuk setiap data training, lakukan langkah 3 – 8.
3. Untuk langkah 3 hingga 5 merupakan Proses Umpan Maju (Feedforward). Setiap unit input
(Xi, i = 1,…, n); menerima sinyal input dan menyebarkan sinyal tersebut ke seluruh unit
tersembunyi.
4. Pada setiap unit tersembunyi (Zj, j = 1,…, p); menjumlahkan sinyal-sinyal input yang sudah
berbobot (termasuk bias nya)

............................................................................... (1)
Lalu menghitung sinyal output dari unit tersembunyi dengan menggunakan fungsi aktivasi
yang telah ditentukan Zj = f (Zinj) . Sinyal output ini selanjutnya dikirim ke seluruh unit
pada unit diatas (unit output).
5. Tiap-tiap output (Yk, k = 1,…, m); menjumlahkan bobot sinyal input :

............................................................................. (2)
Lalu menghitung sinyal output dari unit output bersangkutan dengan menggunakan fungsi
aktivasi yang telah ditentukan Yk = f (Yink). Sinyal output ini selanjutnya dikirim ke
seluruh unit output.
6. Untuk langkah 6 hingga 7 merupakan Proses Umpan Mundur (Backrward) / Propagasi
Error. Setiap unit output (Yk, k = 1,…, m); menerima suatu pola target yang sesuai dengan
pola input pelatihan, untuk menghitung kesalahan (error) antara target dengan output yang
dihasilkan jaringan;

..................................................................................... (3)
Faktor δk digunakan untuk menghitung koreksi error(ΔWjk) yang nantinya akan dipakai
untuk memperbaiki Wjk dimana :

......................................................................................................... (4)
Selain itu juga dihitung koreksi bias (ΔWok) yang nantinya akan dipakai untuk
memperbaiki Wok dimana :
.......................................................................................................... (5)
Faktor δk kemudian dikirimkan ke lapisan yang berada pada langkah 7.
 23

7. Setiap unit tersembunyi (Zj, j = 1,…, p); menerima input delta (dari langkah ke-6) yang
sudah berbobot :
............................................................................................ (6)
Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan untuk
menghitung informasi kesalahan error δi dimana :

................................................................................................. (7)
Kemudian hitunglah koreksi bobot dengan :

........................................................................................................... (8)
Kemudian hitunglah koreksi bias :

.............................................................................................................. (9)
8. Untuk langkah 6 hingga 7 merupakan Proses Update Bobot dan Bias. Setiap unit output
(Yk, k = 1,…, m); memperbaiki bobot dan bias dari seti ap unit tersembunyi (j = 0,…, p):

................................................................... (10)
9. Tes kondisi berhenti apabila error ditemukan. Jika kondisi berhenti terpenuhi, maka
pelatihan jaringan dapat dihentikan.

3.5 Evaluasi Dan Analisis Hasil

Pada tahapan ini penulis menganalisis hasil dari perhitungan algoritma Jaringan Syaraf Tiruan
dengan metode Backpropagation. Hasil yang didapat bisa digunakan untuk mengetahui keakuratan
dalam mendeteksi penyakit maag.

3.6 Pembuatan Laporan

Pada tahapan ini dilakukan pembuatan laporan yang disusun berdasarkan hasil penelitian dengan
menggunakan teknik pengumpulan data primer dan data sekunder, sehingga menjadi laporan
penelitian yang sesuai dengan analisis yang sedang diteliti.

4. ANALISIS DAN HASIL

4.1 Analisis Data
Target-target yang ingin dicapai dalam analisis adalah menghasilkan keakurasian yang tinggi dalam
mendeteksi penyakit maag menggunakan Jaingan Syaraf Tiruan dengan metode Backpropagation.
Simulasi ini bagian dari salah satu tahap analisis, yaitu untuk sebagai input output dalam melakukan
perhitungan untuk mencapai tujuan analisis. Adapun input output yang digunakan diambil dari
beberapa jurnal dan website kesehatan, dapat dilihat pada tabel 1 berikut:

Tabel 1 Gejala Penyakit

Gejala Penyakit
a. Nyeri ulu hati
b. Perut kembung
c. Panas seperti terbakar pada perut
d. Mual
Maag
e. Muntah-muntah
f. Mengalami refluks
g. Cepat merasa kenyang
h. Sering bersendawa
a. Nyeri ulu hati
b. Perut kembung
c. Nafsu makan berkurang
d. Panas seperti terbakar pada perut
Maag
e. Mual
f. Muntah muntah
g. Merasa tidak nyaman pada saluran
cerna
 24

a. Nyeri ulu hati

b. Perut kembung
c. Panas seperti terbakar pada perut
Maag
d. Mual
e. Muntah muntah
f. Berat badan berkurang
a. Tidak Mengalami Gejala Tiddak Maag

4.2 Representasi Data

Analisis ini menggunakan rule sebagai gambaran yang menjadikan perhitungan lebih mudah untuk
dipahami. Rule yang penulis gunakan adalah:
X1 = Nyeri ulu hati
X2 = Perut kembung /terasa penuh setelah makan
X3 = Nafsu makan berkurang
X4 = Panas seperti terbakar pada perut
X5 = Mual
X6 = Muntah-muntah
X7 = Berat badan berkurang
X8 = Merasa tidak nyaman pada saluran cerna
X9 = Mengalami refluks
X10 = Cepat merasa kenyang
X11 = Sering bersendawa

Berdasarkan hasil Kueisioner yang sudah dilakukan, penulis memperoleh data sebanyak 126 data.
Data-data tersebut kemudian diubah dalam bentuk angka serperti pada tabel 2 dibawah :

Tabel 2 Input Output

Input
Output
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
1 1 0 0 1 0 0 0 0 1 1 Ya
1 1 1 0 1 0 0 1 0 1 0 Ya
1 1 1 1 1 1 1 1 1 1 0 Ya
0 0 0 0 1 0 0 1 0 0 1 Tidak
1 1 1 1 1 1 0 0 1 1 0 Ya
1 1 1 0 0 0 0 1 0 0 0 Ya
1 1 1 1 1 0 0 0 0 1 0 Ya
1 1 0 0 0 0 0 0 0 0 0 Ya
1 0 0 0 0 0 0 1 1 0 0 Ya
0 1 0 0 1 0 0 1 0 0 1 Tidak
1 1 0 0 1 1 0 0 1 0 0 Ya
0 0 0 1 0 1 0 0 1 0 1 Ya
1 1 0 1 1 1 0 0 1 1 1 Tidak
1 1 0 0 0 0 1 0 0 0 0 Ya
0 1 1 0 0 0 0 0 0 1 0 Tidak
1 1 1 1 0 0 1 1 1 1 1 Ya
0 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 0 1 0 0 0 0 0 0 1 Ya
1 1 0 0 0 0 0 0 0 1 0 Ya
0 1 0 0 0 0 0 1 0 0 1 Tidak
0 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 0 1 1 1 0 0 1 0 0 Ya
1 1 1 0 1 1 0 1 0 1 0 Ya
1 0 0 0 0 0 1 0 1 1 0 Ya
 25

1 1 1 0 1 0 1 1 0 0 0 Ya
1 0 1 1 1 0 1 1 0 0 0 Ya
1 1 1 0 1 1 0 1 0 1 1 Ya
1 1 1 0 0 0 0 0 0 0 0 Ya
0 0 1 0 0 0 1 0 0 0 0 Tidak
0 1 0 0 0 0 0 0 0 0 0 Tidak
1 0 1 0 0 0 0 0 0 0 1 Ya
1 1 1 1 1 0 1 1 1 0 0 Ya
1 1 0 0 0 0 0 1 0 0 0 Ya
1 1 0 0 0 0 1 0 0 0 0 Ya
1 0 1 1 1 1 1 1 1 0 0 Ya
0 1 1 0 1 0 0 0 1 0 1 Tidak
1 1 0 0 0 0 0 1 0 1 1 Ya
1 0 1 1 1 1 1 1 1 0 0 Ya
0 1 1 1 1 1 1 0 0 0 0 Ya
0 0 0 0 1 1 0 0 0 0 0 Tidak
0 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 0 1 1 0 1 0 1 1 1 Ya
1 1 1 0 1 1 1 1 0 1 1 Tidak
1 1 1 1 1 1 0 1 1 1 1 Ya
1 1 0 0 1 1 0 0 1 1 0 Ya
0 1 0 0 0 0 0 0 1 0 0 Tidak
1 0 0 0 1 1 0 1 1 0 1 Ya
0 1 1 0 0 0 0 0 0 0 0 Tidak
0 0 0 0 0 0 0 0 0 1 1 Tidak
0 0 0 0 0 0 1 0 0 1 0 Tidak
0 1 0 0 0 0 0 1 0 0 0 Tidak
0 1 0 0 0 0 1 0 0 0 0 Tidak
1 0 1 0 1 0 1 1 1 0 0 Ya
1 1 1 0 0 1 1 0 0 0 0 Ya
1 0 0 0 1 1 0 0 1 0 0 Ya
1 1 0 1 1 0 1 1 0 0 0 Ya
1 1 0 0 1 1 0 0 0 0 1 Ya
1 1 1 0 1 0 1 0 1 1 0 Ya
0 1 1 0 0 0 1 1 0 1 0 Tidak
1 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 0 1 1 1 1 1 1 0 0 Ya
1 0 1 0 1 1 1 0 0 0 0 Ya
1 0 0 0 1 1 1 1 1 1 0 Ya
1 0 1 1 1 1 0 1 1 0 0 Ya
0 1 0 0 0 0 0 0 1 0 0 Tidak
0 1 1 0 0 1 1 0 0 1 0 Tidak
0 1 1 0 0 1 1 0 0 1 0 Tidak
1 1 0 1 1 0 1 1 1 0 1 Ya
0 1 1 0 1 0 1 0 0 1 0 Tidak
1 1 0 1 1 1 0 0 1 0 0 Ya
1 1 1 0 0 0 0 0 1 0 0 Ya
0 1 0 0 1 0 0 0 0 0 0 Tidak
1 1 1 0 0 0 0 1 1 1 0 Ya
0 1 0 1 1 0 0 1 1 1 1 Tidak
 26

1 0 1 1 1 0 0 1 1 1 1 Ya
1 1 0 0 0 0 0 0 0 0 0 Tidak
0 1 1 0 1 0 1 1 1 0 0 Tidak
0 0 0 0 1 0 0 1 0 0 1 Tidak
0 0 0 0 0 0 0 1 0 0 0 Ya
0 0 0 0 0 0 0 0 0 0 0 Tidak
0 1 1 0 0 0 0 0 0 1 0 Ya
1 1 0 0 1 0 0 0 0 1 0 Ya
1 1 1 0 1 0 0 0 0 0 0 Ya
0 1 1 0 0 0 1 0 0 0 0 Tidak
1 1 1 1 1 0 1 0 0 1 0 Ya
0 1 1 1 0 0 1 0 0 1 0 Tidak
1 1 1 0 1 0 0 1 0 0 1 Ya
1 1 1 0 1 1 0 0 0 1 0 Ya
0 1 1 0 1 0 0 0 0 1 0 Tidak
1 0 1 0 1 0 1 0 0 0 0 Tidak
0 1 0 1 0 1 0 1 0 0 1 Ya
1 1 0 0 0 0 0 0 0 1 0 Tidak
0 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 1 0 1 0 0 0 0 1 1 Ya
0 1 0 0 1 1 1 1 1 0 0 Ya
0 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 0 1 1 1 0 1 1 0 0 Ya
1 1 1 0 0 0 0 0 0 0 1 Ya
1 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 1 1 1 1 1 1 1 1 1 Ya
1 0 1 0 0 0 1 0 0 0 0 Tidak
1 1 1 0 1 1 0 1 1 1 0 Ya
1 1 1 1 1 0 0 1 0 0 0 Ya
0 0 0 0 0 1 0 0 0 0 0 Tidak
1 1 0 1 1 1 0 1 1 1 1 Ya
1 1 0 0 1 0 1 1 0 0 0 Ya
1 1 0 1 1 1 0 0 1 0 1 Ya
0 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 1 1 1 1 1 1 1 1 1 Ya
0 0 0 0 0 0 1 0 0 0 0 Tidak
0 1 1 1 0 0 0 1 0 1 1 Ya
0 1 0 0 0 0 0 0 1 0 0 Tidak
1 1 0 0 1 0 0 0 0 1 1 Ya
0 0 0 0 0 0 0 0 0 0 1 Tidak
1 1 1 0 1 0 0 1 1 1 1 Ya
1 1 1 0 1 0 0 1 0 0 1 Ya
1 1 1 0 1 1 0 1 1 1 1 Ya
1 1 1 1 1 1 0 1 1 0 1 Tidak
0 1 1 1 1 1 0 1 0 1 1 Tidak
0 0 0 0 0 0 0 0 0 0 0 Tidak
1 1 1 1 1 1 0 0 1 0 0 Ya
1 0 1 0 1 0 0 1 1 1 0 Ya
0 1 1 0 1 0 0 1 0 0 0 Ya
0 0 0 0 0 0 0 0 0 0 0 Tidak
 27

1 1 0 0 0 0 0 0 0 0 1 Ya
0 0 0 0 0 0 0 0 0 0 0 Tidak

4.3 Visualisasi Attribut

Setelah data diubah seperti pada tabel2 data kemudian dibuat dalam bentuk arff dan dimasukkan
kedalam tools WEKA. Untuk visualisasi semua atribut dapat dilihat pada gambar 2 dibawah:

Gambar 2. Visualisasi Attribut

Warna merah pada gambar menunjukan pada orang yang mengidap penyakit maag, sedangkan
warna biru menunjukan pada orang yang tidak sakit maag.

4.4 Hasil Analisis Menggunakan Tools Weka

Dalam analisis klasifikasi dengan tools WEKA ini menggunakan algoritma Backpropagation dengan
test option training set, cross-validation dengan fold 10, dan cross-validation dengan fold 5.
a) Analisi Data dengan Training Set
Analisis data dengan training set adalah analisis data yang menggunakan data yang diuji sebagai
data training selain sebagai data uji.

Gambar 3. Hasil Analisis Data Dengan Training Set

Berdasarkan gambar 3 diatas dapat diketahui untuk Correctly Classified Instances merupakan
baris yang benar yaitu sebesar 94,4%, yang mana dari 76 data orang yang menderita maag
terdeteksi tidak menderita penyakit maag hanya 2 data. sedangkan yang Incorrectly Classified
Instances merupakan baris yang salah yaitu sebesar 5,6%, yang mana dari 50 data orang yang
tidak menderita maag terdeteksi sebagai penderita penyakit maag hanya 5 data. Yang artinya
 28

metode backpropagation menggunakan training set memiliki tingkat keakuratan yang tinggi, dari
126 data hanya 7 data yang hasil deteksinya salah.
Dan untuk memastikan bahwa Baris data 94,4 % yang benar maka cari dengan cara manual yaitu
dengan rumus :
Correctly Classified Instances=(Baris data yang benar)/(Jumlah data) x100%
=119/126 x 100%
= 94,4%
Dari gambar diatas juga dapat diketahui nilai recall dari class Tidak adalah 0,900 dan nilai recall
dari kelas Ya adalah 0,974, semakin nilainya mendekati 1 semakin tinggi akurasinya. Nilai TP
Rate (true positive rate) dari kedua class sudah sama dengan nilai recall yang berarti tidak ada
error dalam proses klasifikasi, dan nilai RMSE yaitu 0,2091, semakin kecil nilainya semakin
tinggi tingkat akurasinya.

b) Analisi Data dengan Cross-Validation 10

Analisis data dengan cross-validation 10 adalah analisis yang membagi data menjadi 10 subset,
untuk tiap dari subset, akan dijadikan data tes dari hasil klasifikasi yang dihasilkan dari k-1
subset lainnya. Jadi, akan ada 10 kali tes. Dimana, setiap data umum akan menjadi data tes
sebanyak 1 kali, dan menjadi data training sebanyak k-1 kali. Kemudian, error dari k tes tersebut
akan dihitung rata-ratanya.

Gambar 4. Hasil Analisis Data Dengan Cross-Validation 10

Berdasarkan gambar 4 diatas dapat diketahui untuk Correctly Classified Instances merupakan
baris yang benar yaitu sebesar 79,4 %, yang mana dari 76 data orang yang menderita maag
terdeteksi tidak menderita penyakit maag sebanyak 11 data. sedangkan yang Incorrectly
Classified Instances merupakan baris yang salah yaitu sebesar 20,6%, yang mana dari 50 data
orang yang tidak menderita maag terdeteksi sebagai penderita penyakit maag sebanyak 15 data.
Yang artinya metode backpropagation menggunakan croos-validation dengan fold 10 memiliki
tingkat keakuratan yang tidak terlalu tinggi, dari 126 data terdapat 26 data yang hasil deteksinya
salah.
Dan untuk memastikan bahwa Baris data 79,4 % yang benar maka cari dengan cara manual yaitu
dengan rumus :
Correctly Classified Instances=(Baris data yang benar)/(Jumlah data) x100%
=100/126 x 100%
= 79,4%
Dari gambar diatas juga dapat diketahui nilai recall dari class Tidak adalah 0,700 dan nilai recall
dari kelas Ya adalah 0,855, semakin nilainya mendekati 1 semakin tinggi akurasinya. Nilai TP
Rate (true positive rate) dari kedua class sudah sama dengan nilai recall yang berarti tidak ada
error dalam proses klasifikasi, dan nilai RMSE yaitu 0,4059, semakin kecil nilainya semakin
tinggi tingkat akurasinya.
c) Analisi Data dengan Cross-Validation 5
Analisis data dengan cross-validation 5 adalah analisis yang membagi data menjadi 5 subset,
untuk tiap dari subset, akan dijadikan data tes dari hasil klasifikasi yang dihasilkan dari k-1
subset lainnya. Jadi, akan ada 5 kali tes. Dimana, setiap data umum akan menjadi data tes
 29

sebanyak 1 kali, dan menjadi data training sebanyak k-1 kali. Kemudian, error dari k tes tersebut
akan dihitung rata-ratanya.

Gambar 5. Hasil Analisis Data Dengan Cross-Validation 5

Berdasarkan gambar 5 diatas dapat diketahui untuk Correctly Classified Instances merupakan
baris yang benar yaitu sebesar 81,7 %, yang mana dari 76 data orang yang menderita maag
terdeteksi tidak menderita penyakit maag sebanyak 12 data. sedangkan yang Incorrectly
Classified Instances merupakan baris yang salah yaitu sebesar 18,3%, yang mana dari 50 data
orang yang tidak menderita maag terdeteksi sebagai penderita penyakit maag sebanyak 11 data.
Yang artinya metode backpropagation menggunakan croos-validation dengan fold 5 memiliki
tingkat keakuratan yang tidak terlalu tinggi, dari 126 data terdapat 23 data yang hasil deteksinya
salah.
Dan untuk memastikan bahwa Baris data 81,7 % yang benar maka cari dengan cara manual yaitu
dengan rumus :
Correctly Classified Instances=(Baris data yang benar)/(Jumlah data) x100%
=103/126 x 100%
= 81,7%
Dari gambar diatas juga dapat diketahui nilai recall dari class Tidak adalah 0,900 dan nilai recall
dari kelas Ya adalah 0,974, semakin nilainya mendekati 1 semakin tinggi akurasinya. Nilai TP
Rate (true positive rate) dari kedua class sudah sama dengan nilai recall yang berarti tidak ada
error dalam proses klasifikasi, dan nilai RMSE yaitu 0,3853, semakin kecil nilainya semakin
tinggi tingkat akurasinya.

4.5 Perbandingan Hasil Analisis Klasifikasi

Gambar 6. Perbandingan Analisis Klasifikasi

 30

Dari gambar di atas terdapat grafik perbandingan hasil ananlisis klasifikasi menggunakan metode
Backpropagation, dengan test option training set akurasi sebesar 94,4%, cross-validation 10 dengan
akurasi sebesar 79,4%, dan cross-validation 5 dengan akurasi sebesar 81,7%. Sebagaimana diketahui
nilai akurasi digunakan untuk menunjukkan sejauh mana hasil deteksi maag sesuai dengan
kenyataan yang ada. Jadi dapat disimpulkan jaringan syaraf tiruan dengan metode Backpropagation
dapat digunakan untuk mendeteksi maag dan memiliki tingkat keakurasian yang tinggi.

5. Kesimpulan
Kesimpulan yang dapat diambil dari hasil penelitian yang telah dilakukan pada bab-bab sebelumnya
yaitu :
1. Algoritma Backpropagation dapat melakukan deteksi penyakit maag, akan tetapi baik atau
tidaknya nilai yang dihasilkan sangat dipengaruhi oleh penentuan test option yang dipilih.
2. Jaringan syaraf tiruan dapat mendiagnosa penyakit maag dengan baik. Berdasarkan pengujian
sebanyak 126 data, Tingkat akurasi paling tinggi terdapat pada pengujian menggunakan test
option Training Set yaitu 94,4%, dengan kemampuan sistem dapat mengenali 119 kesesuaian
data dari 126 data yang ada.

DAFTAR PUSTAKA

[1.] Ashari, & Muniar, A. Y. (2016). Implementasi Model Backpropagation Dan Forward Chaining
Dalam Mendiagnosa Penyakit Pencernaan, Vol 6, No.02, Desember 2016
[2.] Eka Pandu Cynthia, & Ismanto, E. (2017). Jaringan Syaraf Tiruan Algoritma Backpropogation
Dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau. RABIT (Jurnal Teknologi Dan
Sistem Informasi Univrab), Hal 196–209, Mei 2017.
[3.] Fatmawati. (2016). Perbandingan Algoritma Klasifikasi Data Mining Model C4 . 5 Dan Naive
Bayes Untuk Prediksi Penyakit Diabetes. Jurnal Techno Nusa Mandiri, Vol XIII, No 1, Hal 50–59,
Maret 2016.
[4.] Hartati, S., Utomo, W., & Jumaini. (2014). Hubungan Pola Makan Dengan Resiko Gastritis Pada
Mahasiswa Yang Menjalani Sistem KBK, vol. 1 no.2 oktober 2014.
[5.] Hermawati, F. A. 2013. Data Mining. Penerbit ANDI : Yogyakarta
[6.] Jumantoro, A., hartanto, R., prastiyanto, D. (2009). Aplikasi Jaringan Saraf Tiruan Backpropagation
Untuk Memprediksi Penyakit THT Di Rumah Sakit Mardi Rahayu Kudus. Jurnal Teknik Elektro,
Vol 1, Nol 1, Hal 11–21.
[7.] Kezia Sumangkut, Arie Lumenta, V. T. (2016). Analisa Pola Belanja Swalayan Daily Mart Untuk
Menentukan Tata Letak Barang Menggunakan Algoritma Fp-Growth, Vol 08,No.1, April 2016.
[8.] Kusrini., Luthfi, E. T. 2009. Algoritma Data Mining. Penerbit ANDI : Yogyakarta
[9.] Lesnussa, Y. A., Latuconsina, S., & Persulessy, E. R. (2015). Aplikasi Jaringan Saraf Tiruan
Backpropagation untuk Memprediksi Prestasi Siswa SMA ( Studi kasus : Prediksi Prestasi Siswa
SMAN 4 Ambon ). Jurnal Matematika Integratif, Vol 11, Hal 149–160, No 2, Oktober 2015
[10.] Lufi Afriyantika Larandipa, F. Trias Pontia W, D. T. (2013). Aplikasi Jaringan Syaraf Tiruan Untuk
Diagnosa Penyakit Jantung Koroner ( Pjk ) Dengan Metode Backpropagation, volume 01, hal 11 –
19.
[11.] Mardianto, I., & Pratiwi, D. (2008). Sistem Deteksi Penyakit Pengeroposan Tulang Dengan Metode
Jaringan Syaraf Tiruan Backpropagation Dan Representasi Ciri Dalam Ruang Eigen, Hal 69–80.
[12.] Nafisah, S., Puspitodjati, S., & Wulandari, S. (2008). Pengklasifikasian Jenis Tanah menggunakan
Jaringan Syaraf Tiruan dengan Algoritma Backpropagation. Seminar Ilmiah Nasional Komputer
Dan Sistem Intelligent (KOMMIT 2008), Hal 20-21, Agustus 2008, ISSN : 1411-6286.
[13.] Novi Indah Pradasari, F.Trias Pontia W, D. T. (2013). Aplikasi Jaringan Syaraf Tiruan Untuk
Memprediksi Penyakit Saluran Pernafasan Dengan Metode Backpropagation, Vol 01. Hal 20–30.