Proposal Skripsi Bab 1-3

8/18/2019 Proposal Skripsi Bab 1-3

1/72

SISTEM PAKAR DIAGNOSA PENYAKITDIABETES MELLITUS MENGGUNAKAN

METODE DIFFERENTIAL EVOLUTION FEED-FORWARD MULTI LAYER PERCEPTRON

SKRIPSI

Untuk memenuhi sebagian persyaratanmemperoleh gelar Sarjana Komputer

Disusun oleh: Tusty Nadia MaghfraNIM: 1!1!"#""111"$!

%&'(&)M STUDI IN*'&M)TIK) + I,MU K'M%UT-&%&'(&)M T-KN','(I IN*'&M)SI D)N I,MU K'M%UT-&

UNI.-&SIT)S /&)0I)2)M),)N(

#"13


2/72

PENGESAHAN

UDU, SK&I%SI

SK&I%SI

Diajukan untuk memenuhi sebagian persyaratanmemperoleh gelar Sarjana Komputer

Disusun 'leh : Tusty Nadia Maghfra

NIM: 1!1!"#""111"$!

Skripsi ini telah diuji dan dinyatakan lulus pada# anuari #"1!

Telah diperiksa dan disetujui oleh:

Dosen %embimbing I

Nama Dosen %embimbing INIK: 1#4!35$6

+7jika terdapat NIK saja7+

Dosen %embimbing II

Nama Dosen %embimbing IINIK: 8

+7jika tidak terdapat NI%9 NIK9atau keduanya7+

MengetahuiKetua %rogram Studi Nama%rogramStudi

Nama Ketua %rogram StudiNI%: 1#4!35$6

+7jika terdapat NI%7+

#


3/72

PERNYATAAN ORISINALITAS

Saya menyatakan dengan sebenar8benarnya baha sepanjangpengetahuan saya9 di dalam naskah skripsi ini tidak terdapat

karya ilmiah yang pernah diajukan oleh orang lain untuk

memperoleh gelar akademik di suatu perguruan tinggi9 dan

tidak terdapat karya atau pendapat yang pernah ditulis atau

diterbitkan oleh orang lain9 ke;uali yang se;ara tertulis disitasi

dalam naskah ini dan disebutkan dalam dasarjana? dibatalkan9 serta diproses sesuai dengan peraturan

perundang8undangan yang berlaku >UU No= #" Tahun #""9 %asal

#! ayat # dan %asal 5"?=

Malang9 1 anuari #"1!

Tusty Nadia Maghfra

NIM:1!1!"#""111"$!


4/72

KATA PENGANTAR

/agian ini memuat pernyataan resmi untuk menyampaikanrasa terima kasih penulis kepada berbagai pihak yang telah

membantu penyelesaian skripsi ini= Nama8nama penerima

u;apan terima kasih sebaiknya dituliskan lengkap9 termasuk

gelar akademik9 dan pihak8pihak yang tidak terkait dihindari

untuk dituliskan= /ahasa yang digunakan seharusnya mengikuti

kaidah bahasa Indonesia yang baku= Kata pengantar boleh

diakhiri dengan paragra< yang menyatakan baha penulis

menerima kritik dan saran untuk pengembangan penelitian

selanjutnya= Terakhir9 kata pengantar ditutup denganmen;antumkan kota dan tanggal penulisan kata pengantar9 lalu

diikuti dengan kata @%enulisA=

Malang9 1 anuari #"1!

%enulis

tustynadiaBgmail=;om

4


5/72


6/72

ABSTRACT

The absra;t o< your skripsi in -nglish is ritten here=

3


7/72


8/72

DAFTAR TABEL

Tabel #=1 %embentukan bilangan random untuk Indeks Masa Tubuh >IMT?===================================================================================$

Tabel #=# Fontoh tabel #===============================================================6

$


9/72

DAFTAR GAMBAR

(ambar #=1 %engaruh nilai K terhadap akurasi===========================11

6


10/72


11/72

BAB 1 PENDAHULUAN

1.1 Latar bea!a"#%enyakit Diabetes Mellitus merupakan penyakit gangguan

metabolisme dimana pankreas tidak dapat memproduksi

insulin atau tubuh tidak dapat menggunakan insulin dengan

baik >Mohammed dalam Temurtas9 #""6?= Insulin merupakan

hormon yang berSumadei dalam %angaribuan9 #"14?=%enyakit Diabetes digolongkan menjadi yaitu tipe 19 tipe #

dan gestasional= Diabetes tipe 1 yaitu keadaan dimana

pankreas tidak dapat memproduksi insulin9 sedangkan tipe #

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 anita saat hamil

>Thirugnanam9 #"1#?= Menurut 0E' pada penelitian Nai8arun

>#"1!? penderita terbanyak berdasarkan jenis kelamin adalahpada anita dan berdasarkan kondisi badan adalah orang

dengan obesitas= %enyakit ini jika tidak segera terdiagnosa

dan ditangani akan menyebabkan terjadi komplikasi

kerusakan berbagai sistem tubuh termasuk syara< dan

pembuluh darah sehingga mengakibatkan penderita

mengidap penyakit serius lainnya seperti kebutaan9 serangan

jantung9 gagal ginjal9 dan stroke >%angaribuan >#"14?9

Temurtas >#""6??= 'leh karena itulah9 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 Eu dalam 0ang9 #"1?=

Kasus penyakit Diabetes Mellitus di Indonesia dari tahun

ke tahun mengalami peningkatan9 hal tersebut dibuktikan

dengan laporan 0E' pada penelitian %angaribuan >#"14?

11


12/72

baha Indonesia berada pada posisi 4 tertinggi untuk

kategori negara dengan jumlah penderita Diabetes terbanyak

dengan jumlah penderita Diabetes tahun #""" adalah $=4

juta orang dengan posisi diikuti posisi pertama hingga ketiga

se;ara berturut8turut adalah India >1=5 juta?9 Fhina >#"=$ juta? dan )merika >15=5 juta?= Selain itu terdapat aan;ara

yang dilakukan oleh &iset Kesehatan Dasar >&iskesdas? tahun

#""5 dan #"1 untuk menghitung proporsi Diabetes Mellitus

pada proinsi8proinsi besar di Indonesia dengan sasaran

penduduk usia 1! tahun ke atas= %enderita dianggap

menderita penyakit Diabetes Mellitus jika telah dionis oleh

dokter menderita penyakit tersebut atau yang belum

didiagnosa dokter namun dalam 1 bulan terakhir mengalami

gejala penyakit ini9 seperti gejala sering lapar9 sering haus9

sering buang air ke;il dengan jumlah banyak dan berat

badan turun= Easil aan;ara menunjukkan baha proporsi

Diabetes Mellitus pada &iskesdas #"1 meningkat hampir

dua kali lipat dibandingkan tahun #""5= %ada tahun #""5

&iskesdas hanya memeriksa penduduk di perkotaan dan dari

responden yang diperiksa gula darahnya !=5 menderita

Diabetes Mellitus= Dari yang terdeteksi tersebut hanya #3=

yang telah terdiagnosis sebelumnya dan 5=5 sisanya tidak

terdiagnosis sebelumnya= Sedangkan pada &iskesdas #"1

dilakukan penelitian terhadap penduduk di perkotaan dan

pedesaan9 penderita Diabetes Mellitus mengalami

peningkatan menjadi 3=69 dengan "=4 telah terdiagnosis

sebelumnya dan 36=3 sisanya tidak terdiagnosis

sebelumnya= 0alaupun 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?=

%eningkatan jumlah penderita Diabetes Mellitus di

Indonesia terjadi dikarenakan banyak


13/72

tidak berusaha untuk men;ari solusi untuk mengatasinya dan

menganggap penyakit ini bukanlah penyakit yang serius

mematikan= Selain itu banyak penderita Diabetes yang tidak

mengetahui bagaimana langkah8langkah mengurangi risiko

berkembangnya penyakit ini terutama pada penderitaDiabetes yang tinggal di pedesaan= Eal 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 >0ang9 #"1?= Selain itu dari pengamatan Noo

Nordisk9 Indonesia akan mengalami peningkatan jumlah

penduduk yang urbanisasi dari desa ke kota= Eal tersebut

akan berdampak pada gaya hidup yang kurang sehat seperti

kurang olahraga dan asupan konsumsi makanan yang kurang

sehat= Easil tersebut juga didukung dengan penelitian yang

dilakukan oleh Darmono dalam %angaribuan >#"14? yang

mengemukakan baha pada tahun #"" Indonesia akan

memiliki penderita Diabetes sejumlah #1= juta jia= Mereka

mengemukakan baha tingginya angka tersebut dikarenakan

terlambatnya diagnosa penyakit Diabetes=

'leh karena itu9 untuk mengatasi masalah tersebut

diperlukan diagnosa diabetes dini untuk membantu kinerjamedis= Selama beberapa tahun terakhir9 teknologi komputer

;erdas otomatis banyak digunakan untuk membantu dokter

dan tenaga medis dalam melakukan diagnosa penyakit

se;ara akurat dan lebih ;epat >-rkaymaJ9 #"13?= /anyak

ilmuan yang berlomba8lomba melakukan penelitian untuk

mengatasi permasalahan Diabetes yaitu dengan ;ara

membuat suatu sistem peramalan diagnosa apakah

seseorang mengidap penyakit Diabetes atau tidak=

Sebelumnya banyak peneliti yang menggunakan metoderegresi dan statistika konensional namun metode tersebut

mulai ditinggalkan karena memiliki kekurangan yaitu tidak

dapat mengatasi masalah non8linier dan data saat ini yang

lebih kompleks >Myoung8ong9 #"1"?= /anyak sistem

peramalan diagnosa penyakit Diabetes yang diajukan beralih

menggunakan metode Data Mining= Data Mining adalah

metode pendekatan untuk men;ari dan menemukan pola1


14/72

pengetahuan dari data berukuran besar dengan

menggabungkan teknik machine learning, database,

statistika dan ke;erdasan buatan9 metode pendekatan ini

dipilih karena dapat melakukan peramalan se;ara lebih

e-,M?= Data yang digunakan pada penelitian ini

didapatkan dari UFI &epository= Easil dari penelitian ini

menunjukkan baha peramalan memberikan hasil terbaik

dengan nilai error rate MS- untuk keseluruh data tes -,M

adalah "=4"3=

Selain itu terdapat juga penggunaan *eed8*orard Multi8

,ayer Neural Netork oleh Nguyen >#""3? untuk mendeteksi

kasus Eipoglikemia >rendahnya gula darah? pada anak

dengan memantau respon fsiologi tubuh= Easil per;obaan

yang dilakukan menunjukkan baha alat yang merekakembangkan untuk menghitung respon fsiologi yang disebut

EypoMon >Eypogli;emia Monitor? dapat mendeteksi se;ara

eEsiao8Esien9

#"13? dengan membandingkan kinerja metode )NN dengan

,& >,ogisti; &egression?9 S.M9 dan De;ision Tree= Easil

terbaik didapatkan dengan metode )NN dengan akurasi

prediksi $=5=Selain menunjukkan hasil terbaik pada permasalahan

diagnosa penyakit Diabetes9 metode )NN juga memberikan

hasil terbaik pada permasalahan ekonomi seperti prediksi

kebangkrutan dan ealuasi peminjaman kredit pada bank=

Salah satu penelitian terhadap prediksi kebangkrutan bank

dengan membandingkan metode )NN >Multi Layer

14


15/72

Perceptron, Competitive Learning, Self Organizing Map dan

Learning Vector uantization? dengan Multivariate Statistical

>multivariate discriminant analysis, !"means Cluster #nalysis,

Logistic $egression #nalysis% dan S.M9 hasil terbaik pada

data latih dan data tes didapatkan dengan menggunakanmetode )NN dengan akurasi 1"" pada data latih

ditunjukkan dengan model M,% dan pada data tes dengan

model ,. >);ar9 #""6?= Selain itu M,% juga memberikan

hasil terbaiknya pada penelitian penyusunan desain optimasi

si&N) dengan model alidasi9 masing8masing memberikan

hasil terbaik yaitu korelasi antara ramalan dengan

eksperimen pada dataset 1 "=366 dan dataset # "=3"39 nilai

MFF sebesar "=!# dan akurasi prediksi "=539 serta nilai

sensitivity dan speci&city sebesar "=36 dan "=$ >Murali9

#"1!?=

%eneliti8peneliti dalam menggunakan metode )rtif;ial

Neural Netork seringkali menggabungkannya dengan

metode lain untuk mendapatkan hasil yang lebih optimal=

Salah satunya yaitu menggabungkan metode )rtif;ial Neural

Netork dengan )lgoritma -olusi= %enelitian terhadap

prediksi kebangkrutan pada US banks9 Turkish banks dan

Spanish banks >Fhauhan9 #""6? dilakukan dengan

membandingkan metode 0aelet Neural Netork >0NN?9DiHerential -olution Trained 0aelet Neural Netork

>D-0NN? dan Threshold );;epting Trained 0aelet Neural

Netork >T)0NN?= Dengan menggunakan (arsonLs algorithm

untuk seleksi ftur dan metode 1"8


16/72

masyarakat di daerah pedesaan= Selain itu penggunaan

metode hybrid ini diharapkan dapat menghasilkan akurasi

diagnosa penyakit Diabetes Mellitus yang lebih baik

dibandingkan penelitian8penelitian sebelumnya=

1.$ R%&%'a" &a'aa(

Dengan latar belakang yang sudah dipaparkan diatas9

diperoleh rumusan masalah sebagai pedoman dalam

penelitian sebagai berikut:

1= /agaimana penerapan metode DiHerential -olution *eed8*orard Multi ,ayer %er;eptron pada diagnosapenyakit Diabetes Mellitus

#= /agaimana hasil pengujian akurasi dan error rate darimetode DiHerential -olution *eed8*orard Multi

,ayer %er;eptron pada diagnosa penyakit DiabetesMellitus

1.) T%*%a"

%enelitian ini memiliki tujuan pen;apaian diantaranya:

1= Menerapkan metode *eed8*orard Multi ,ayer

%er;eptron dengan optimasi DiHerential -olution

untuk diagnosa penyakit Diabetes Mellitus pada

studi kasus penduduk di kabupaten Malang=

#= Menguji akurasi dan error rate dalam menerapkan

metode *eed8*orard Multi ,ayer %er;eptron

dengan optimasi DiHerential -olution untuk

diagnosa penyakit Diabetes Mellitus pada studi

kasus penduduk di kabupaten Malang=

= Mendapatkan hasil diagnosa penyakit Diabetes

Mellitus yang tepat dan memiliki nilai akurasi

tinggi dengan menggunakan metode *eed8*orard

Multi ,ayer %er;eptron dengan optimasi DiHerential

-olution=

1.+ Ma",aat

Man


17/72

Diharapkan hasil penelitian ini dapat membantu dokter

dalam mengambil keputusan untuk penanganan dan

peraatan terhadap penderita Diabetes Mellitus sehingga

penyakit Diabetes Mellitus pada penderita dapat terkontrol

dan tidak mengakibatkan terjadinya komplikasi penyakityang lebih berat=

1. Bata'a" &a'aa(

%ada bagian ini berisi batasan8batasan masalah yang

diterapkan pada penelitian9 antara lain yaitu:

1= Data yang digunakan diperoleh dari UFI Machine

Learning $epository =

#= Data latih yang digunakan adalah Pima 'ndians

(iabetes (ata Set =

= Data pasien yang digunakan berjumlah 53$ jia

dengan pembagian untuk data training dan data

testing=

4= Menggunakan metode *eed8*orard Multi ,ayer

%er;eptron dengan optimasi DiHerential -olution=

1. S/'te&at/!a 0e&ba(a'a"Dalam penyusunan skripsi ini terdapat penulisan yang

terstruktur sebagai berikut:

BAB 1 PENDAHULUAN

Menguraikan masalah umum terkait dengan penelitianyang bersistematis dan berkesinambungan= %enulisandimulai dari latar belakang9 rumusan masalah9 tujuan9man


18/72

Membahas tentang peran;angan sistem yang akandibangun dalam implementasi metode *eed8*orard Multi,ayer %er;eptron dengan optimasi DiHerential -olutionuntuk diagnosa penyakit Diabetes Mellitus= Sepertiperan;angan tampilan9 algoritma dan alur program sistem

yang akan diimplementasikan=BAB IMPLEMENTASI

Membahas tentang implementasi sistem dari hasilperan;angan sistem yang telah dilakukan9 sepertimengimplementasikan desain algoritma menggunakanbahasa pemrograman berdasarkan peran;angan sistemsebelumnya=

BAB PENGUIAN

Menguraikan tentang pengujian


19/72

BAB $ LANDASAN KEPUSTAKAAN

/ab landasan kepustakaan terdiri dari kajian pustaka dan

dasar teori= ,andasan Kepustakaan dalam penelitian inimembandingkan 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 Diabetes9 Sistem %akar9 #rti&cial )eural

)et*ork 9 )lgoritma -olusi9 dan )kurasi Easil %engujian=

$.1 Ka*/a" P%'ta!a

Kajian pustaka pada penelitian ini akan membahas tentang

penelitian8penelitian sebelumnya yang bertujuan untukmengetahui kelebihan dan kelemahannya sehingga dapat

menjadi retrue positive? dan speci&city >true negative? "=414#

>Nguyen9 #""3?=

%ada tahun #""6 terdapat penelitian sistem pakar diagnosa

diabetes yang dilakukan oleh Temurtas= %ada penelitian ini

dilakukan dengan menggunakan metode multilayer neural

net*ork yang dilatih dengan algoritma Levenberg"Maruardt

>,M? dan probabilistic neural net*ork = Data yang digunakan pada

penelitian ini adalah data Pima 'ndian (iabetes didapatkan dari

UFI machine learning database, data tersebut terbagi menjadi #

1


20/72

kelompok yaitu normal dan Pima 'ndian dengan diabetes= Dari

sampel data tersebut terdapat $ ftur yaitu jumlah kehamilan9

konsentrasi plasma glukosa9 tekanan diastol darah9 ketebalan

lipatan kulit trisep9 #8h serum insulin9 indeks massa tubuh9diabetes predigree function9 dan usia= Easil akurasi dari

penelitian ini menggunakan M,NN8,M dengan alidasi

konensional yaitu $#=5 dan untuk %NN adalah 5$=1 sedangkan

M,NN8,M dengan 1" G *F yaitu 56=3# dan %NN dengan 1" G *F

5$="! >Temurtas9 #""6?=

%enelitian oleh );ar pada tahun #""6 dengan topik

penelitian sistem pakar prediksi kebangkrutan fnansial bank di

Turki= %enelitian dilakukan dengan menggunakan beberapa

metode antara lain #rti&cial )eural )et*ork >Multi Layer Perceptron, Competitive Learning, Self Organizing Map dan

Learning Vector uantization?9 Support Vector Machine >S.M?9

dan Multivariate Statistical >Multivariate (iscriminant #nalysis, !"

means Cluster #nalysis, Logistic $egression #nalysis%= Masukan

dari penelitian ini yaitu #" rasio fnansial dengan 3 kelompok ftur

meliputi capital adeuacy, asset uality, management uality,

earnings, liuidity, dan sensitivity = Easil akurasi dari penelitian ini

pada proses latih untuk M,%9 F,9 S'M9 ,.9 S.M9 MD)9 F)9 dan

,&) se;ara berturut8turut yaitu 1""9 !$=149 !$=149 $=5#9

6=49 $$=59 $3="49 $3="4= Sedangkan hasil akurasi

untuk data tes dengan M,%9 F,9 S'M9 ,.9 S.M9 MD)9 F)9 dan

,&) se;ara berturut8turut yaitu 6!=!"9 3$=1$9 3=39 1""9

6"=6"9 3$=1$9 $1=$19 $1=$1 >);ar9 #""6?=

%ada tahun #""6 terdapat penelitian yang dilakukan oleh

Mosta


21/72

D-) )NN terbukti dapat digunakan untuk menentukan efsiensi

bank >Mosta0NN?

dilatih dengan metode (i/erential -volution #lgorithm >D-?=

Selain itu sebagai perbandingan digunakan juga metode 0NN

murni dan 0hreshold #ccepting 0rained .avelet )eural )et*ork

>T)0NN?= Data yang digunakan pada per;obaan ini yaitu

himpunan data bank yang bangkrut meliputi 1+S+ banks, 0urkish

banks, Spanish banks dan untuk perbandingan juga dilakukan

pada data 'ris, .ine, dan .isconsin 2reast Cancer = Easil akurasi

rata8rata dari per;obaan ini pada data 0urkish banks untukmetode D-0NN9 0NN dan T)0NN se;ara berturut8turut yaitu

6!9 6! dan 1""9 sedangkan nilai sensitivity nya masing8

masing bernilai 1""9 dan nilai speci&city nya se;ara berturut8

turut yaitu 6!9 6! dan 1""= %ada data Spanish banks untuk

akurasi rata8rata metode D-0NN9 0NN9 dan T)0NN se;ara

berturut8turut yaitu $6=669 $3=359 $$=9 sedangkan nilai

sensitivity se;ara berturut8turut yaitu 61=339 $6=359 56=33 9

dan untuk nilai speci&city se;ara berturut8turut adalah 69

$19 dan 6"=!= %ada data 1+S+ banks metode D-0NN9 0NN9

dan T)0NN se;ara berturut8turut adalah 6=9 $!=$9

6"=$9 untuk nilai sensitivity se;ara berturut8turut adalah

65=#9 $!=$#9 6"=439 sedangkan untuk nilai speci&city

se;ara berturut8turut adalah $6=5$9 $5=!9 61=!4= Selain itu

pada per;obaan data 0urkish banks dan Spanish banks dengan

pengurangan ftur didapatkan hasil yaitu untuk data 0urkish

banks menggunakan metode D-0NN9 0NN dan T)0NN se;ara

berturut8turut memiliki hasil rata8rata 6"9 6"9 dan 65=!9

untuk nilai sensitivity nya 1""9 1""9 dan 65=!9 sedangkan

untuk nilai speci&city nya $"9 $1=359 dan 1""= %ada data

Spanish banks nilai rata8rata akurasi menggunakan metode

D-0NN9 0NN dan T)0NN se;ara berturut8turut yaitu $$=9

$3=359 dan $$=9 untuk nilai sensitivity nya yaitu 64=139

56=!9 dan 6#=159 sedangkan untuk nilai speci&city nya yaitu

$39 1""9 dan 61= Dari hasil penelitian tersebut dapat

disimpulkan D-0NN paling unggul dibandingkan metode 0NN

dan T)0NN >Fhauhan9 #""6?=


22/72

%ada tahun #"1" terdapat penelitian yang dilakukan

Khashman dengan penyusunan sistem pakar untuk ealuasi

risiko kredit pada bank menggunakan metode Supervised )eural

)et*orks dilatih dengan algoritma back propagation= Data yangdigunakan dalam penelitian ini adalah data aplikasi kredit erman

yang memiliki 1""" kasus dengan setiap kasus memiliki atribut

asli berjumlah #" atribut dan menjadi #4 atribut setelah

ditambah dengan beberapa ariabel indikator= %enelitian ini

menggunakan 6 pola latih yang berbeda dengan menggunakan

model neural net*ork yang berbeda berdasarkan jumlah lapisan

hidden nya dan rasio jumlah data latih dan data tes yang

berbeda8beda= Dari #5 hasil per;obaan yang ada didapatkan

hasil terbaik sejumlah data yang memenuhi kriteria ealuasi=%ertama9 implementasi dengan model )NN8# pada ,S4 >rasio

4"":3""? memenuhi kedua kriteria dengan jumlah iterasi 1$=3!#

yang menutupi nilai eror "=""$= Kedua9 implementasi dengan

model )NN81 pada ,S! >rasio !"":!""? juga memenuhi kedua

kriteria dengan jumlah iterasi 16=#3= Ketiga9 implementasi

menggunakan model )NN8 pada ,S3 >rasio 3"":4""? yang

mendekati memenuhi kedua kriteria dengan membutuhkan

#!""" iterasi untuk menutupi nilai eror "=""$!1= Easil akurasi

training dan testing pada )NN se;ara berturut8turut adalah66=#! dan 5=15 dan nilai akurasi keseluruhan adalah $=39

aktu per;obaan training diselesaikan dalam 1$4 s dan aktu

untuk pembuatan keputusan yaitu !=15 G 1"8! s >Khashman9

#"1"?=

%ada tahun #"1" juga terdapat penelitian oleh Myoung8

ong mengenai prediksi kebangkrutan menggunakan metode

)NN yang dioptimasi dengan menggunakan metode ensemble

yaitu 2agging dan 2oosting+ Data yang digunakan pada studi ini

didapatkan dari sebuah bank komersial di Korea dengan dataset

terdiri dari 14!$ frma manu


23/72

penelitian ini pada metode NN data training dan data testing

se;ara berturut8turut yaitu 54=$" dan 51="#= Easil rata8rata

akurasi pada metode 2oosted NN data training dan data testing

se;ara berturut8turut yaitu 5!=5" dan 5!=1"= Sedangkan pada ujimetode 2agged NN memberikan hasil data training dan data

testing se;ara berturut8turut yaitu 53=45 dan 5!=65= Selain

menentukan akurasi9 dihitung juga prediksi error rate pada ketiga

metode ini dengan topologi yang berbeda serta pada tiap

metode prediksi error rate nya dibagi menjadi se;ara

keseluruhan9 tipe 19 dan tipe #= %ada metode NN nilai rata8rata

error rate nya se;ara keseluruhan9 tipe 1 dan tipe # se;ara

berturut8turut yaitu #$=649 #=#9 dan 4=!!= Sedangkan

pada metode 2oosted NN nilai rata8rata error rate nya se;arakeseluruhan9 tipe 1 dan tipe # se;ara berturut8turut yaitu

#4=6"9 15=$69 dan 1=61= dan pada metode 2agged NN nilai

rata8rata error rate nya se;ara keseluruhan9 tipe 1 dan tipe #

se;ara berturut8turut yaitu #4="9 15=#9 dan "=$=

berdasarkan hasil akurasi nilai error rate dapat diambil

kesimpulan baha penggunaan optimasi metode 2agging dan

2oosting pada NN menunjukkan hasil yang lebih akurat

dibandingkan dengan NN >Myoung8ong9 #"1"?=

%ada tahun #"119 )bu8-lanien melakukan penelitian

terhadap penentuan kondisi trans**)NN?= Data yang

digunakan pada penelitian ini diambil dari sistem industri sebuah

industri instalasi di Timur Tengah= Input yang digunakan antara

lain air9 keasaman9 break do*n voltage >/D.?9 hydrogen >E#?9

metana >FE4?9 etilen >F#E4?9 )setilen >F#E#?9 F#E39 kandungan


24/72

%ada tahun #"1# Thirugnanam melakukan penelitian

terhadap diagnosis diabetes menggunakan pendekatan metode

gabungan >*FN? meliputi 3uzzy 9 )eural )et*ork dan Case 2ased

$easoning+ Data yang digunakan pada penelitian ini diperolehdari surey dengan isian meliputi jenis usia9 kelamin9 inThirugnanam9 #"1#?=

%ada tahun #"1# Karan melakukan penelitian yang sama

terhadap diagnosa diabetes menggunakan metode three"layered

Multilayer Perceptron >M,%? feed"for*ard neural net*ork yang

dilatih dengan algoritma error back propagation= %enyusunan

sistem ini berbasis %D)= Dataset yang digunakan untuk proses

training adalah 4!3 data dengan ##$ diantaranya berasal dari

data orang dengan kesehatan normal= Masukan pada penelitian

ini yaitu umur9 aktiitas fsik >ya+tidak?9 kehamilan9 diabetes pada

keluarga9 indeks massa tubuh9 ketebalan lipatan kulit9 kolesterol9

tekanan darah diastol9 #8h serum insulin9 diabetes pedigree,

konsentrasi glukosa plasma= %roses training dilakukan beberapa

kali dengan jumlah iterasi dimulai dari 1""" kali9 #"""9 """9

4"""9 !"""9 3"""9 dan berakhir pada 5"""= %ada hasil uji;oba

pertama dengan iterasi 1""" kali menunjukkan nilai minimum

eror di;apai dengan nilai learning rate dan momentum se;ara

berturut8turut "=5! dan "=#!= %ada tes kedua9 dengan #"""

iterasi dilakukan dengan momentum dan learning rate yang

berbeda= Easil tes kedua menunjukkan baha eror minimum

terjadi dengan learning rate dan momentum se;ara berturut8

turut "=6! dan "="!= %ada tes ketiga9 nilai paling ke;il dari total

nilai eror adalah #=116 terjadi pada learning rate bernilai "=$!

dan momentum "=#!= Easil keempat menunjukkan nilai minimum

3


25/72

eror adalah #="$3 pada learning rate "=6! dan momentum "=1!=

Iterasi yang terakhir digunakan adalah !""" iterasi9 karena dari

hasil iterasi 3""" dan 5""" tidak menunjukkan perubahan yang

signifkan= %ada per;obaan dengan !""" iterasi menunjukkan jumlah eror minimum adalah 1=14# eror dengan learning rate

"=6! dan momentum "="!= Easil yang didapatkan menunjukkan

akurasi yang kompetitiKaran9 #"1#?=

%ada tahun #"1# ShihFhung melakukan penelitian

terhadap deteksi benjolan ke;il pada paru8paru denganmenggunakan teknik jaringan syara< tiruan isual yang disebut

Convolution )eural )et*ork >FNN? double matching dengan

optimasi pembobotan back propagation= Data yang digunakan

pada penelitian ini yaitu hasil image radiologi bagian dada untuk

selanjutnya dilakukan deteksi benjolan ke;il tersebut termasuk

penyakit atau e


26/72

%ada tahun #"1 penelitian terhadap risiko diabetes

mellitus tipe # juga dilakukan oleh 0ang dengan menggunakan

metode perbandingan antara arti&cial neural net*ork >)NN? dan

multivariate regression >M,&?= Data yang digunakan padapenelitian ini yaitu didapat dari hasil surei pada daerah

pedesaan di proinsi Eenan= %artisipan berumur !854 tahun=

Didapatkan hasil $34" subjek data yang digunakan pada studi ini

dengan menge;ualikan data penduduk yang memiliki kondisi

berikut ini: kelainan psikologi9 ;a;at fsik9 kanker9 penyakit ginjal

kronis9 penyakit #lzheimer 9 dimensia selama 3 bulan9 )IDS dan

penyakit menular lain= Selain itu data dengan missing value juga

dihilangkan= Easil dari penelitian ini yaitu tingkat pemerataan

T#DM adalah $=33 >nO!31? dan 6=#1 >nO166? pada trainingdan alidasi se;ara berturut8turut= Untuk model )NN9 sensitiitas9

kekhususan9 nilai predikti< positi< dan negatie untuk identifkasi

T#DM se;ara berurutan adalah $3=69 56=149 1=$39 dan

6$=1$9 sedangkan model M,& hanya 3"=$"9 5!=4$9 #1=5$9

dan 64=!#= Nilai area dibaah kura &'F untuk identifkasi

T#DM dengan menggunakan model )NN adalah "=$619

menunjukkan kinerja predikti< yang lebih akurat dibandingkan

dengan model M,& >)UFO"=544? >%O"="""1? >0ang9 #"1?=

%enelitian selanjutnya menggunakan metode #rti&cial

)eural )et*ork >)NN? yang digabungkan dengan metode MD)9

,&9 F&T9 dan )da/oost diteliti oleh *edoroa pada tahun #"1

pada kasus prediksi kebangkrutan perusahaan manu


27/72

pada penggunaan metode )NN gabungan dengan algoritma

pembelajaran lain yaitu $$=$ >*edoroa9 #"1?=

%enelitian pada tahun yang sama dilakukan oleh uma

terhadap permasalahan ealuasi aplikasi kredit bank komersialKenya dengan menggunakan metode )NN dengan optimasi

backpropagation= Data yang digunakan sebagai inputan disini

ada $ data yaitu: current ratio, liuidity ratio, creditor days,

interest cover, collection period, stock turnover, gross gearing

ratio, pro&ts+ Easil penelitian ini dari ! kali per;obaan pada

proses training dan ! kali proses testing9 peneliti menetapkan

baha 66 dapat memberikan hasil yang serupa dengan yang

diberikan oleh manusia setelah ealuasi peminjaman=

%ada tahun #"14 terdapat penelitian oleh Shen terhadap

masalah uality Control kuantitati< big data pada pasien kanker

menggunakan metode arti&cial neural net*ork >)NN?= Data yang

digunakan pada penelitian ini yaitu data rekam medis dari pasien

kanker di rumah sakit Fhina= Easil dari penelitian dengan

mengimplementasikan big data dan )NN9 peneliti dapat

menghasilkan metode F yang baik untuk meningkatkan

peraatan kanker dengan radioterapi dan kemoterapi=

%ada tahun yang sama terdapat penelitian oleh%angaribuan terhadap diagnosis Diabetes Mellitus menggunakan

feed for*ard neural net*ork -4treme Learning Machine >-,M?=

Data yang digunakan pada penelitian ini didapatkan dari UFI

$epository yang terdiri dari populasi anita umur #1 tahun dan

tinggal di %hoeniG9 )riJona dengan jumlah data 53$ orang yang

dibagi menjadi data training dan data testing= Easil rata8rata

akurasi penelitian ini menggunakan metode -,M pada data

training dan data testing se;ara berturut8turut yaitu "=35 mse

dan "=6 mse= Sedangkan menggunakan metode

backpropagation pada data training dan data testing se;ara

berturut8turut yaitu "=411 mse dan "=$4# mse= Nilai error rate

MS- keseluruhan untuk data testing -,M adalah "=4"3 dan pada

metode backpropagation adalah "=64#! >%angaribuan9 #"14?=

Kumar melakukan penelitian yang sama terhadap diagnosa

diabetes pada tahun #"14 menggunakan metode ant colony

optimized neural net*ork+ Data yang digunakan pada penelitian

ini didapatkan dari UFI machine learning repository dengan $

6


28/72

atribut ditambah atribut kelas dalam dataset+ )tribut tersebut

antara lain pregnancy freuency, plasma glucose test, diastolic

2P, thickness of 0ricep7s skin, serum insulin of t*o hours, body

mass inde4, diabetes predigree function, age, dan class variable+Easil akurasi dan jumlah eror disajikan dalam bentuk tabel

batang= Se;ara berturut8turut hasil akurasi penelitian )F'8NN

menggunakan feature selection lebih besar dibandingkan pada

)F'8NN tanpa feature selection dan untuk jumlah eror pada

)F'8NN menggunakan feature selection lebih ke;il dibandingkan

)F'8NN tanpa feature selection+ Easil dari penelitian ini akurasi

lebih tinggi didapatkan pada )F' NN dengan feature selection

dengan dibuktikan oleh tingkat eror yang lebih rendah dari

metode yang tidak menggunakan feature selection= Easil daripenelitian ini akurasi lebih tinggi didapatkan pada )F' NN

dengan feature selection dengan dibuktikan oleh tingkat eror

yang lebih rendah dari metode yang tidak menggunakan feature

selection= %eningkatan pada akurasi dapat digunakan untuk

sistem pendukung keputusan pada bidang kesehatan karena

data nya yang sensitie dan membutuhkan pemrosesan yang

real time= >Kumar9 #"14?=

%ada tahun #"1! &ather melakukan penelitian

menggunakan $ecurrent )eural )et*ork 9 selain itu juga

membandingkan penggunaan metode tersebut dengan model

5ybrid Prediction Model >E%M? yang merupakan gabungan dari

metode linier dan non8linier meliputi $ecurrent )eural )et*ork

>&NN?9 -4ponential Smoothing >-S?9 dan #utoregressive Moving

#verage Model >)&M)? pada prediksi hasil inestasi saham= Data

yang digunakan pada penelitian ini adalah data asli saham

berjumlah 3 yang didapatkan dari National Sto;k -G;hange oNS-?9 data tersebut antara lain TFS9 /E-,9 0ipro9 )Gis

/ank9 Maruti9 Tata Steel= %enelitian ini memberikan beberapa

hasil per;obaan yaitu pada penelitian penggunaan model linier

)& dan -S9 nilai MS- dan M)- kedua model tinggi= Korelasi

antara target dan hasil yang diprediksi juga sangat rendah

sehingga dapat disimpulkan baha model prediksi linier ini tidak

memuaskan= Sedangkan pada model non8linier yaitu

menggunakan metode &NN memberikan hasil pada data training

dan data testing baha pada setiap saham nilai erornya rendah

dan memiliki korelasi koefsien antara target dan hasil yang

1"


29/72

diprediksi lebih tinggi= Kemudian dilakukan perbandingan lagi

menggunakan model &NN9 M,%9 dan E%M yang hasilnya disajikan

dalem tabel grafk dan diambil kesimpulan model &NN dan model

E%M dapat memprediksi terjadinya peningkatan tajam pada data>Puktuasi?9 sedangkan model M,% yang diuji tidak dapat

memprediksi peningkatan tajam se;ara mendadak= Selain itu

dilakukan perbandingan lagi kinerja model &NN dan E%M pada #!

saham9 Easil menunjukkan baha kinerja E%M melampaui &NN9

dengan minimnya eror dan korelasi tinggi antara hasil prediksi

dan target >&ather9 #"1!?=

%enelitian yang sama dilakukan pada bidang ekonomi pada

tahun #"1! juga dilakukan oleh Iturriaga menggunakan metode

kombinasi dari multilayer perceptrons >M,%? dan self"organizingmaps >S'M? pada permasalah prediksi dan isualisasi

kebangkrutan pada bank komersial U=S= Data yang digunakan

pada penelitian ini yaitu menggunakan data yang didapat dari

*ederal Deposit Insuran;e Forporation >*DIF?= %eneliti menyeleksi

sebanyak # ariabel yang berpotensial jelas untuk risiko

kebangkrutan= .ariabel ini diseleksi dengan mengadaptasi

kriteria untuk memperbaiki hasil dari model= &asio

dikelompokkan menjadi ! himpunan ariabel yang berbeda=

&asio 1814 mengukur pendapatan bank9 1!8#1 menaksir struktur

asset setiap bank9 ##8#! penelitian lebih dalam terhadap asset

dan menaksir portoM,%8S'M? dari model

tersebut maka akan menghasilkan hasil yang paling optimal

>Iturriaga9 #"1!?=

11


30/72

%ada tahun yang sama terdapat penelitian oleh Ee8/oong

menggunakan model data envelopment analysis >D-)? dan back

propagation neural net*ork >/%NN? untuk pemodelan produksi

t*o"stage seuential pada bank besar di U=S= Data yangdigunakan pada penelitian ini yaitu untuk lapisan input terdiri

dari employees, euity dan e4penses= Dan pada lapisan tengah

terdapat deposits, loans, dan investments= Dari hasil yang ada

menghasilkan diskusi yaitu model /%NN pertama memprediksi

efsiensi dari DMU dalam tahap pertama dengan menggunakan

tiga input dan tiga output= Model /%NN kemudian memprediksi

leel proft yang dibutuhkan setiap DMU untuk men;apai kinerja

targetnya9 juga memprediksi kenaikan proft diperlukan untuk

memperoleh leel kinerja yang diinginkan9 ;ontohnya padamodel /%NN pertama memprediksi efsiensi &/S yang ditandai

dengan proft negatie dari 9"""QUSM "=4!= Kemudian modul

/%NN kedua memprediksi kenaikan proft 46 >19"14 194$3?

untuk DMU men;apai 1+ >#+ ekuialen? dari kinerja tahap

pertama= %ada tabel menunjukkan kenaikan output sebanding

dengan kenaikan kinerja target pada DMU >Ee8/oong9 #"1!?=

%ada tahun #"1! juga dilakukan penelitian oleh Esiao8

Esien menggunakan metode prediksi arti&cial neural net*ork

>)NN? dan logistic regression >,&? pada masalah prediksi risiko

kanker hati pada penderita diabetes mellitus tipe #= Data yang

digunakan pada penelitian ini yaitu didapatkan dari )ational

5ealth 'nsurance $esearch (atabase >NEI&D? Taian9 yang

men;akup kira8kira ## juta orang= Dalam studi ini9 penulis

menyeleksi pasien yang baru didiagnosa dengan tipe II diabetes

selama periode #"""8#""9 dengan tidak ada diagnosa kanker

sebelumnya= Easil dari penelitian ini yaitu submodel 1 memiliki

sensitivity 9 speci&city yang terbaik= Untuk )UF submodel # dan

memiliki hasil yang lebih baik dari submodel 1= %ada submodel 1

hasil akurasi )NN lebih baik daripada ,&= Model )NN optimal

dihasilkan pada submodel 1 dengan memiliki #! lapisan input9 4

hidden dan # output >Esiao Esien9 #"1!?=

%ada tahun #"1! Nongyao melakukan penelitian terhadap

klasifer risiko prediksi diabetes dengan menggunakan metode

(ecision 0ree9 #rti&cial )eural )et*ork 9 Logistic $egression dan

)a8ve 2ayes lebih dahulu di uji= Kemudian teknik 2agging dan

2oosting diteliti untuk meningkatkan ketahanan model8model

1#


31/72

tersebut= Selanjutnya9 $andom 3orest tidak lupa juga diealuasi

dalam penelitian ini= Data yang digunakan diperoleh dari #3

Primary Care 1nit >%FU? rumah sakit Saanpra;harak selama

tahun #"1#8#"1= Input untuk penelitian ini yaitu 2ody Mass'nde4 >/MI?9 age, *eight, height, systolic blood pressure,

diastolic blood pressure, history of diabetes in family, history of

hypertension in family, alcohol drinking, smoking behavior, se4+

Easil penelitian ini yaitu pada lima teratas adalah model $andom

3orest 9 2agging *ith decision tree9 2agging *ith arti&cial neural

net*ork 9 (ecision tree dan 2oosting dengan decision tree

yaitu$!=!!$9 $!=9 $!=#49 $!="6"9 dan $4=$1!=

Sebagian besar berdasar (ecision 0ree #lgorithms= Keakuratan

yang paling rendah adalah Model 2agging *ith )a8ve 2ayes yaitu$"=63"= Easil ini juga memberi kesan baha Teknik 2agging

and 2oosting meningkatkan keakuratan Model (ecision 0ree9

#rti&cial )eural )et*ork 9 Logistic $egression= Keakuratan model

)a8ve 2ayes hanya meningkat dengan teknik 2oosting= Selain itu

dilakukan uji ;oba dengan &'F curve+ ,ima nilai &'F Fure

tertinggi adalah model $andom 3orest 9 2agging *ith (ecision

0ree9 2agging *ith #rti&cial )eural )et*ork 9 2oosting *ith

#rti&cial )eural )et*ork dan #rti&cial )eural )et*ork yaitu

"=61#9 "=6"39 "=6"9 "=6"1 dan "=$63= Sementara yang terendahadalah model )a8ve 2ayes9 "=$!! >Nongyao9 #"1!?=

%ada tahun yang sama juga terdapat penelitian mendesain

si&N) yang optimal oleh Murali dengan menggunakan multi"

layer perceptron feed"for*ard neural net*ork dengan training

menggunakan algoritma Scaled Con9ugate :radient untuk

menghitung skor akhir setiap si&N)= /erbagai algoritma neural

net*ork seperti classic 2ackpropagation, $esilient propagation

>&%rop? dan scaled Con9ugate :radient >SF(? juga di;oba= Data

yang digunakan untuk proses training didapatkan dari Euesken

dataset yang terdiri dari #41 si&N) dari " gen= Sedangkan

untuk proses tes menggunakan # dataset yaitu 416 si&N) dan

453 si&N)= Easil penelitiannya 'psiD memiliki nilai sensitiity

tertinggi yaitu "=36 dan speci&city "=$= Nilai speci&city memiliki

nilai lebih rendah dibandingkan /iopredsi= Namun sistem ini telah

mengalami peningkatan kemampuan prediksi= Se;ara

keseluruhan9 analisa yang dilakukan telah menunjukkan baha

perubahan kinerja model aplikasi yang digunakan dalam

1


32/72

accuracy 9 MFF9 dan sensitivity mengalami peningkatan daripada

model lain >Murali9 #"1!?=

%ada tahun #"13 terdapat penelitian yang dilakukan oleh

-rkaymaJ terhadap diagnosa diabetes menggunakan Small".orld 3eed 3or*ard #rti&cial )eural )et*ork >S08**)NN?=

%enelitian ini menggunakan Pima indian diabetic dataset >%IDD?

yang diambil dari UFI machine learning repository = Data yang

diamati meliputi 53$ sample dan dua kelompok >normal: !""9

diabetes: #3$?= Masing8masing sampel memiliki $ ;iri dan 1

respon= *itur pada data tersebut antara lain number of times

pregnant, plasma glucose concentration, diastolic blood

pressure, triceps skin fold thickness, ;"hour serum insulin, body

mass inde4, diabetes pedigree function, age, result = Easilpenelitian ini yaitu sensitivity, speci&city, dan accuracy se;ara

berturut8turut pada **)NN konensional "=3"""9 "=6#19 $==

Sedangkan pada S08**)NN yaitu "=$!""9 "=631!9 dan 61=33

>-rkaymaJ9 #"13?=

/erikut merupakan penelitian8penelitian terkait yang

disajikan dalam bentuk tabel agar mudah dipahami ditunjukkan

pada tabel #=1=

14


33/72

Tabe $.1 %erbandingan %enelitian %enulis Dengan %enelitian Terkait

N

o

Nama

%eneliti9

Tahun

'bjek Metode Easil

1 Nguyen9

#""3

%enelitian tentang deteksi

episode hipoglikemia >turunnyakadar gula darah? pada anak8

anak penderita Diabetes Mellitus

tipe 1=

%ada penelitian ini

menggunakan parameter

fsiologi berupa detak jantung9

interal T yang dibenarkan dari

sinyal -F( dan impedansi kulit=

multilayer feed"for*ard

neural net*ork

Easil pada studi ini

mengindikasikan baha episodehipoglikemik pada anak T1DM

dan dideteksi se;ara e


34/72

8 tekanan diastol darah

8 ketebalan lipatan kulit

trisep

8 # jam serum insulin

8 indeks massa tubuh

8 diabetes predigree

function

8 usia

);ar9

#""6

Sistem pakar prediksi

kebangkrutan fnansial bank di

Turki= Masukan dari penelitian ini

yaitu #" rasio fnansial dengan 3

kelompok ftur meliputi:

8 capital adeuacy

8 asset uality

8 management uality

8 earnings

8 liuidity

8 sensitivity

%enelitian dilakukan

dengan menggunakan

beberapa metode

antara lain:

8 #rti&cial )eural

)et*ork meliputi:

Multi Layer

Perceptron >M,%?

Competitive

Learning >F,?

Self Organizing

Map >S'M?

Learning Vector

Easil akurasi dari penelitian ini

pada data training<

M,%: 1""

F,: !$=14

S'M: !$=14

,.: $=5#

S.M: 6=4

MD): $$=5F): $3="4

,&): $3="4

13


35/72

uantization

>,.?

8 Support Vector

Machine >S.M?

8 Multivariate

Statistical

meliputi:Multivariate

(iscriminant

#nalysis >MD)?

!"means Cluster

#nalysis Logistic

$egression

#nalysis

Data testing<

M,%: 6!=!"

F,: 3$=1$

S'M: 3=3

,.: 1""

S.M: 6"=6"

MD): 3$=1$

F): $1=$1

,&): $1=$1

4 Mosta


36/72

fnansialnya tidak bernilai

negatipembanding? per;obaan tersebut hasil dari

penggunaan metode D-) )NN

terbukti dapat digunakan untuk

menentukan efsiensi bank

! Fhauhan

9 #""6


kebangkrutan bank= Data yang

digunakan pada per;obaan ini

yaitu himpunan data bank yang

bangkrut meliputi 1+S+ banks,

0urkish banks, Spanish banks

dan untuk perbandingan juga

dilakukan pada data 'ris, .ine,

dan .isconsin 2reast Cancer =

Metode:

8 .avelet )eural

)et*ork >0NN?dilatih dengan

metode

(i/erential

-volution

#lgorithm >D-?

8 0NN murni

8 0hreshold

#ccepting 0rained

.avelet )eural

)et*ork >T)0NN?

Semua data ftur:

Turkish:

#ccuracy<

D-0NN: 6!

0NN: 6!

T)0NN: 1""

Sensitivity<

D-0NN: 1""

0NN: 1""

T)0NN: 1""

Speci&city<

D-0NN: 6!0NN: 6!

T)0NN: 1""

1$


37/72

Spanish:

#ccuracy<

D-0NN: $6=66

0NN: $3=35

T)0NN: $$=

Sensitivity<

D-0NN: 61=33

0NN: $6=35

T)0NN: 56=33

Speci&city<

D-0NN: 6

0NN: $1

T)0NN: 6"=!

U=S=:

#ccuracy<

D-0NN: 6=

0NN: $!=$

16


38/72

T)0NN: 6"=$

Sensitivity<

D-0NN: 65=#

0NN: $!=$#

T)0NN: 6"=43

Speci&city<

D-0NN: $6=5$

0NN: $5=!

T)0NN: 61=!4

Easil menunjukkan D-0NN

paling unggul dibandingkan

metode 0NN dan T)0NN

3 Khashman9 #"1"

sistem pakar untuk ealuasirisiko kredit pada bank

Data yang digunakan dalam

Supervised )eural)et*orks dilatih dengan

algoritma back

propagation

Dari #5 hasil per;obaan yang adadidapatkan hasil terbaik

sejumlah data yang memenuhi

#"


39/72

penelitian ini adalah data

aplikasi kredit erman yang

memiliki 1""" kasus dengan

setiap kasus memiliki atribut asli

berjumlah #" atribut dan

menjadi #4 atribut setelah

ditambah dengan beberapa

ariabel indikator=

kriteria ealuasi:

8 implementasi dengan

model )NN8# pada ,S4

>rasio 4"":3""? memenuhi

kedua kriteria dengan

jumlah iterasi 1$=3!# yang

menutupi nilai eror "=""$

8 implementasi dengan

model )NN81 pada ,S!

>rasio !"":!""? juga

memenuhi kedua kriteria

dengan jumlah iterasi

16=#3=

8 implementasi

menggunakan model )NN8

pada ,S3 >rasio 3"":4""?

yang mendekati memenuhi

kedua kriteria dengan

membutuhkan #!"""iterasi untuk menutupi nilai

eror "=""$!1=

Easil akurasi training dan testing

#1


40/72

pada )NN:

0raining: 66=#!

0esting< 5=15

nilai akurasi keseluruhan: $=3

aktu per;obaan training: 1$4 s

aktupembuatan keputusan:

!=15 G 1"8! s

5 Myoung8

ong9

#"1"


kebangkrutan= Data yang

digunakan pada studi ini

didapatkan dari sebuah bank

komersial di Korea dengan

dataset terdiri dari 14!$ frma

manu


41/72

8 liuidity

8 activity

8 size=

NN:

overall


42/72

diambil dari sistem industri

sebuah industri instalasi di

Timur Tengah= Input yang

digunakan antara lain:

8 )ir

8 Keasaman

8 break do*n voltage >/D.?

8 hydrogen >E#?

8 metana >FE4?

8 etilen >F#E4?

8 )setilen >F#E#?

8 F#E3

8 kandungan


43/72

#"1# pada penelitian ini diperoleh dari

surey dengan isian meliputi:

8 jenis usia

8 kelamin

8 in


44/72

8 luka yang sulit sembuh

8 gaya hidup

8 gestational diabetes

8 sering menkonsumsi

makanan non8egetarian

8 gatal di sekujur tubuh

1

"

Karan9

#"1#

diagnosa diabetes= Masukan

pada penelitian ini yaitu:

8 umur

8 aktiitas fsik >ya+tidak?

8 kehamilan

8 diabetes pada keluarga

8 indeks massa tubuh

8 ketebalan lipatan kulit

8 kolesterol

8 tekanan darah diastol

8 # jam serum insulin

8 diabetes pedigree

three"layered Multilayer

Perceptron >M,%? feed"

for*ard neural net*ork

yang dilatih dengan

algoritma error back

propagation

Uji ;oba pertama >1""" kali

iterasi?:

Nilai minimum eror di;apai saat:

Learning rate< =+>?

Momentum: "=#!

Uji ;oba kedua >#""" kali iterasi?:


Learning rate< "=6!

Momentum: "="!

Uji ;oba ketiga >""" kali iterasi?:


Learning rate< "=$!

#3


45/72

8 konsentrasi glukosa

plasma

Momentum: "=#!

Uji ;oba keempat >4""" kali

iterasi?:


Learning rate< "=6!

Momentum: "=1!

Uji ;oba keempat >4""" kali

iterasi?:


Learning rate< "=6!

Momentum: "="!

1

1

ShihFhu

ng9 #"1#

%enelitian terhadap deteksi

benjolan ke;il pada paru8paru=

Data yang digunakan pada

penelitian ini yaitu hasil image

radiologi bagian dada=

Convolution )eural

)et*ork >FNN? double

matching dengan

optimasi pembobotan

back propagation=

Easil dari penelitian ini diambil

dari kura &'F:

8 metode regular back

propagation neural

net*ork< "=3!

8 the convolution net*ork<

"=55

8 convolution net*ork *ith

#5


46/72

fuzzy : "=$

1

#

,uangru

angrong9

#"1#

prediksi diabetes dengan studi

/%?9*aist circumference >0F? dan

3amily 5istory >*ME?= Selain itu

digunakan juga /NN?

*aktor yang diajukan

menunjukkan nilai &MS- dan

akurasi masing8masing "=515$

dan $93!= Sebagai tambahan9

penyesuaian learning rate

memberikan kinerja lebih baik

sebesar $4= Dan terakhir9

metode yang diajukan

memberikan kinerja yang lebih

baik dibandingan dengan garis

dasar sebesar 1=#

1

0ang9

#"1

&isiko diabetes mellitus tipe #=


penelitian ini yaitu didapat dari

hasil surei pada daerah

pedesaan di proinsi Eenan=

%artisipan berumur !854 tahun=

Didapatkan hasil $34" subjek

data yang digunakan pada studiini dengan menge;ualikan data

penduduk yang memiliki kondisi

berikut ini:

metode perbandingan

antara arti&cial neural

net*ork >)NN? dan

multivariate regression

>M,&?

Tingkat pemerataan T#DM:

0raining< $=33 >nO!31?

.alidasi: 6=#1 >nO166?

Easil metode )NN:

Sensitivity< $3=6

Speci&city< 56=14Nilai predikti< positi


47/72

8 kelainan psikologi

8 ;a;at fsik

8 kanker

8 penyakit ginjal kronis

8 penyakit #lzheimer

8 dimensia selama 3 bulan

8 )IDS dan penyakit

menular lain= Selain itu

data dengan missing

value juga dihilangkan=

Easil metode M,&:

Sensitivity< 3"=$"

Speci&city< 5!=4$

Nilai predikti< positi


48/72

8 turnover indicators

8 liuidity and solvency

indicators

8 balance structure

indicators

8 indicators from classical

.estern and $ussianmodels

8 indicators stipulated by

$ussian legislation

metode )NN gabungan dengan

algoritma pembelajaran lain

yaitu $$=$

1

!

uma9

#"1

%ermasalahan sistem pakar

ealuasi aplikasi kredit bank

komersial Kenya=

Data yang digunakan sebagai

inputan disini ada $ data yaitu:

8 current ratio

8 liuidity ratio

8 creditor days

metode )NN dengan

optimasi

backpropagation

Easil penelitian ini dari ! kali

per;obaan pada proses training

dan ! kali proses testing9 peneliti

menetapkan baha 66 dapat

memberikan hasil yang serupa

dengan yang diberikan oleh

manusia setelah ealuasi

peminjaman

"


49/72

8 interest cover

8 collection period

8 stock turnover

8 gross gearing ratio

8 pro&ts

13

Shen9#"14

masalah uality Controlkuantitati< big data pada pasien

kanker

metode arti&cial neuralnet*ork >)NN?

Easil dari penelitian denganmengimplementasikan big data

dan )NN9 peneliti dapat

menghasilkan metode F yang

baik untuk meningkatkan

peraatan kanker dengan

radioterapi dan kemoterapi=

1

5

%angarib

uan9

#"14

Diagnosis Diabetes Mellitus=


penelitian ini didapatkan dari

UFI $epository yang terdiri dari

populasi anita umur #1 tahun

dan tinggal di %hoeniG9 )riJona

dengan jumlah data 53$ orang

yang dibagi menjadi data

training dan data testing=

feed for*ard neural

net*ork -4treme

Learning Machine >-,M?

Easil rata8rata akurasi penelitian

ini menggunakan metode -,M

pada data training dan data

testing se;ara berturut8turut

yaitu "=35 mse dan "=6 mse=

Sedangkan menggunakan

metode backpropagation pada

data training dan data testing

se;ara berturut8turut yaitu "=411

1


50/72

mse dan "=$4# mse= Nilai error

rate MS- keseluruhan untuk data

testing -,M adalah "=4"3 dan

pada metode backpropagation

adalah "=64#!

1

$

Kumar9

#"14

diagnosa diabetes= Data yang

digunakan pada penelitian ini

didapatkan dari UFI machine

learning repository dengan $

atribut ditambah atribut kelas

dalam dataset+ )tribut tersebut

antara lain:

8 pregnancy freuency

8 plasma glucose test

8 diastolic 2P

8 thickness of 0ricep7s skin

8 serum insulin of t*o hours

8 body mass inde4

8 diabetes predigree

function

metode ant colony

optimized neural

net*ork >)F'8NN?

hasil akurasi penelitian )F'8NN

menggunakan feature selection

lebih besar dibandingkan pada

)F'8NN tanpa feature selection

dan untuk jumlah eror pada )F'8

NN menggunakan feature

selection lebih ke;il

dibandingkan )F'8NN tanpa

feature selection+

#


51/72

8 age

8 class variable+

1

6

&ather9

#"1!

Sistem pakar hasil inestasi

saham= Data yang digunakan

pada penelitian ini adalah data

asli saham berjumlah 3 yang

didapatkan dari National Sto;k-G;hange o< India >NS-?9 data

tersebut antara lain TFS9 /E-,9

0ipro9 )Gis /ank9 Maruti9 Tata

Steel=

$ecurrent )eural

)et*ork 9 5ybrid

Prediction Model >E%M?

yang merupakan

gabungan dari metodelinier dan non8linier

meliputi $ecurrent

)eural )et*ork >&NN?9

-4ponential Smoothing

>-S?9 dan

#utoregressive Moving

#verage Model >)&M)?

hasil model )& dan -S9 nilai MS-

dan M)- kedua model tinggi

serta korelasinya rendah=

model &NN dan model E%M

dapat memprediksi terjadinyapeningkatan tajam pada data

>Puktuasi?9 sedangkan model

M,% yang diuji tidak dapat

memprediksi peningkatan tajam

se;ara mendadak=

kinerja E%M melampaui &NN9

dengan minimnya eror dan

korelasi tinggi antara hasil

prediksi dan target

#

"

Iturriaga

9 #"1!

Sistem pakar prediksi dan

isualisasi kebangkrutan pada

bank komersial U=S=


penelitian ini yaitu

kombinasi dari

multilayer perceptrons

>M,%? dan self"organizing maps >S'M?

D)9 ,&9 &*9 dan S.M

Easil akurasi 18 tahun sebelum

kebangkrutan:

D):

1 tahun: 55=$$


52/72

menggunakan data yang

didapat dari *ederal Deposit

Insuran;e Forporation >*DIF?=

%eneliti menyeleksi sebanyak #

ariabel yang berpotensial jelas

untuk risiko kebangkrutan=

.ariabel ini diseleksi dengan

mengadaptasi kriteria untukmemperbaiki hasil dari model=

&asio dikelompokkan menjadi !

himpunan ariabel yang

berbeda= &asio 1814 mengukur

pendapatan bank9 1!8#1

menaksir struktur asset setiap

bank9 ##8#! penelitian lebih

dalam terhadap asset dan

menaksir porto


53/72

tahun: $#=36

M,%8S'M:

1 tahun: 63=1!

# tahun: 6"=$

tahun: $4=3#

#1

Ee8/oong9

#"1!

Sistem pakar pemodelanproduksi t*o"stage seuential

pada bank besar di U=S=


penelitian ini yaitu untuk lapisan

input terdiri dari employees,

euity dan e4penses= Dan pada

lapisan tengah terdapat

deposits, loans, dan

investments=

model dataenvelopment analysis

>D-)? dan back

propagation neural

net*ork >/%NN?

memprediksi leel proft yangdibutuhkan setiap DMU untuk

men;apai kinerja targetnya9 juga

memprediksi kenaikan proft

diperlukan untuk memperoleh

leel kinerja yang diinginkan9

;ontohnya pada model /%NN

pertama memprediksi efsiensi

&/S yang ditandai dengan proft

negatie dari 9"""QUSM "=4!=

Kemudian modul /%NN kedua

memprediksi kenaikan proft 46

>19"14 194$3? untuk DMU

men;apai 1+ >#+ ekuialen?

dari kinerja tahap pertama=

# Esiao8 %rediksi risiko kanker hati pada arti&cial neural net*ork Easil dari penelitian ini yaitu

!


54/72

# Esien9

#"1!

penderita diabetes mellitus tipe

#=


penelitian ini yaitu didapatkan

dari )ational 5ealth 'nsurance

$esearch (atabase >NEI&D?

Taian9 yang men;akup kira8kira

## juta orang= Dalam studi ini9

penulis menyeleksi pasien yang

baru didiagnosa dengan tipe II

diabetes selama periode #"""8

#""9 dengan tidak ada

diagnosa kanker sebelumnya=

>)NN? dan logistic

regression >,&?

submodel 1 memiliki sensitivity 9

speci&city yang terbaik= Untuk

)UF submodel # dan memiliki

hasil yang lebih baik dari

submodel 1= %ada submodel 1

hasil akurasi )NN lebih baik

daripada ,&= Model )NN optimal

dihasilkan pada submodel 1dengan memiliki #! lapisan

input9 4 hidden dan # output

#

Nongyao

9 #"1!

%enelitian terhadap klasifer

risiko prediksi diabetes=

Data yang digunakan diperoleh

dari #3 Primary Care 1nit >%FU?

rumah sakit Saanpra;harak

selama tahun #"1#8#"1= Input

untuk penelitian ini yaitu:

8 2ody Mass 'nde4 >/MI?

metode (ecision 0ree9

#rti&cial )eural

)et*ork 9 Logistic

$egression dan )a8ve

2ayes+

teknik 2agging dan

2oosting diteliti untuk

meningkatkan

ketahanan model8model

Easil penelitian ini yaitu pada

lima teratas adalah model

$andom 3orest 9 2agging *ith

decision tree9 2agging *ith

arti&cial neural net*ork 9

(ecision tree dan 2oosting

dengan decision tree yaitu$!=!!$9 $!=9

$!=#49 $!="6"9 dan

$4=$1!= Sebagian besar

3


55/72

8 #ge

8 .eight

8 5eight

8 systolic blood pressure

8 diastolic blood pressure

8 history of diabetes infamily

8 history of hypertension in

family

8 alcohol drinking

8 smoking behavior

8 se4

tersebut berdasar (ecision 0ree

#lgorithms= Keakuratan yang

paling rendah adalah Model

2agging *ith )a8ve 2ayes yaitu

$"=63"=

,ima nilai &'F Fure tertinggi

adalah model $andom 3orest 9

2agging *ith (ecision 0ree9

2agging *ith #rti&cial )eural

)et*ork 9 2oosting *ith #rti&cial

)eural )et*ork dan #rti&cial

)eural )et*ork yaitu "=61#9

"=6"39 "=6"9 "=6"1 dan "=$63=

Sementara yang terendah adalah

model )a8ve 2ayes9 "=$!!

#

4

Murali9

#"1!

%enelitian mendesain si&N)

yang optimal=

Data yang digunakan untuk

proses training didapatkan dari

Euesken dataset yang terdiri

dari #41 si&N) dari " gen=

Sedangkan untuk proses tes

multi"layer perceptron

feed"for*ard neural

net*ork dengan

training menggunakan

algoritma ScaledCon9ugate :radient

untuk menghitung skor

akhir setiap si&N)=

Easil penelitiannya 'psiD

memiliki nilai sensitiity tertinggi

yaitu "=36 dan speci&city "=$=

Nilai speci&city memiliki nilai

lebih rendah dibandingkan/iopredsi= Namun sistem ini telah

mengalami peningkatan

kemampuan prediksi= Se;ara

5


56/72

menggunakan # dataset yaitu

416 si&N) dan 453 si&N)=

/erbagai algoritma

neural net*ork seperti

classic

2ackpropagation,

$esilient propagation

>&%rop? dan scaled

Con9ugate :radient

>SF(? juga di;oba=

keseluruhan9 analisa yang

dilakukan telah menunjukkan

baha perubahan kinerja model

aplikasi yang digunakan dalam

accuracy 9 MFF9 dan sensitivity

mengalami peningkatan

daripada model lain

#

!

-rkayma

J9 #"13

Diagnosa diabetes= %enelitian ini

menggunakan Pima indian

diabetic dataset >%IDD? yang

diambil dari UFI machine

learning repository = Data yang

diamati meliputi 53$ sample

dan dua kelompok >normal: !""9

diabetes: #3$?= Masing8masing

sampel memiliki $ ;iri dan 1

respon= *itur pada data tersebut

antara lain:

8 number of times pregnant

8 plasma glucose

concentration

Small".orld 3eed

3or*ard #rti&cial

)eural )et*ork >S08

**)NN?

Easil penelitian ini yaitu

sensitivity, speci&city, dan

accuracy se;ara berturut8turut

pada **)NN konensional

"=3"""9 "=6#19 $==

Sedangkan pada S08**)NN yaitu

"=$!""9 "=631!9 dan 61=33

$


57/72

8 diastolic blood pressure

8 triceps skin fold thickness

8 ;"hour serum insulin

8 body mass inde4

8 diabetes pedigree

function

8 age

8 result

6


58/72

$.$ S/'te& Pa!ar

-aluasi 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

fsik pakar yang sakit ataupun kurang pengalaman dibutuhkan

suatu sistem klasifkasi yang menyimpan inTemurtas9 #""6?= Sistem tersebut disebut sistem pakar=

Sistem pakar adalah sebuah sistem berbasis komputasi yang

menggunakan pengetahuan pada bidang spesifk untukmenentukan solusi dari suatu permasalah pada bidang tersebut

>%angaribuan9 #"14?= Terdapat pengertian lain dari sistem pakar

yaitu sebuah program komputer yang melakukan tugas layaknya

pakar manusia >(allant dalam uma9 #"1?= Sistem pakar adalah

suatu sistem berbasis pengetahuan yang dapat melakukan

penalaran sendiri9 dengan pengetahuan berasal dari konsultasi

pakar >Tyler dalam uma9 #"1?= Sistem pakar terdiri dari

beberapa komponen meliputi: antarmuka9 kno*ledge base,

inference engine, dan *orking memory =

4"


59/72

Ga&bar $.1 Diagram Komponen Sistem %akar

Sumber: uma9 #"1

User Inter


60/72

dari sebuah himpunan neuron9 pola hubungan9 propagation rule,

activation rule,


61/72

∆ W ij( l−1) ( n )= μ . x j (n ) . δ i

(l−1)(n) >#=#?

∆bi(l−1) (n )= μ . δ i

( l−1)(n) >#=?dimana

δ i(l−1) (n)=

{ φ

'

(net il−1

) [ d i− y i (n ) ] , l= M φ ' (net il−1 )∑

k

W ki . δ k (l ) (n ) ,1≤l ≤ M >#=4?

ika proses latih telah selesai dilakukan9 bobot M,%

ditetapkan dan siap digunakan untuk model testing=

/erikut ini adalah model )NN yang digunakan untuk diagnosadiabetes:

Ga&bar $.$ Struktur Multi Layer Perceptron yang

digunakan untuk diagnosa diabetesSumber: );ar9 #""6

$.+ D/8ere"t/a E96%t/6"

DiHerential eolution adalah pendekatan baru dalam algoritma

eolusi= )lgoritma ini terdiri dari 4 tahap: inisialisasi9 mutasi9

rekombinasi9 dan seleksi=

Dalam sebuah populasi dari solusi didalam daerah pen;arian n8

dimensional9 jumlah yang pasti dari ektor se;ara a;ak

diinisialisasi9 kemudian dikembangkan selama beberapa aktu

4


62/72

untuk mengeksplorasi daerah pen;arian dan menemuka minima

dari Fhauhan9

#""6?=

$. D/abete'

%enyakit Diabetes Mellitus merupakan penyakit gangguanmetabolisme dimana pankreas tidak dapat memproduksi insulin

atau tubuh tidak dapat menggunakan insulin dengan baik

>Mohammed dalam Temurtas9 #""6?= Insulin merupakan hormon

yang berSumadei dalam

%angaribuan9 #"14?= %enyakit Diabetes digolongkan menjadi

yaitu tipe 19 tipe # dan gestasional= Diabetes tipe 1 yaitukeadaan dimana pankreas tidak dapat memproduksi insulin9

sedangkan tipe # 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 anita

saat hamil >Thirugnanam9 #"1#?=

$..1 D/abete' T/0e 1

(rup riset 0he (iabetes Control and Complications 0rial >DFFT?pada tahun 166 menggarisbaahi man


63/72

Eipoglikemik parah ditandai dengan tingkat glukosa darah

!"mg+dl >#=$ mmol+l? dan penderitanya membutuhkan

pertolongan untuk meraat keadaannya saat itu=

5ypoglycemia berkembang ketika tingkat glukosa masukkedalam sirkulasi sistemik dikurangi se;ara relati< terhadap

asupan glukosa oleh jaringan= Eal ini biasanya se;ara natural

dibenarkan dengan kombinasi dari jumlah mekanisme

pertahanan= %ada mulanya9 penurunan dalam sekresi insulin

dalam responnya untuk kemerosotan tingkat glukosa darah

terjadi= Ketika tingkat glukosa turun se;ara berkelanjutan9 jumlah

;ontoh: ta;hy;ardia9 palpitasi9 kegoyahan9 berkeringat?

diakti;ontoh: pengurangan

konsentrasi9 penglihatan kabur9 pusing?= (ejala otonom dapat

memberikan indikasi aal adanya hypoglycemia dan

memungkinkan pasien untuk mengenali kondisi ini dari aal=

4!


64/72

)octurnal hypoglycemia se;ara khusus berbahaya karena

pengurangan tidur dan dapat mengaburkan respon kontra8

regulasi9 sehingga episode aal yang ringan dapat menjadi

parah= &isiko hypogly;emia yang parah tinggi pada malam hari9dengan setidaknya !" dari semua episode parah yang terjadi

selama aktu itu= Kontra8regulasi glukosa yang kekurangan

dapat juga menyebabkan hypoglycemia parah alaupun dengan

ketinggian insulin yang rendah= %engaturan nocturnal glycemia

semakin rumit dikarenakan


65/72

BAB ) METODOLOGI

%ada bab ini akan dibahas mengenai metode yang digunakanbeserta tahap8tahap implementasi Diagnosa %enyakit DiabetesMellitus Menggunakan Metode (i/erential -volution 3eed"3or*ard Multi Layer Perceptron= )dapun tahap metodologipenelitian dan diagram blok metodologi penelitian ditunjukkanpada (ambar =1

Ga&bar ).1 Diagram /lok Metodologi %enelitianSumber: %eran;angan

).1 St%:/ L/terat%r

%ada penelitian ini memerlukan studi literatur dari dasarteori yang se;ara detail telah dibahas pada bab #= Dasarteori disusun berdasarkan re


66/72

).$ Pe"#%&0%a" Data

%ada penelitian ini menggunakan himpunan data Pima'ndians (iabetes (ata Set yang didapatkan dari UFILearning (ata $epository+ %ada data ini terdiri dari datapasien yang keseluruhan berjenis kelamin perempuanberumur #1 tahun di daerah %ima Indian= Data terdiri dari53$ data dengan $ atribut bertipe numerik= Data tersebutnantinya akan dibagi menjadi # kelompok untuk datatraining dan data testing+ )tribut tersebut antara lain:

1= )umber of times pregnant #= Plasma glucose concentration a ; hours in

an oral glucose tolerance test = (iastolic blood pressure >mm Eg?4= 0riceps skin fold thickness >mm?

!= #8hour serum insulin >mu U+ml?3= /ody mass indeG >eight in kg+>height inm?#?

5= )ge >years?$= Flass ariable >" or 1?

).) A"a/'/' Keb%t%(a"

Tahapan ini dilakukan untuk menentukan apa saja yangdibutuhkan dalam penyusunan Sistem %akar %enentuan%eminjaman Kredit pada /ank Menggunakan Metode )a8ve2ayes= /erikut ini adalah kebutuhan dalam penyusunanperangkat lunak Sistem %akar %enentuan %eminjamanKredit pada /ank Menggunakan Metode )a8ve 2ayes:1= Kebutuhan perangkat keras yaitu komputer dengan

spesfkasi minimal sebagai berikut:a= Intel>&?%entium>&? F%U %3#"" B #=1 (EJb= &)M # (/;= Eardisk dengan kapasitas 3" (/d= Monitor 14 in;h

#= Kebutuhan perangkat lunak meliputi:

Sistem operasi: 0indos+,inuG+Ma; 'S dan sistemoperasi lain0eb broser: MoJilla *ire


67/72

Input

Input gejala diabetes

%roses output

Diagnosa penyakitnormalisasi

%roses training

%roses testing

Menghasilkan diagnosa penyakit diabetes

Saran pengobatan

arsitektur sistem pakar=

).+.1 M6:e Pera"4a"#a"

Model peran;angan sistem menjelaskan mengenai ;ara kerjasistem se;ara terstruktur mulai dari input yang dimasukkanhingga mendapatkan hasil= Diagram model peran;angan sistemdapat dilihat pada gambar berikut ini:

Ga&bar ).$ Model %eran;angan SIstem

Sumber: >%eran;angan?

).+.$ Ar'/te!t%r S/'te& Pa!ar

)rsitektur Sistem %akar Deteksi Dini %enyakit StrokeMenggunakan Metode *uJJy NaXe /ayes yang digunakan dapatdilihat pada gambar berikut ini:

46


68/72

%engguna

)ntarmuka

Easil diagnosaSaran pengobatan

,ingkungan Konsultasi

(ejala penyakit diabetes

Ba4!b6ar:(ejala inputan pengguna

%roses )NNEasil diagnosa sebelum ditampilkan

MesinIn%eran;angan?

). I&0e&e"ta'/

Implementasi sistem adalah tahapan membangun sistem yangmenga;u pada peran;angan sistem pakar dan menerapkan hal

yang telah didapatkan dalam proses studi literatur= *ase8


69/72

untuk memudahkan melakukan manipulasi dan penyimpan

data=

8 Implementasi algoritma9 melakukan perhitungan dengan

metode Multi ,ayer %er;eptron DiHerential -olutionkedalam bahasa pemrograman %E%=

8 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=

). U*/ C6ba

Uji ;oba sistem dilakukan untuk mengetahui apakah sistem

berjalan dengan baik dan sesuai dengan spesifkasi kebutuhan

yang telah ditetapkan dapat berjalan dengan baik= Uji ;oba

sistem dilakukan dengan ;ara membandingkan hasil diagnosa

penyakit yang ideal dari pakar dengan hasil diagnosa sistem= Uji

;oba sistem dilakukan dengan menguji tingkat akurasi sistem

yaitu dengan ;ara menghitung nilai kebenaran setiap melakukan

pengujian pada setiap data= Uji akurasi dilakukan seperti padapersamaan berikut:

nilaiakurasi= jumlahn data akurat

jumlahseluruhdata x100 >#=!?

).2 Ke'/&0%a"

Kesimpulan dilakukan setelah semua tahapan peran;angan9

implementasi dan pengujian metode yang diterapkan sudahselesai dilakukan= Kesimpulan diambil dari hasil pengujian dananalisis metode= Tahap terakhir dari penulisan adalah saran yangdimaksutkan untuk memperbaiki kesalahan yang terjadi sertamemberikan pertimbangan untuk pengembangan selanjutnya=

!1


70/72

DAFTAR PUSTAKA

)dnan Khashman9 #"1"= )eural )et*orks 3or Credit $isk

-valuation< 'nvestigation Of (i/erent )eural Models #ndLearning Schemes, .ol= 59 pp= 3#83#6=

)hmed -= /= )bu8-lanien9 M= M= )= Salama9 Malak Ibrahim9 #"11=(etermination of 0ransformer 5ealth Condition 1sing #rti&cial )eural )et*orks9 pp= 18!=

)khter Mohiuddin &ather9 )rum )garal9 .= N= Sastry9 #"1!=$ecurrent )eural )et*ork and a 5ybrid Model for Predictionof Stock $eturns9 .ol= 4#9 pp= #48#41=

Fhongjian 0ang9 ,inlin ,i9 ,ing 0ang9 Yhiguang %ing9 Muanda Tsobo *lory9 (aoshuai 0ang9 2uanlin Vi9 0enjie ,i9 #"1=

-valuating 0he $isk Of 0ype ; (iabetes Mellitus 1sing #rti&cial )eural )et*ork< #n -/ective Classi&cation #pproach, .ol= 1""9 pp= 111811$=

-lena *edoroa9 -genii (ilenko9 Sergey DoJhenko9 #"1=2ankruptcy Prediction 3or $ussian Companies< #pplication Of Combined Classi&ers, .ol= 4"9 pp= 5#$!85#6=

*eliG = ,opeJ Iturriaga9 Ian %astor SanJ9 #"1!= 2ankruptcy Visualization and Prediction using )eural )et*orks< # Study of 1+S+ Commercial 2anks9 .ol= 4#9 pp= #$!58#$36=

Easan Temurtas9 Nejat 2umusak9 *eyJullah Temurtas9 #""6= #Comparative Study On (iabetes (isease (iagnosis 1sing)eural )et*orks, .ol= 39 pp= $31"8$31!=

Ee8/oong Kon9 ooh ,ee9 #"1!= 0*o"Stage Production ModelingOf Large 1+S+ 2anks< # (-#")eural )et*ork #pproach, .ol=4#9 pp= 35!$83533=

Eong Shen9 inglei Meng9 ,i;heng 2u9 Vue


71/72


72/72

O/ 0arget Possibilities 1sing #rti&cial )eural )et*ork Model,.ol= !3#9 pp= 1!#81!$=

Shih8Fung /= ,o9 Shyh8,iang )= ,ou9 yh8Shyan ,in9 Matthe T=*reedman9 MinJe .= Fhien9 Seong K= Mun9166!= #rti&cialConvolution )eural )et*ork 0echniues #nd #pplications 3or Lung )odule (etection, .ol= 149 pp= 511851$=

0utti;hai ,uangruangrong9 )nnupan &odtook9 SanonFhimmanee9 #"1#= Study Of 0ype ; (iabetes $isk 3actors1sing )eural )et*ork 3or 0hai People #nd 0uning )eural)et*ork Parameters, pp= 6618663=

Date post:	07-Jul-2018
Category:	Documents
Upload:	tusty-nadia-maghfira
View:	221 times
Download:	0 times

Proposal Skripsi Bab 1-3

Documents