Rangkuman Jurnal

Judul : PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK

MENDIAGNOSA JENIS PENYAKIT KANDUNGAN.

Penulis : Bambang Yuwono

PENDAHULUAN

Sejalan dengan perkembangan teknologi komputer, telah lahir teknologi AI (Artificial Intelligence). Salah satu teknik komputasi yang dikelompokkan dalam AI adalah jaringan syaraf tiruan ( Artificial Neural Network). Teknologi jaringan syaraf tiruan ini dapat diterapkan pada bidang kedokteran untuk mendiagnosa penyakit pada pasien, khususnya penyakit kandungan.

LANDASAN TEORI

Pada landasan teori terdpat pemahaman – pemahaman sebagai berikut :

1. Sistem Jaringan Syaraf Tiruan

2. Arsitektur Backpropagation

3. Algoritma Pelatihan

4. Pengujian Data

HASIL DAN PEMBAHASAN

Aplikasi ini digunakan untuk mengoptimasikan deteksi jenis penyakit kandungan berdasarkan perolehan data – data gejala klinis dari hasil pemeriksaan dokter.

Implementasi masukan/inputyang dapat dimengerti oleh program adalah 16 variable yang mampu menegakkan diagnosa penyakit kandungan Myoma Uteri, Kanker Serviks, Kanker Ovarium, dan Radang panggul yang harus diinisialisasi terlebih dahulu.

1. Anemia (kurang darah)

2. Nyeri Haid

3. Susah hamil

4. Terdapat benjolan di perut

5. Terjadi pendarahan

6. Nyeri waktu berhubungan seksual

7. Cepat lelah

8. Kehilangan berat badan

9. Nyeri panggul

10. Terjadi ganguan pencernaan

11. Nyeri perut

12. Nyeri punggung

13. Nafsu makan berkurang

14. Demam tinggi

15. Sakit kepala

16. Perut kembung

Setelah variable – variable yang domain di diagnosa, lalu ditentukan nilai variable tersebut. Nilai yang diberikan 0 sampai 1, tergantung dari kasusnya per variable.

Setelah proses diagnosa, dilakukan proses pelatihan. Proses pelatihan menggunakan konstanta yaitu 0,1 sampai dengan 0,9 dengan kenaikan 0,1. Nilai target error yang diizinkan pada proses pelatihan adalah 0,1 an 0,01 dengan iterasi maksimum 100.000

Setelah melakukan pelatihan, maka cari data pasien yang akan diperiksa. Kemudian pilih gejala-gejala yang diidap pasien tersebut. Lalu lakukan pengujian dengan menekan tombol Deteksi. Nilai bobot yang akan dipakai dalam pengujian diambil dari nilai bobot hasil penelitian, kemudian mengubah – ubah nilai dari learning rate 0,1 sampai 0,9dan target error pada masing – masing data. Data yang diujikan menggunakan nilai target error 0,1 dan 0,01, nilai learning rate 0,1 sampai 0,9 dan 10 unit pengelolah. Hasil pengujian diagnose kandungan untuk data yang dilatihkan dengan hasil optimum menggunakan learning rate 0,8 ketepatan diagnose mencapai lebih dari 85 %.

KESIMPILAN

Penelitian ini berhasil menerapkan sistem jaringan syaraf tiruan untuk mendiagnosa jenis penyakit kandungan. Dengan menggunakan target error 0,1 dan 0,01 dengan learning rate 0,1 sampai 0,9 dan 10 unit pengolah, pengujian ini menghasilkan ketepatan pengujian lebih dari 85 %. Hasil penelitian ini diharapkan bisa membantu dalam mendiagnosa penyakit kandungan khususnya Myoma Uteri , Kanker Serviks, Kanker Ovarium, dan Radang panggul.

DAFTAR PUSTAKA

Fauset, L., 1994, Fundamentals Of Neural Networks Architectures, Algorithms, and Applications, Prentice-Hall New Jersey.

Haykin, S, 1994, Neural Networks (A Comprehensive Foundation), Macmillan Collage Publishing Company New York.

Kusumadewi, S., 2003 Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu Yogyakarta.

Mansjoner, A., dkk, 2003, Kapita Selekta Kedokteran Jilid 1 Edisi Ketiga FKUI, Multimedia Aesculapius Jakarta.

Yasim, F., 2005 Penyakit Kandungan, Pustaka Populer Obor, Jakarta.