Skripsi ini membahas tentang pengembangan sistem diagnosa kanker serviks menggunakan algoritma backpropagation. Sistem ini dibangun menggunakan bahasa pemrograman Borland Delphi dan dilatih berdasarkan gejala-gejala kanker serviks untuk memberikan diagnosa. [/ringkasan]
Dinamika perwujudan Pancasila sebagai Dasar Negara dan Pandangan Hidup Bangsa
APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION
1. APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN
ALGORITMA BACKPROPAGATION
SKRIPSI
Oleh :
AGUSTIN TRIWAHYUNI SUSANTO
07110010
PROGRAM STUDI SISTEM INFORMASI STRATA SATU (S-1)
SEKOLAH TINGGI MANAJEMEN INFORMATIKA KOMPUTER
(STIKOM) UYELINDO KUPANG
2012
i
2. APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN
ALGORITMA BACKPROPAGATION
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh
Gelar Sarjana Komputer
Oleh :
AGUSTIN TRIWAHYUNI SUSANTO
07110010
PROGRAM STUDI SISTEM INFORMASI STRATA SATU (S-1)
SEKOLAH TINGGI MANAJEMEN INFORMATIKA KOMPUTER
(STIKOM) UYELINDO KUPANG
2012
i
3. HALAMAN PERSETUJUAN
Judul : APLIKASI DIAGNOSA KANKER SERVIKS DENGAN
MENGGUNAKAN ALGORITMA BACKPROPAGATION.
Nama Mahasiswa : Agustin Triwahyuni Susanto
NIM : 07110010
Mata Kuliah : Tugas Akhir Kode : 1161167
Semester : Genap Tahun : 2011/ 2012
Menyetujui :
Dosen Pembimbing I Dosen Pembimbing II
Donna Setiawati, S.Kom., MM. Benjamin, SE.
NIDN. 0808057402 NIDN. 0804037301
07 Juli 2012 09 Juli 2012.
Tanggal Disetujui Tanggal Disetujui
Telah disetujui untuk mengikuti ujian komprehensif pada Program Studi Sistem
Informasi Strata Satu (S-1)
Mengetahui :
Ketua Program Studi
Donna Setiawati, S.Kom., MM.
NIDN. 0808057402
ii
4. HALAMAN PENGESAHAN
Judul : APLIKASI DIAGNOSA KANKER SERVIKS DENGAN
MENGGUNAKAN ALGORITMA BACKPROPAGATION.
Nama Mahasiswa : Agustin Triwahyuni Susanto
NIM : 07110010
Mata Kuliah : Tugas Akhir Kode : 1161167
Semester : Ganjil Tahun : 2011/ 2012
Dipertahankan Di Depan Tim Penguji
Program Studi Sistem Informasi Strata Satu (S-1) STIKOM Uyelindo Kupang
dan Dinyatakan Diterima Untuk Memenuhi Syarat Guna
Memperoleh Gelar Sarjana Komputer
Pada tanggal
10 Agustus 2012
Tim Pembimbing :
Dosen Pembimbing I Dosen Pembimbing II
Donna Setiawati, S.Kom., MM. Benjamin, SE.
NIDN. 0808057402 NIDN. 0804037301
Tim Penguji :
1. Penguji I Yohanes Suban Belutowe, M.Kom. ___________
2. Penguji II Dua Baha Wilhelmus, S.Sos __________
3. Penguji III James Adam Seo, S.Kom. ___________
Kupang, ________________
Ketua
Bruno Sukarto, S.Kom., MM.
NIDN. 0806106301
iii
5. HALAMAN MOTTO DAN PERSEMBAHAN
MOTTO :
“Not by my power, not by mine, it’s all be cos of YOU (JESUS)”
“ Bukan karena kekuatanku, bukan karena diriku, itu semua karena KAU
(YESUS)”
PERSEMBAHAN :
Tulisan ini penulis persembahkan kepada:
Tuhan Yesus Kristus Sang Juruselamat
Papa dan Mama tersayang atas dukungannya
Kakakku Eka dan Esi serta adikku Wati dan Putri untuk semangatnya
Pacarku Brian yang selalu memberikan semangat dan motivasi
Sahabatku Patner dan teman-teman “SO COOL” yang slalu merepotkan
Serta STIKOM Uyelindo Kupang Almamater tempat naungan penulis
iv
6. ABSTRAKSI
AGUSTIN TRIWAHYUNI SUSANTO, 07110010, APLIKASI DIAGNOSA
KANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMA
BACKPROPAGATION (Dibawah bimbingan : Donna Setiawati, S.Kom.,
MM sebagai Dosen Pembimbing I dan Benjamin, SE sebagai Dosen
Pembimbing II)
Kanker serviks sampai saat ini masih merupakan masalah kesehatan seluruh dunia
baik di negara maju maupun berkembang termasuk di Indonesia. Permasalahan
kanker serviks di Indonesia sangat khas yaitu banyak dan >70% kasus ditemukan
pada stadium lanjut pada saat datang di rumah sakit, dikarenakan kurangnya
pengetahuan tentang kanker serviks, cara pencegahan dan deteksi dini kanker
serviks. Salah satu pemecahan masalah tersebut adalah memberikan jawaban yang
tepat dan akurat sesuai dengan permasalahan yang dialami. Tujuan dari penelitian
ini adalah membangun sebuah sistem jaringan syaraf tiruan yang dapat
mendiagnosa kanker serviks melalui pembelajaran berdasarkan pengalaman serta
gejala-gejala yang ditemui atau dialami penderita.
Peralatan dan bahan yang digunakan terdiri dari perangkat keras dan perangkat
lunak. Perangkat keras meliputi satu unit laptop zyrex Intel(R) Core™ i3 dan
printer canon pixma ip 1880 yang digunakan dalam penyusunan tugas akhir ini.
Sedangkan perangkat lunaknya meliputi system operasi Windows 7 Starter,
Bahasa Pemrograman Borland Delphi versi 7.0, Ms Word dan visio 2007. Metode
penelitian yang digunakan adalah Metode Studi Kasus dimana mempelajari latar
belakang sifat-sifat atau gejala-gejala yang khas dari kanker serviks yang
kemudian dari latar belakang serta sifat-sifat tersebut dijadikan bahan untuk
dipelajari dalam jaringan syaraf tiruan algoritma backpropagation sehingga
menghasilkan diagnosa yang lebih akurat.
Setelah melalui proses pelatihan, system jaringan dapat mengenali data diagnosa
yang dimasukkan dengan tingkat akurasi sebesar 95,83 %. Sehingga sistem bisa
membantu untuk mendiagnosa sedini mungkin, sehingga dapat dilakukan
pencegahan dan pengobatan lebih awal.
Kata Kunci : Kanker serviks, Jaringan syaraf tiruan, Borland Delphi,
Algoritma Backpropagation.
v
7. PERNYATAAN
Skripsi ini tidak berisi bahan atau materi yang telah digunakan untuk memperoleh
gelar Sarjana atau Diploma sebelumnya.
Sepanjang keyakinan dan pengetahuan penulis
Skripsi ini tidak berisi bahan atau materi yang telah
diterbitkan atau ditulis oleh orang lain kecuali
yang digunakan sebagai acuan pustaka
Kupang, Juli 2012
Penulis
AGUSTIN TRIWAHYUNI SUSANTO
07110010
vi
8. RIWAYAT HIDUP
Penulis dilahirkan di Kota Kupang, Propinsi Nusa Tenggara Timur pada
tanggal 31 Agustus 1988, putri ketiga dari pasangan Bapak Sigit Susanto dan Ibu
Mariana Susanto-Lulu.
Penulis mengawali jenjang pendidikan formal pada TK. Santa Maria
Goretty Kupang selama 1 tahun dari tahun 1993 hingga 1994, Pendidikan Dasar
pada SD. Inpres Oeba 2 Kupang selama 6 tahun dari tahun 1994 hingga tahun
2000, Pendidikan Menengah Pertama pada SLTP. Negeri 1 Kupang selama 3
tahun dari tahun 2000 hingga tahun 2003, ditahun yang sama penulis melanjutkan
pendidikan setara Pendidikan Menengah Atas pada SMK. Negeri 1 Kupang
selama 3 tahun dan lulus pada tahun 2006. Penulis melanjutkan pendidikan ke
Strata I Program Studi Sistem Informasi dibawah naungan Sekolah Tinggi
Manajemen Informatika Komputer (STIKOM) Uyelindo Kupang pada tahun
2007.
vii
9. KATA PENGANTAR
Terima kasih yang tak terhingga penulis naikkan ke hadirat Tuhan Yang
Maha Esa atas berkat dan anugerah-Nya kepada penulis sehingga Laporan Skripsi
ini dapat diselesaikan.
Selama penyusunan Laporan Skripsi ini, penulis banyak mendapatkan
bantuan dari berbagai pihak. Oleh karena itu penulis mengucapkan terima kasih
kepada :
1. Bapak Bruno Sukarto, S.Kom., MM. selaku Ketua STIKOM Uyelindo
Kupang.
2. Ibu Donna Setiawati, S.Kom., MM. selaku Ketua Program Studi Sistem
Informasi serta Dosen Pembimbing I yang telah meluangkan waktu dan
tenaga untuk membimbing dan mangarahkan penulis dalam menyelesaikan
Laporan Skripsi.
3. Bapak Benjamin, SE. selaku Dosen Pembimbing II yang juga telah
meluangkan waktu dan tenaga untuk membimbing dan mangarahkan
penulis dalam menyelesaikan Laporan Skripsi.
4. Bapak-Bapak dan Ibu-Ibu bagian rekam medik RSUD. Prof. Dr. W. Z.
Yohanes yang telah meluangkan waktu dan memberikan data bagi penulis
untuk menyelesaikan Laporan Skripsi.
5. Bapak Marselinus Juang, S.Pd yang telah memberikan kesempatan penulis
untuk bekerja di SD. Inpres Osmok sembari menempuh pendidikan di
viii
10. STIKOM Uyelindo Kupang serta memberikan banyak pengalaman di
dunia kerja.
6. Teman-Teman Guru khususnya bunda Murni dan bunda Yeni yang selalu
memberikan dukungan maupun semangat saat penulis mengalami
kesulitan dalam membagi waktu bekerja dengan kuliah.
7. Semua pihak yang telah membantu dan memberikan motivasi kepada
penulis selama mengikuti pendidikan pada STIKOM Uyelindo Kupang.
Penulis menyadari bahwa Laporan Skripsi ini masih jauh dari
kesempurnaan, oleh karena itu penulis sangat mengharapkan kritik dan saran yang
bersifat membangun dari semua pihak untuk menyempurnakan penulisan ini.
Kupang, Juli 2012
Penulis
ix
11. DAFTAR ISI
Halaman
HALAMAN JUDUL .............................................................................. i
HALAMAN PERSETUJUAN ............................................................... ii
HALAMAN PENGESAHAN ................................................................ iii
HALAMAN MOTTO DAN PERSEMBAHAN .................................... iv
ABSTRAKSI .......................................................................................... v
PERNYATAAN ..................................................................................... vi
RIWAYAT HIDUP ................................................................................ vii
KATA PENGANTAR ............................................................................ viii
DAFTAR ISI .......................................................................................... x
DAFTAR GAMBAR .............................................................................. xiii
DAFTAR TABEL .................................................................................. xvi
DAFTAR LAMPIRAN .......................................................................... xvii
BAB I PENDAHULUAN
1.1. Latar Belakang ............................................................................... 1
1.2. Permasalahan................................................................................... 3
1.3. Batasan Masalah ............................................................................. 3
1.4. Tujuan Penulisan ............................................................................ 4
BAB II TINJAUAN PUSTAKA
2.1. Tinjauan Umum Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation ..................................... 5
x
12. 2.1.1. Pengertian Aplikasi ............................................................. 5
2.1.2. Pengertian Diagnosa ............................................................ 5
2.1.3. Pengertian Kanker Serviks.................................................... 5
2.1.4. Pengertian Algoritma Backpropagation ............................... 9
2.1.5. Pengertian Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation ........................... 17
2.2. Tinjauan Umum Software ............................................................... 18
2.2.1. Borland Delphi .................................................................... 18
2.2.2. Database ............................................................................. 19
BAB III BAHAN DAN METODE
3.1. Bahan dan Alat ............................................................................... 21
3.1.1. Bahan .................................................................................. 21
3.1.2. Alat ..................................................................................... 21
3.2. Metodologi ..................................................................................... 22
3.2.1. Metode Penelitian ............................................................... 22
3.2.2. Teknik Pengumpulan Data .................................................. 23
3.2.3. Jenis dan Sumber Data ........................................................ 23
3.2.4. Waktu dan Tempat Penelitian .............................................. 24
3.2.5. Teknik Analisa dan Pengolahan Data .................................. 24
3.3. Metode Analisa dan Perancangan Sistem ........................................ 25
3.3.1. Alur Sistem ......................................................................... 25
3.3.2. Diagram Konteks ................................................................ 27
3.3.3. Diagram Berjenjang ............................................................ 28
xi
13. 3.3.4. Data Flow Diagram (DFD) .................................................. 29
3.3.5. Kamus Data Arus Data ........................................................ 30
3.3.6. Kamus Data Tabel ............................................................... 32
3.3.7. Arsitektur Jaringan Algoritma Backpropagation .................. 36
3.3.8. Perancangan Masukan dan Keluaran ................................... 37
BAB IV HASIL DAN PEMBAHASAN
4.1. Persiapan Data ................................................................................ 43
4.2. Implementasi Program .................................................................... 45
4.2.1. Form Status Pengguna ......................................................... 46
4.2.2. Form Menu Utama .............................................................. 47
4.2.3. Form Pelatihan dan Pengujian JST ...................................... 49
4.2.4. Form Diagnosa Kanker Serviks ........................................... 54
4.2.5. Form Seputar Kanker Serviks .............................................. 58
BAB V PENUTUP
5.1. Kesimpulan .................................................................................... 59
5.2. Saran .............................................................................................. 60
DAFTAR PUSTAKA ............................................................................. 61
LAMPIRAN
xii
14. DAFTAR GAMBAR
Halaman
Gambar 1. Organ Reproduksi Perempuan ................................................. 6
Gambar 2. Organ Reproduksi Perempuan yang terkena Kanker Serviks ..... 6
Gambar 3. Proses Perkembangan Kanker Serviks....................................... 7
Gambar 4. Human Papilloma Virus (HPV)................................................ 7
Gambar 5. Jaringan Syaraf Tiruan Multilayer ............................................ 10
Gambar 6. Alur Algoritma Backpropagation ............................................ 25
Gambar 7. Alur Sistem Data Pelatihan ...................................................... 26
Gambar 8. Alur Sistem Data Pengujian ..................................................... 26
Gambar 9. Diagram Konteks Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation .............................. 27
Gambar 10. Diagram Berjenjang Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation .............................. 28
Gambar 11. DFD Level 0 Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation .............................. 30
Gambar 12. Arsitektur Jaringan Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation .............................. 36
xiii
15. Gambar 13. Perancangan Form Status Pengguna ........................................ 37
Gambar 14. Perancangan Form Menu Utama untuk Status Admin .............. 38
Gambar 15. Perancangan Form Menu Utama untuk Status Pengguna .......... 39
Gambar 16. Perancangan Tab Pelatihan pada Form Pelatihan dan Pengujian
JST........................................................................................... 40
Gambar 17. Perancangan Tab Pengujian pada Form Pelatihan dan Pengujian
JST........................................................................................... 40
Gambar 18. Perancangan Tab Diagnosa pada Form Input Data dan Diagnosa
Kanker Serviks ........................................................................ 41
Gambar 19. Perancangan Tab Lihat Data pada Form Input Data dan Diagnosa
Kanker Serviks ........................................................................ 42
Gambar 20. Perancangan Form Seputar Kanker Serviks ............................. 42
Gambar 21. Form Status Pengguna ............................................................. 46
Gambar 22. Form Pesan Kesalahan memasukkan nama dan password ........ 47
Gambar 23. Form Menu Utama untuk Status Admin .................................. 47
Gambar 24. Form Menu Utama untuk Status Pengguna ............................. 48
Gambar 25. Tab Pelatihan pada form Pelatihan dan Pengujian JST sebelum
melakukan pelatihan JST ......................................................... 50
xiv
16. Gambar 26. Proses Pelatihan JST Diagnosa Kanker Serviks ....................... 51
Gambar 27. Tab Pengujian pada form Pelatihan dan Pengujian JST sebelum
melakukan pengujian JST ........................................................ 52
Gambar 28. Hasil Pengujian Jaringan ......................................................... 53
Gambar 29. Tab Diagnosa pada form diagnosa kanker serviks .................... 55
Gambar 30. Hasil Diagnosa kanker serviks ................................................. 56
Gambar 31. Tab Lihat Data pada form diagnosa kanker serviks .................. 56
Gambar 32. Form seputar kanker serviks .................................................... 58
xv
17. DAFTAR TABEL
Halaman
Tabel 1. Kamus Data Tabel Data Pelatihan .......................................... 33
Tabel 2. Kamus Data Tabel Data Testing ............................................. 34
Tabel 3. Kamus Data Tabel input ......................................................... 35
Tabel 4. Hasil Pengujian dengan kombinasi tingkat pembelajaran ........ 54
xvi
18. DAFTAR LAMPIRAN
Lampiran 1. Kartu Konsultasi Skripsi
Lampiran 2. Data 120 Sample Pasien Penderita Kanker serviks
Lampiran 3 Listing Program
xvii
19. 1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Kanker serviks sampai saat ini masih merupakan masalah kesehatan
seluruh dunia baik di negara maju maupun berkembang termasuk di Indonesia. Di
negara maju kanker serviks menduduki urutan ke-10 dari semua keganasan,
sedangkan di negara berkembang masih menduduki urutan pertama penyebab
utama kematian akibat kanker.
Setiap tahunnya terdapat 400.000 kasus baru, dimana 80% terjadi di
negara berkembang. Diperkirakan 200.000 – 300.000 wanita meninggal setiap
tahunnya karena penyakit tersebut terutama di negara-negara miskin. Hasil Survei
Kesehatan Rumah Tangga (SKRT) Departemen RI di Indonesia memperkirakan
setiap tahunnya terdapat 90-100 penderita kanker yang baru dari setiap 100.000
penduduk. Data dari 13 laboratorium patologi anatomi di Indonesia menunjukkan,
frekwensi kanker serviks tertinggi diantara kanker yang ada di Indonesia dan jika
dilihat penyebarannya 92,44% terakumulasi di Jawa – Bali. Sedangkan di Kota
Kupang hasil survei 3 tahun terakhir terhitung Januari 2009 hingga Juni 2011
pada RSUD Prof. W. Z. Yohanes Kupang dari kanker genetis wanita terbanyak
adalah kanker serviks sebanyak 113 kasus. Pada RSUD Kota Kupang untuk kasus
kanker serviks baru ditemui 1 kasus.
Permasalahan kanker serviks di Indonesia sangat khas yaitu banyak dan
>70% kasus ditemukan pada stadium lanjut pada saat datang di rumah sakit,
20. 2
kondisi ini terjadi pula dibeberapa negara berkembang. Sebagaimana kanker pada
umumnya maka kanker serviks juga menimbulkan permasalahan berupa kesakitan
penderitaan, kematian dan ekonomi, hal tersebut terjadi dikarenakan kurangnya
pengetahuan tentang perilaku hidup sehat untuk mengurangi risiko terkena kanker
serviks, cara pencegahan dan deteksi dini kanker serviks. Untuk menentukan
apakah kanker serviks, biasanya pasien langsung ke dokter ahli kandungan yang
dipastikan akan mengeluarkan biaya mahal.
Oleh karena itu dibutuhkan sebuah aplikasi jaringan syaraf tiruan untuk
menentukan apakah pasien terkena kanker serviks dengan memanfaatkan model
komputasi Jaringan Syaraf Tiruan.
Jaringan syaraf tiruan merupakan suatu teknologi yang diilhami dari
jaringan syaraf biologis pada manusia, dapat dilatih untuk mengenali suatu obyek
yang memiliki pola tertentu dan spesifik. Berbeda dengan cara kerja sistem pakar
yaitu knowledge-based expert system dimana memasukkan pengetahuan seorang
pakar dalam sebuah database. Untuk beroperasi atau menyelesaikan masalah,
jaringan syaraf tiruan membutuhkan pelatihan yang terstruktur dengan arsitektur
jaringan multilayer neural network serta algoritma pembelajaran
backppropagation untuk mengenali suatu obyek tertentu sehingga dengan pasti
dapat mengenali, maka jaringan syaraf tiruan yang telah terbimbing itu bisa
mengenali ataupun menemukan kembali obyek tersebut sekalipun diacak dengan
obyek lain.
21. 3
Berdasarkan latar belakang diatas maka penulis tertarik untuk mengangkat
judul “Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma
Backpropagation”.
1.2. Permasalahan
Permasalahan dalam penelitian ini adalah bagaimana membangun sebuah
aplikasi dengan menerapkan algoritma jaringan syaraf tiruan backpropagation
untuk mendiagnosa kanker serviks.
1.3. Batasan Masalah
Mengingat kompleksnya masalah yang dihadapi serta sulitnya perolehan
data mengenai kanker serviks, maka permasalahan dibatasi pada hal-hal sebagai
berikut :
a. Data yang diolah berasal dari 120 sampel pasien RSUP Dr. Kariadi
Semarang dan Yayasan Kanker Indonesia cabang Semarang (Tesis
Magister Ilmu Biomedik, 2004).
b. Algoritma pelatihan atau pembelajaran yang digunakan adalah
Backpropagation dengan menggunakan Koreksi Kesalahan Mean Squared
Error (MSE).
c. Program yang digunakan untuk diagnosa kanker serviks adalah Borland
Delphi versi 7.0
22. 4
1.4. Tujuan Penulisan
Adapun tujuan penulisan ini adalah sebagai berikut :
a. Merancang atau membangun sebuah sistem jaringan syaraf tiruan yang
dapat mendiagnosa kanker serviks melalui pembelajaran berdasarkan
pengalaman serta gejala-gejala yang ditemui serta mendapatkan
keakuratan hingga 90 % dari hasil pembelajaran tersebut.
b. Dapat menambah pengetahuan bagi orang awam tentang teori-teori
matematika khususnya di bidang terapan matematika, mengenai aplikasi
kecerdasan buatan.
23. 5
BAB II
TINJAUAN PUSTAKA
2.1. Tinjauan Umum Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation.
Sebelum membahas Tinjauan Umum Aplikasi Diagnosa Kanker Serviks
dengan menggunakan Algoritma Backpropagation maka akan dijabarkan tentang
pengertian aplikasi, diagnosa, kanker serviks, algoritma dan bacpropagation,.
2.1.1. Pengertian aplikasi
Dalam Kamus Besar Bahasa Indonesia (1999), Aplikasi berarti
penggunaan; penerapan. Sehingga jika diartikan secara umum Aplikasi berarti alat
terapan yang difungsikan secara khusus dan terpadu sesuai dengan kemampuan
yang dimiliki.
2.1.2. Pengertian diagnosa.
Dalam Kamus Besar Bahasa Indonesia (1999), menyatakan bahwa
diagnosa berasal dari kata diagnosis yang berarti penentuan jenis penyakit dengan
meneliti (memeriksa) gejala-gejalanya.
2.1.3. Pengertian kanker serviks
Dalam Buku Saku Pencegahan Kanker Leher Rahim & Kanker Payudara
(2009) menyatakan bahwa Kanker merupakan pertumbuhan sel yang tidak
normal/ terus menerus dan tidak terkendali, dapat merusak jaringan sekitarnya
serta dapat menjalar ke tempat yang jauh dari asalnya yang disebut metastasis.
24. 6
Serviks atau leher rahim merupakan bagian terendah dari rahim yang
terdapat pada puncak liang senggama (vagina) yang hanya dapat dilihat dengan
alat spekulum yang berbentuk seperti mulut bebek, atau bisa juga dikatakan pintu
rahim/ penjaga gerbang antara dunia rahim dan dunia luar, untuk lebih jelas letak
serviks atau leher rahim berikut gambaran bagian-bagian organ reproduksi
perempuan.
Gambar 1. Organ Reproduksi Perempuan
Jadi kanker serviks merupakan pertumbuhan sel yang tidak normal pada
serviks/ leher rahim, berikut gambaran organ reproduksi perempuan yang terkena
kanker serviks dan proses perkembangan kanker serviks.
Gambar 2. Organ Reproduksi Perempuan yang terkena Kanker Serviks.
25. 7
Gambar 3. Proses perkembangan Kanker Serviks
Kanker serviks terjadi karena infeksi Human Papilloma virus (HPV), virus
ini relative kecil dan hanya bisa dilihat dengan alat mikroskop electron, berikut
gambaran Human Papilloma Virus :
Gambar 4. Human Papilloma virus (HPV)
26. 8
Seperti penyakit lainnya, kanker serviks sangat beresiko tinggi terjadi jika
latar belakang serta pola hidup seorang perempuan yang tidak sehat, seperti
dibawah ini :
a. Melakukan aktivitas seksual sebelum usia 20 tahun.
b. Berganti-ganti pasangan seksual atau pasangan seksual sering berganti-
ganti pasangan.
c. Penderita infeksi kelamin yang ditularkan melalui hubungan seksual
d. Perokok aktif/ pasif
e. Penggunaan Metode Kontrasepsi hormonal
f. Melahirkan banyak anak.
Adapun gejala dan tanda yang timbul umumnya pada kanker serviks
stadium lanjut adalah sebagai berikut :
a. Pendarahan sesudah senggama atau setelah berhubungan.
b. Pendarahan diluar periode menstruasi
c. Keputihan berbau dan dapat bercampur dengan darah
d. Rasa nyeri dan sakit dipanggul
e. Gangguan buang air kecil sampai tidak bisa buang air kecil
Adapun beberapa metode untuk mengetahui terinfeksinya virus HPV atau
mengalami lesi prakanker, metode tersebut dinamakan skrining atau penapisan,
beberapa tes penapisan untuk kanker serviks sebagai berikut :
27. 9
a. Tes HPV
Menggunakan teknik pemeriksaan molekuler, DNA yang terkait dengan
HPV diuji dari sebuah contoh sel yang diambil dari leher rahim atau liang
senggama.
b. Tes Pap/Pap Smear
Pemeriksaan sitologis dari apusan sel-sel yang diambil dari leher rahim
untuk melihat perubahan sel yang mengindikasikan terjadinya inflamasi,
dysplasia dan kanker.
c. Tes IVA
Pemeriksaan inspeksi visual denga mata telanjang (tanpa pembesaran)
seluruh permukaan leher rahim dengan bantuan asal asetat/ cuka yang
diencerkan.
d. Servikografi
Kamera khusus digunakan untuk memfoto leher rahim. Film dicetak dan
foto diinterpretasi oleh petugas terlatih.
e. Kolposkopi
Pemeriksaan visual bertenaga tinggi (pembesaran) untuk melihat leher
rahim, bagian luar dank anal bagian dalam leher rahim.
2.1.4. Pengertian algoritma backpropagation
a. Pengertian Algoritma
Dalam Kamus Besar Bahasa Indonesia (1999), algoritma adalah prosedur
sistematis untuk memecahkan masalah matematis dengan langkah-langkah
terbatas.
28. 10
b. Pengertian Backpropagation
T. Sutojo, dkk (2011) menyatakan backpropagation adalah metode
penurunan gradien untuk meminimalkan kuadrat error keluaran.
Backpropagation merupakan salah satu metode atau algoritma pembelajaran
dengan supervisi (pembimbing) pada jaringan syaraf tiruan dengan
menggunakan arsitektur jaringan multilayer atau lapisan banyak. Untuk lebih
jelas jaringan multilayer tampak pada gambar dibawah ini :
Gambar 5. Jaringan syaraf tiruan multilayer
Pada gambar diatas, Lapisan input dilambangkan dengan X, lapisan
tersembunyi dilambangkan dengan Z, dan lapisan output dilambangkan dengan
29. 11
Y. Bobot antara X dan Z dilambangkan dengan v sedangkan bobot antara Z
dan Y dilambangkan dengan w.
Secara garis besar algoritma pembelajaran jaringan syaraf tiruan
backpropagation dapat dideskripsikan sebagai berikut : ketika jaringan
diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke
unit-unit pada lapisan tersembunyi untuk diteruskan ke lapisan-lapisan
keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang
disebut sebagai keluaran jaringan. Saat jaringan keluaran tidak sama dengan
keluaran yang diharapkan maka keluaran akan menyebar mundur (backward)
pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan.
Pada intinya ada tiga tahap yang harus dilakukan dalam pelatihan jaringan
syaraf tiruan menggunakan algoritma backpropagation, yaitu tahap pertama
adalah tahap perambatan maju (forwardpropagation) dimana pola masukan
dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan
fungsi aktifasi yang ditentukan. Tahap kedua ialah tahap perambatan-balik
dimana selisih antara keluaran jaringan dengan target yang diinginkan
merupakan kesalahan yang terjadi, kesalahan tersebut dipropagasikan balik,
dimulai dari garis yang berhubungan langsung dengan unit-unit di layar
keluaran. Tahap ketiga adalah perubahan bobot dan bias dimana tahap ini
dilakukan untuk menurunkan bobot yang terjadi.
Algoritma pembelajaran jaringan syaraf tiruan backpropagation sebagai
berikut :
30. 12
i. Tahap Perambatan Maju
Selama perambatan maju, sinyal masukan (= xi) dipropagasikan ke layer
tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari
setiap unit layar tersembunyi (= zj) tersebut selanjutnya dipropagasikan maju
lagi ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yang
ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=
yk).
Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang
harus dicapai (= tk). Selisih dari tk terhadap yk yaitu (tk − yk) adalah kesalahan
yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan,
maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari
batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi
untuk mengurangi kesalahan yang terjadi.
ii. Tahap Perambatan Balik
Berdasarkan kesalahan tk − yk, dihitung faktor δk (k = 1,2,..., m) yang
dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi
yang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot
garis yang berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor δj (j = 1,2,…, p) di setiap unit di
layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari
unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua
faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan
dihitung.
31. 13
iii. Tahap Perubahan bobot dan bias
Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi
bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di
layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar
keluaran didasarkan atas δk yang ada di unit keluaran.
Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian
dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah
iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang
dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika
kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.
Algoritma pembelajaran jaringan syaraf tiruan backpropagation untuk satu
layer tersembunyi sebagai berikut :
i. Inisialisasi bobot (Biasanya bobot awal diinisialisasi secara random
dengan nilai antara -0.5 sampai 0.5 (atau -1 sampai 1 atau interval yang
lainnya).
Adapun nilai-nilai bobot dan bias awal yang ditentukan, dibagi dalam
berbagai bagian sebagai berikut :
a) Bobot awal input ke hidden layer dengan inisial v11, v12 dan
seterusnya
b) Bobot awal bias ke hidden layer dengan inisial v01, v02 dan seterusnya
c) Bobot awal hidden layer ke output layer dengan inisal w1, w2 dan
seterusnya.
d) Bobot awal bias ke output layer dengan inisial w0
32. 14
e) Penentuan kebutuhan pelatihan jaringan, dilakukan untuk menentukan
kondisi berhenti. Adapun kebutuhan pelatihan jaringan adalah
learning rate, maksimum epoch dan target error.
Learning rate (α) merupakan laju pembelajaran yang menentukan
kecepatan iterasi dan pertimbangan penting dalam kinerja jaringan
syaraf, jika learning rate terlalu kecil algoritma akan memakan waktu
lama menuju konvergen, dan sebaliknya jika learning rate terlalu
besar algoritma menjadi divergen atau merusak pola yang sudah benar
sehhingga pemahaman menjadi lambat. Nilai learning rate (α) terletak
antara 0 dan 1 (0 ≤ α ≤ 1).
Maksimum epoch merupakan batasan jangka waktu, epoch (jangka
waktu) sendiri merupakan satu set putaran vector-vektor pelatihan
sebuah jaringan syaraf tiruan backpropagation, epoch juga dapat
diartikan sebagai iterasi atau perulangan maksudnya adalah jaringan
akan dilatih hingga iterasi yang ditentukan.
Target error merupakan batasan error yang ditentukan sebagai
pencapaian pelatihan jaringan syaraf.
ii. Selama kondisi berhenti masih belum terpenuhi, maka kerjakan :
a) Tahap perambatan maju (forwardbackpropagation)
i) Setiap unit (Xi, I = 1,2,3, …n) menerima sinyal xi dan meneruskan
sinyal tersebut ke semua unit pada lapisan tersembunyi.
ii) Setiap unit (Zi, j = 1,2,3, …,p) menjumlahkan bobot sinyal masukan
dengan persamaan berikut
33. 15
_ = +
= ( )
dan menerapkan fungsi aktivasi untuk menghitung sinyal keluaran-nya:
biasanya fungsi aktivasi yang digunakan adalah fungsi sigmoid Biner
kemudian mengirimkan sinyal tersebut ke semua unit keluaran.
iii) Setiap unit keluaran (Yk, k = 1,2,3,…,m) menjumlahkan bobot sinyal
masukan
_ = +
= ( _ )
Dan menerapkan fungsi aktivasi untuk menghitung sinyal keluarannya :
b) Tahap perambatan-balik (bacpropagation)
i) Setiap unit keluaran (Yk, k = 1,2,3, …., m) menerima pola target yang
sesuai dengan pola masukan pelatihan, kemudian hitung error dengan
=( − ) ′( )
persamaan berikut.
f’ adalah turunan dari fungsi aktivasi,
∆ =
kemudian hitung koreksi bobot dengan persamaan berikut,
∆ =
dan menghitung koreksi bias dengan persamaan berikut,
Sekaligus mengirimkan ke unit-unit yang ada lapisan paling kanan.
34. 16
ii) Setiap unit tersembunyi (Zj, j = 1,2,3,…,p) menjumlahkan delta
masukan-nya (dari unit-unit yang berada pada lapisan di kanannya):
_ =
Untuk menghitung informasi error, kalikan nilai ini dengan turunan
= _ ′( _ )
dari fungsi aktivasinya :
∆ =
Kemudian hitung koreksi bobot dengan persamaan berikut :
∆ =
Setelah itu, hitung juga koreksi bias dengan persamaan berikut :
c) Tahap perubahan bobot dan bias
i) Setiap unit keluaran (Yk, k=1,2,3,…,m) dilakukan perubahan bobot dan
wjk(baru) = wjk(lama) + ∆wjk
bias (j=0,1,2,…p) dengan persamaan berikut.
setiap unit tersembunyi (Zjk, j=1,2,3,…p) dilakukan perubahan bobot
vij(baru) = vij(lama) + ∆vij
dan bias (i=0,1,2,…,n) dengan persamaan berikut.
ii) Tes kondisi berhenti. Jika kondisi berhenti telah terpenuhi, maka
pelatihan jaringan dapat terpenuhi.
35. 17
Daftar Notasi :
xi = Unit ke-I pada lapisan masukan V0j = nilai penimbang sambungan pada bias
Xi = nilai aktifasi dari unit Xi untuk unit Zi
Zj = Unit ke-j pada lapisan tersembunyi Vij: nilai penimbang sambungan dari unit Xi ke
Z_inj = keluaran untuk unitZj unit Zi
zj = nilai aktifasi dari unit Zj Wij = selisih antara Vij (t) denganVij(t+1)
Yk = unit ke -k pada lapisan keluaran δk = faktor pengaturan nilai penimbang
Y_ink = net masukan untuk unit Yk sambungan pada lapisan keluaran
Yk = nilai aktifasi dari unit Yk δj = faktor pengaturan nilai penimbang
Wk0 = nilai penimbang sambungan pada bias sambungan pada lapisan tersembunyi
untuk unit Yk α = konstanta laju pelatihan (leaming rate)
Wkj = nilai penimbang sambungan dari Zij ke 0<α<1
unit Yk E = Total galat
Wjk = selisih antara Wjk(t) denganWjk(t+1)
c. Pengertian Algoritma Backpropagation.
Algoritma Backpropagation merupakan prosedur sistematis untuk
memecahkan masalah dengan langkah meminimalkan kuadrat error keluaran
dengan cara penurunan gradien.
2.1.5. Pengertian aplikasi diagnosa kanker serviks dengan menggunakan
algoritma backpropagation.
Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma
Backpropagation merupakan suatu aplikasi untuk mengidentifikasi kanker serviks
dengan menggunakan algoritma pelatihan propagasi balik yang mengadopsi
pengetahuan.
36. 18
2.2. Tinjauan Umum Software
Adapun software yang digunakan untuk membuat program ini adalah
Borland Delphi versi 7.0 dengan permrograman database bawaan Delphi yaitu
Database Desktop.
2.2.1. Borland delphi
a. Sejarah Borland Delphi
Delphi sendiri sebenarnya berasal dari bahasa pemrograman yang cukup
terkenal, yaitu pascal. Bahasa pascal sendiri telah diciptakan pada tahun 1971
oleh ilmuwan dari Swiss, yaitu Niklaus Wirth. Nama pascal diambil dari ahli
matematika dan filsafat dari Perancis, yaitu Blaise Pascal (1623-1662).
Sejak saat itu, muncul beberapa versi pascal diantaranya Turbo Pascal
yang dirilis oleh Borland International tahun 1983, namun hanya dapat
dijalankan di sistem operasi DOS. Namun dalam perkembangan selanjutnya
Borland International juga merilis Turbo Pascal yang berjalan di Windows 3.x
yaitu TurboPascal for Wndows.
Karena Turbo Pascal for Windows dirasa cukup sulit, sehingga ditahun
1993 Borland International mengembangkan bahasa pascal yang bersifat visual
yaitu dirilisnya Delphi 1 pada tahun 1995.
Seiring perkembangan, Delphi terus diperbaharui dari Delphi 2 untuk
Windows 95/NT, Delphi 6, Delphi 7 hingga yang terbaru adalah Delphi 8.
b. Pengertian Borland Delphi.
Wahana Komputer (2005) menyatakan Borland Delphi merupakan salah
satu bahasa pemrograman tingkat tinggi berbasis windows. Delphi digolongkan
37. 19
ke dalam bahasa pemrograman visual yang menitik beratkan pada
pemrograman berrorientasi objek. Bahasa pemroraman delphi dikembangkan
menggunakan bahasa pascal.
Keunggulan bahasa pemrograman ini terletak pada ketersediaan berbagai
macam kontrol program yang lebih banyak dan lebih canggih, penulisan listing
program yang lebih canggih dan serba otomatis serta dapat menghasilkan
program-program canggih, dimulai dari pemrograman multimedia, grafis
sampai dengan pemrograman database yang menggunakan jaringan.
Khusus untuk pemrograman database, Borland Delphi menyediakan
fasilitas objek yang kuat dan lengkap yang memudahkan programer dalam
membuat program.
2.2.2. Database
Database adalah sekumpulan data yang disusun dengan aturan tertentu
sehingga memudahkan kita dalam mengelola dan memperoleh informasi darinya.
Berdasarkan pengertian tersebut sehingga dalam pembuatan aplikasi ini
dibutuhkan database untuk mengelola data baik berupa informasi maupun bobot-
bobot yang akan digunakan. Untuk itu database yang digunakan penulis adalah
database desktop dan database pada excel.
a. Database Desktop
Bahasa Pemrograman Delphi dilengkapi dengan beberapa tool yang sangat
membantu dalam proses pembuatan program. Diantaranya adalah tool dengan
nama Database Desktop. Tool ini merupakan anak Program Delphi yang biasa
digunakan untuk membuat database dan tabel.
38. 20
Dalam database desktop, disediakan berbagai macam jenis database yang
bisa digunakan untuk membuat program menggunakan Delphi, diantaranya
adalah database dengan tipe paradox, MSaccess, FoxPro, Dbase, Oracle, MS
SQL Server dan Interbase.
Dalam tipe atau format paradox, satu file database hanya berisi satu tabel
database, sehingga agak berbeda dengan format Ms-access yang
memungkinkan membuat beberapa tabel dalam satu database.
Untuk menampung keluar masuknya data khususnya data pengalaman
serta gejala-gejala kanker serviks dalam aplikasi yang penulis buat ini, maka
tipe database yang digunakan adalah tipe paradox. Pengertian database dalam
paradox sendiri adalah kumpulan beberapa record yang tersimpan dalam
sebuah file, dengan kata lain tabel dalam paradox disebut sebagai database.
b. Microsoft Excel
Microsoft excel merupakan program jenis spreadsheet digunakan untuk
segala sesuatu yang berhubungan dengan tabel, angka-angka dan grafik.
Lembar-lembar kerja (worksheet) dalam Microsoft Excel tersusun dalam
kolok-kolom dan baris-baris sehingga Anda dengan mudah dapat membuat
suatu database dalam excel.
Dalam aplikasi ini penggunaan Microsoft excel untuk menampung keluar
masuknya data khususnya bobot-bobot dan bias yang digunakan maupun
dihasilkan saat proses pelatihan jaringan syaraf tiruan.
39. 21
BAB III
BAHAN DAN METODE
3.1. Bahan dan Alat
Adapun bahan dan alat yang dibutuhkan dalam pembuatan aplikasi ini
adalah sebagai berikut :
3.1.1. Bahan
Bahan yang digunakan adalah data yang diperoleh dari 120 sampel pasien
RSUP Dr. Kariadi Semarang dan Yayasan Kanker Indonesia cabang Semarang
(Tesis Magister Ilmu Biomedik, 2004) serta data hasil penelusuran melalui
perpustakaan maupun internet.
3.1.2. Alat
Alat yang digunakan dalam pembuatan aplikasi ini adalah sebagai berikut :
a. Perangkat keras (hardware)
Perangkat keras (hardware) merupakan perangkat fisik dari sebuah sistem
komputer. Komponen perangkat keras yang dibutuhkan untuk menjalankan
perancangan aplikasi ini adalah sebagai berikut :
i. Satu (1) unit Laptop Zyrex :
a) Processor Intel(R) Core™ i3 CPU M370 @ 2.40GHz.
b) Memory 2 GB RAM.
c) Harddisk Samsung HN-M320MBB SATA
d) DVD multi record Ultra Speed
ii. Printer Canon Pixma IP 1880
40. 22
b. Perangkat lunak (software)
Perangkat lunak (software) adalah program komputer yang merupakan
suatu susunan instruksi yang harus diberikan kepada unit pengolah agar
komputer dapat menjalankan pekerjaan sesuai dengan yang dikehendaki.
i. Sistem Operasi Windows7 Starter
ii. Bahasa Pemrograman Borland Delphi versi 7.0
iii. Database Tipe paradox
iv. Microsoft Office 2007 : word, excel & visio
3.2. Metodologi
Dalam penulisan laporan penelitian ini, penulis menggunakan berbagai
metode dalam pengambilan data maupun teknik pengumpulan data serta waktu
dan tempat penelitian yang dapat diuraikan sebagai berikut:
3.2.1. Metode penelitian
Adapun metode penelitian yang digunakan peneliti adalah Metode Studi
Kasus. Dalam Nazir (2003), Maxfield menyatakan bahwa studi kasus adalah
penelitian tentang status subjek penelitian yang berkenan dengan suatu fase
spesifik atau khas dari keseluruhan personalitas.
Nazir (2003) menyatakan metode ini memberikan gambaran secara
mendetail tentang latar belakang, sifat-sifat serta karakter-karekter yang khas
dari kasus, ataupun status dari individu, yang kemudian dari sifat-sifat khas
tersebut akan dijadikan suatu hal yang bersifat umum.
41. 23
3.2.2. Teknik pengumpulan data
Teknik pengumpulan data dalam penelitian ini antara lain :
a. Wawancara
Yang dimaksud dengan wawancara adalah proses memperoleh keterangan
untuk tujuan penelitian dengan cara tanya jawab. Penulis melakukan
wawancara langsung dengan pegawai rekam medik RSUD Prof. Dr. W. Z.
Yohanes menyangkut perkembangan kasus kanker serviks. Data tersebut
penulis gunakan sebagai latar belakang dari penulisan laporan ini.
b. Studi Pustaka
Pendekatan kepustakaan dilakukan untuk pengambilan data sampel pasien
kanker serviks yang digunakan sebagai data pelatihan dan data testing,
mengetahui tentang kanker serviks mulai dari gejala-gejala hingga cara
pendeteksian, cara kerja dari algoritma perambatan balik dan penerapannya
dalam diagnosa kanker serviks. Latar belakang serta konsep-konsep
penyelesaian masalah serta teori pendukung diperoleh dengan studi pustaka ini.
3.2.3. Jenis dan sumber data
a. Jenis Data
Adapun jenis data yang dikumpulkan adalah :
i. Data primer
Data primer yang dikumpulkan adalah data dari hasil wawancara
dengan pegawai rekam medik RSUD Prof. W. Z. Yohanes Kupang tentang
data kasus kanker serviks.
ii. Data sekunder
42. 24
Data Sekunder yaitu data yang diperoleh dengan mempelajari
dokumen yang berkaitan secara langsung dengan penelitian yang
dilakukan.
b. Sumber Data
Sumber data dalam penelitian ini berasal dari hasil wawancara, hasil
penelusuran dari internet dan perpustakaan berupa literatur yang berhubungan
erat dalam penelitian kanker serviks.
3.2.4. Waktu dan Tempat Penelitian.
a. Waktu penelitian
Penelitian dilakukan pada tanggal 17 September s/d 19 September 2011
untuk pengambilan data kasus kanker serviks.
b. Tempat penelitian
Penelitian dilakukan pada bagian rekam medik di RSUD Prof. W. Z.
Yohanes Kupang.
3.2.5. Teknik Analisa dan Pengolahan Data
Dalam teknik analisa dan pengolahan data ini berguna untuk mendapatkan
data yang sesuai untuk dilakukan analisa lebih lanjut.
a. Teknik Analisa Data.
Teknis dalam analisa data yaitu dengan menerapkan Jaringan syaraf tiruan
untuk mendapatkan hasil analisa yang diharapkan.
b. Teknik Pengolahan Data
Teknik Pengolahan data dalam penelitian ini dibagi atas tahapan sebagai
berikut:
43. 25
Melakukan Normalisasi Data sehingga batasan data dapat diketahui untuk
menentukan fungsi aktifasi yang tepat untuk diterapkan dalam jaringan syaraf
tiruan.
Menyesuaikan variable learning pada Jaringan syaraf tiruan sehingga data
yang diolah dapat menghasilkan keluaran yang sesuai dengan yang diharapkan.
3.3. Metode Analisa dan Perancangan Sistem
3.3.1. Alur sistem
Jogiyanto (1989) menyatakan bahwa alur sistem merupakan bagan yang
menunjukkan arus pekerjaan secara keseluruhan dari sistem.
Dalam sistem jaringan syaraf tiruan dengan menggunakan algoritma
backpropagation, menjelaskan bagaimana hubungan antara informasi dengan data
yang dianalisa tersebut seperti yang terlihat pada gambar dibawah ini :
Gambar 6. Alur Algoritma backpropagation
44. 26
a. Alur Sistem Data Pelatihan
Gambar 7. Alur Sistem Data Pelatihan
b. Alur Sistem Data Pengujian
Gambar 8. Alur Sistem Data Pengujian
45. 27
3.3.2. Diagram konteks
Diagram konteks juga merupakan sebuah diagram sederhana yang
menggambarkan hubungan antara entiti luar, masukan dan keluaran dari sistem.
Diaram konteks dipresentasikan dengan lingkungan tunggal yang mewakili
keseluruhan sistem sehingga sering disebut dengan diagram global.
Pada Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma
Backpropagation memiliki 2 entitas yaitu Admin dan Pengguna. Pada aplikasi ini
entitas Admin melakukan pelatihan JST dengan laju pembelajaran yang telah
ditentukan serta melakukan pengujian dengan menggunakan bobot yang
dihasilkan dari pelatihan JST sedangkan entitas pengguna memasukkan data baru
kanker serviks dan melakukan diagnosa kanker serviks dari data baru kanker
serviks, dari aplikasi ini akan dihasilkan keakuratan JST yang nantinya akan
digunakan sebagai target keakuratan dari diagnosa kanker serviks, serta hasil
diagnosa dan juga memperoleh informasi seputar kanker serviks. Dibawah ini
merupakan diagram konteks dari Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation:
Gambar 9. Diagram Konteks Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation
46. 28
3.3.3. Diagram berjenjang
Jogiyanto (1989) menyatakan bahwa diagram berjenjang digunakan untuk
mempersiapkan penggambaran DFD ke level-level lebih bawah lagi. Diagram
berjenjang dapat digambar dengan menggunakan notasi proses yang digunakan di
DFD.
Pada Diagram Berjenjang Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation ini dapat dijelaskan bahwa Aplikasi
Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation
memiliki 3 proses yaitu proses pelatihan dan pengujian JST, diagnosa kanker
serviks dan seputar kanker serviks yang terdapat pada level 0.
Gambar Diagram Berjenjang pada perancangan sistem dengan
menggunakan jaringan syarat tiruan ini tampak pada gambar dibawah ini :
Gambar 10. Diagram Berjenjang Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation
47. 29
3.3.4. Data Flow Diagram (DFD)
Data Flow Diagram atau Diagram Arus Data merupakan diagram yang
menggambarkan perpindahan dan perubahan data dalam suatu sistem dengan
sejumlah simbol tertentu tanpa mempertimbangkan lingkungan fisik dimana data
tersebut mengalir atau lingkungan fisik dimana data tersebut akan disimpan.
a. Data Flow Diagram Level 0 (DFD Level 0)
Data Flow Diagram (DFD) level 0 merupakan suatu model sistem yang
menggambarkan alur data dari proses pemasukan, yang akan menghasilkan
keluaran.
Pada DFD Level 0 Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation ini memiliki 3 proses antara lain:
i. Pelatihan dan Pengujian JST. Proses ini hanya bisa dioperasikan oleh
Entitas Admin, proses ini akan mendapatkan masukkan data dari tabel data
pelatihan dan data testing dan akan menghasilkan keakuratan JST.
ii. Diagnosa Kanker Serviks. Entitas Pengguna ataupun admin akan
memasukan data uji kanker serviks dimana data berupa gejala dan
pengalaman dari orang yang didiagnosa tersebut kemudian dilakukan
diagnosa data orang yang diagnosa dan hasil diagnosanya akan disimpan
pada penyimpanan data tabel input,
iii. Seputar Kanker Serviks. Proses ini hanya akan memberikan informasi
tentang kanker serviks, penyebab, proses terjadinya, resiko, pencegahan
dan pengobatan kanker serviks.
48. 30
Gambar DFD level 0 Pada perancangan sistem dengan menggunakan
jaringan syarat tiruan ini tampak pada gambar dibawah ini :
Gambar 11. DFD Level 0 Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation
3.3.5. Kamus data arus data
Jogiyanto (1989) menyatakan bahwa kamus data arus data merupakan
katalog fakta tentang data dan kebutuhan-kebutuhan informasi dari suatu sistem
informasi. Dengan menggunakan Kamus Data Arus Data, analisis sistem dapat
mendefinisikan data yang mengalir disistem dengan lengkap.
Berikut ini susunan kamus data arus data dalam aplikasi ini :
49. 31
a. Nama arus data : Data pelatihan
Alias :-
Bentuk data : Field
Arus data : Simpanan D1 - Proses1.0
b. Nama arus data : Data Testing
Alias :-
Bentuk data : Field
Arus data : Simpanan D2 - Proses 1.0
c. Nama arus data : Keakuratan JST
Alias :-
Bentuk data : Field
Arus data : Proses 1.0 - Entitas Admin
d. Nama arus data : Data baru kanker serviks
Alias :-
Bentuk data : Field
Arus data : Entitas Admin/Pengguna - Proses 2.0
e. Nama arus data : Data Input
Alias :-
Bentuk data : Field
Arus Data : Proses 2.0 - Simpanan D3
50. 32
f. Nama arus data : Hasil Diagnosa JST
Alias :-
Bentuk data : field
Arus data : Proses 2.0 - Entitas Admin/Pengguna &
Simpanan D3
g. Nama arus data : Keterangan seputar kanker serviks
Alias :-
Bentuk data : field
Arus data : Proses 3.0 - Entitas Admin/Pengguna
3.3.6. Kamus data tabel
Kamus data tabel merupakan sebuah bentuk yang menjelaskan tentang semua
jenis data yang terlibat dalam suatu proses pembuatan database. Kamus data tabel dalam
sistem ini adalah:
a. Kamus Data Tabel Data Pelatihan
51. 33
Tabel 1. Kamus Data Tabel Data Pelatihan
Tabel Data Pelatihan Kunci Index
Di Sistem Di Program
Primary Key : -
Data Pelatihan datapelatihan
Nama Item Data
Type Lebar Keterangan
Di Sistem Di Program
Text - Berhubungan intim
Umur Menikah X1
< 18 thn
Text -
Jumlah Pernikahan X2 Ganti Pasangan
Text -
Kategori Paritas X3 Kelahiran hidup
Text - Jumlah Anak yang
Jumlah Anak X4
dilahirkan
Text - Metode Kontrasepsi
Metode kontrasepsi X5
yang digunakan
Text
Perokok X6 - Perokok aktif/pasif
Riwayat Penyakit Text - Pernah mengidap
X7
Kelamin penyakit kelamin
Text - Pendarahan Setelah
Pendarahan Kontak X8
Berhubungan
Text - Pendarahan Lewat
Pendarahan Vagina X9
Periode Menstruasi
Text -
Keputihan Berbau X10 Keputihan Berbau
Text -
Nyeri Panggul X11 Nyeri Panggul
Text - Gangguan Buang Air
Gangguan BAK X12
Kecil
Text -
Deteksi IVA T Keadaan leher rahim
52. 34
b. Kamus Data Tabel Data Testing
Tabel 2. Kamus Data Tabel Data Testing
Tabel Data Testing Kunci Index
Di Sistem Di Program
Primary Key : -
Data testing Datatesting
Nama Item Data
Type Lebar Keterangan
Di Sistem Di Program
Text - Berhubungan intim
Umur Menikah X1
< 18 thn
Text -
Jumlah Pernikahan X2 Ganti Pasangan
Text -
Kategori Paritas X3 Kelahiran hidup
Text - Jumlah Anak yang
Jumlah Anak X4
dilahirkan
Text - Metode Kontrasepsi
Metode kontrasepsi X5
yang digunakan
Text
Perokok X6 - Perokok aktif/pasif
Riwayat Penyakit Text - Pernah mengidap
X7
Kelamin penyakit kelamin
Text - Pendarahan Setelah
Pendarahan Kontak X8
Berhubungan
Text - Pendarahan Lewat
Pendarahan Vagina X9
Periode Menstruasi
Text -
Keputihan Berbau X10 Keputihan Berbau
Text -
Nyeri Panggul X11 Nyeri Panggul
Text - Gangguan Buang Air
Gangguan BAK X12
Kecil
Alpha -
Deteksi IVA T Keadaan leher rahim
53. 35
c. Kamus Data Tabel input
Tabel 3. Kamus Data Tabel input
Tabel input Kunci Index
Di Sistem Di Program
Primary Key : Kd
Tabel input t_input
Nama Item Data
Type Lebar Keterangan
Di Sistem Di Program
Alpha 5
Kode Kd Kode data
Alpha 30
Nama Nama Nama Penderita
Alpha 12 Berhubungan intim
Umur Menikah X1
< 18 thn
Alpha 5
Jumlah Pernikahan X2 Ganti Pasangan
Alpha 16
Kategori Paritas X3 Kelahiran hidup
Alpha 11 Jumlah Anak yang
Jumlah Anak X4
dilahirkan
Alpha 15 Metode Kontrasepsi
Metode kontrasepsi X5
yang digunakan
Alpha
Perokok X6 6 Perokok aktif/pasif
Riwayat Penyakit Alpha 6 Pernah mengidap
X7
Kelamin penyakit kelamin
Alpha 6 Pendarahan Setelah
Pendarahan Kontak X8
Berhubungan
Alpha 6 Pendarahan Lewat
Pendarahan Vagina X9
Periode Menstruasi
Alpha 6
Keputihan Berbau X10 Keputihan Berbau
Alpha 6
Nyeri Panggul X11 Nyeri Panggul
Alpha 6 Gangguan Buang Air
Gangguan BAK X12
Kecil
Alpha 8
Deteksi IVA T Keadaan leher rahim
Alpha 35 Hasil Diagnosa
Hasil Diagnosa Hasil
Kanker Serviks
54. 36
3.3.7. Arsitektur jaringan algoritma backpropagation
Jaringan saraf terdiri dari 3 lapisan, yaitu input layer memiliki 12 unit
neuron, yaitu X1 – X12, yang terhubung langsung dengan hidden layer yang
memiliki 1 unit neuron hidden yaitu Z. Hubungan neuron-neuron pada input layer
dan hidden layer tersebut ditentukan oleh bobot dari input layer ke hidden layer
yaitu V11 – V12_1 dan bias ke hidden layer yaitu V0. Kemudian, 1 unit neuron
hidden Z terhubung langsung dengan output layer yang memiliki 1 unit neuron
yaitu Y yang besarnya ditentukan oleh bobot dari hidden layer ke output layer
yaitu w1 dan bias ke output layer yaitu w0.
Gambar arsitektur jaringan algoritma Backpropagation diagnosa kanker
serviks, tampak pada gambar dibawah ini :
v1
1
Gambar 12. Arsitektur Jaringan Diagnosa Kanker Serviks dengan menggunakan
Algoritma Backpropagation
55. 37
3.3.8. Perancangan Masukan dan Keluaran
Untuk memudahkan komunikasi antara aplikasi yang dibuat dengan
pengguna maka dibuat perancangan antar muka (interface design) yang semuanya
disesuaikan dengan hasil analisa terhadap analisa data. Berikut ini adalah model
design perancangan antar muka Aplikasi Diagnosa Kanker Serviks dengan
menggunakan Algoritma Backpropagation :
a. Perancangan Form Status Pengguna
Sebuah aplikasi pada umumnya memiliki menu loggin atau ijin masuk
untuk membedakan status pengguna, sehingga dibedakan sesuai dengan tugas
dan tanggung jawabnya. Form status pengguna juga sebagai pintu pengaman
yang pertama dalam aplikasi yaitu mencegah pihak-pihak yang tidak
berkepentingan masuk ke dalam sistem. Adapun antar muka yang didesain
seperti gambar dibawah ini :
Gambar 13. Perancangan Form Status Pengguna
56. 38
b. Perancangan Form Menu Utama
Antar muka awal yang pertama ini sebagai pintu masuk pada aplikasi,
pada menu utama ini menjadi media penempatan semua menu yang
dipergunakan untuk menjalankan bagian-bagian dari aplikasi ini. Adapun
perancangan menu utama dibagi menjadi 2 tampilan yaitu menu utama untuk
status admin dan menu utama untuk status pengguna, tampilan keduanya
tampak pada gambar-gambar dibawah ini :
i. Perancangan Form menu utama untuk status admin
Gambar 14. Perancangan Form Menu Utama untuk Status Admin
57. 39
ii. Perancangan Form menu utama untuk status pengguna
Gambar 15. Perancangan Form Menu Utama untuk Status Pengguna
c. Perancangan Form Pelatihan dan Pengujian JST
Form ini memiliki 2 tab yang terdiri dari tab pelatihan dan tab
pengujian.
Adapun perancangan form Pelatihan dan pengujian JST tampak pada
gambar dibawah ini :
58. 40
i. Tab Pelatihan
FORM PELATIHAN DAN PENGUJIAN JST
APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION
Pelatihan Pengujian
Latih JST
Pilih Data Pelatihan :
Pilih Data
Uji JST No Umur Menikah(X1) Jumlah Pernikahan (X2) Kategori Paritas (X3 Jumlah Anak (X4) ……... Identivikasi IVA (T)
Simpan Bobot
Load Bobot
Variabel Pembelajaran
Laju Pembelajaran :
STATUS
Limit Error : off
Epoch Maksimal :
Momentum :
Gambar 16. Perancangan Tab Pelatihan pada Form Pelatihan dan Pengujian
JST
ii. Tab Pengujian
FORM PELATIHAN DAN PENGUJIAN JST
APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION
Pelatihan Pengujian
Latih JST Keakuratan
Pilih Data Pengujian :
Pilih Data 00,00 %
Uji JST No Umur Menikah(X1) Jumlah Pernikahan (X2) Kategori Paritas (X3 Jumlah Anak (X4) ……... Identivikasi IVA (T)
Simpan Bobot
Load Bobot
Variabel Pembelajaran
Laju Pembelajaran :
STATUS
Limit Error : off
Epoch Maksimal :
Momentum :
Gambar 17. Perancangan Tab Pengujian pada Form Pelatihan dan Pengujian
JST
59. 41
d. Perancangan Form Diagnosa Kanker serviks
Form ini memiliki 2 tab yang terdiri dari tab Diagnosa dan tab lihat data.
Adapun perancangan form diagnosa kanker serviks tampak pada gambar
dibawah ini :
i. Tab Diagnosa
FORM DIAGNOSA KANKER SERVIKS
Diagnosa Lihat Data
Kode data Nama
Pengalaman Gejala
Umur Menikah < 20 Tahun >= 20 Tahun Riwayat Penyakit Kelamin Ya Tidak
1x > 1x
Jumlah Pernikahan Pendarahan kontak
Ya Tidak
Kategori Paritas Pendarahan Vagina Ya Tidak
Jumlah Anak <= 3 orang > 3 orang Keputihan Berbau Ya Tidak
Metode Kontrasepsi Bukan Hormonal Hormonal Nyeri Panggul Ya Tidak
Perokok Ya Tidak Gangguan Buang Air Kecil Ya Tidak
Deteksi IVA
Target keakuratan Hasil Diagnosa
Negatif Positif
00,00 % Terinfeksi Kanker Serviks
Tidak Terinfeksi Kanker Serviks
Tambah Diagnosa Simpan
Gambar 18. Perancangan Tab Diagnosa pada Form Diagnosa Kanker Serviks
60. 42
ii. Tab Lihat data
Gambar 19. Perancangan Tab Lihat data pada Form Diagnosa Kanker Serviks
e. Form Seputar Kanker Serviks
Gambar 20. Perancangan Form Seputar Kanker Serviks
61. 43
BAB IV
HASIL DAN PEMBAHASAN
4.1. Persiapan Data
Sampel acuan atau referensi yang diujikan pada penulisan ini adalah
sampel data pasien kanker serviks yang berasal dari RSUP Dr. Kariadi Semarang
dan Yayasan Kanker Indonesia cabang Semarang (Tesis Magister Ilmu Biomedik,
2004).
Jumlah data yang digunakan adalah sebanyak 120 sampel data, dari total
sampel tersebut, dibagi penggunaannya untuk sampel pelatihan adalah 96 sampel,
sedangkan sisanya 24 digunakan untuk sampel pengujian.
Setelah itu dilakukan proses normalisasi data. Proses normalisasi ini
berhubungan erat dengan fungsi aktivasi jaringan syaraf tiruan yang nantinya akan
menghasilkan keluaran yang berpresisis tinggi.
Proses normalisasi data dijabarkan sebagai berikut:
a. Kelompok umur menikah
i. < 20 tahun =1
ii. >= 20 tahun =0
b. Kelompok jumlah pernikahan
i. 1x =0
ii. >1x =1
62. 44
c. Kelompok kategori paritas
i. Nulipara =0
ii. Primipara = 0,25
iii. Multipara = 0,5
iv. Grandemultipara =1
d. Kelompok jumlah anak
i. <= 3 orang =0
ii. > 3 orang =1
e. Kelompok metode kontrasepsi
i. Bukan hormonal =0
ii. Hormonal =1
f. Kelompok perokok
i. Ya =1
ii. Tidak =0
g. Kelompok riwayat penyakit kelamin
i. Ya =1
ii. Tidak =0
h. Kelompok pendarahan kontak
i. Ya =1
ii. Tidak =0
i. Kelompok pendarahan vagina
i. Ya =1
ii. Tidak =0
63. 45
j. Kelompok keputihan berbau
i. Ya =1
ii. Tidak =0
k. Kelompok nyeri panggul
i. Ya =1
ii. Tidak =0
l. Kelompok gangguan buang air kecil
i. Ya =1
ii. Tidak =0
m. Kelompok deteksi IVA
i. Negatif =0
ii. Positif =1
4.2. Implementasi Program
Dari program yang sudah tersedia menghasilkan tampilan yang sangat
berperan penting dalam proses mengolah data. Pada saat program dijalankan
maka akan tampil sebuah form yang berisi ijin masuk, pengguna diminta untuk
memilih status pengguna, menginput nama dan password dengan benar sehingga
program tersebut dapat di jalankan.
64. 46
4.2.1. Form status pengguna
Setelah masuk dalam form status pengguna, maka akan tampil form yang
meminta user untuk memilih status pengguna, menginput nama dan password,
untuk status diberikan dua pilihan, yaitu Admin dan pengguna.
Form status pengguna dapat dilihat pada gambar sebagai berikut :
Gambar 21. Form Status Pengguna
Apabila user memilih status sebagai Admin, user harus mengetahui nama
dan password aplikasi karena merupakan kunci untuk masuk dalam form menu
utama serta yang akan menjalankan pelatihan dan pengujian JST, jika user
melakukan kesalahan dalam menginput nama atau password maka akan tampil
pesan kesalahan “Periksa nama pengguna dan password anda” Tampilan pesan
kesalahan dapat dilihat pada gambar dibawah ini :
65. 47
Gambar 22. Form Pesan Kesalahan memasukkan nama dan password
Apabila user memilih status sebagai pengguna, user tidak perlu mengisi
nama dan password. Dapat langsung masuk dalam form menu utama.
4.2.2. Form Menu Utama
Pada menu utama ini menjadi media penempatan semua menu yang
dipergunakan untuk menjalankan bagian-bagian dari aplikasi ini. Tampilan utama
dari aplikasi ini dibagi dalam dua tampilan yaitu, menu utama untuk Admin dan
Pengguna. Form menu utama dapat dilihat pada gambar-gambar dibawah ini :
a. Form menu utama untuk status admin
Gambar 23. Form Menu Utama untuk Status Admin
66. 48
Dari gambar di atas dapat dijelaskan bahwa terdapat 3 menu utama berupa
label-label yaitu : Pelatihan dan Pengujian JST, Diagnosa Kanker Serviks dan
Seputar Kanker Serviks.
i. Pelatihan dan Pengujian JST
Menu ini berfungsi menampilkan form Pelatihan dan Pengujian JST.
ii. Diagnosa Kanker Serviks
Menu ini berfungsi untuk menampilkan form Diagnosa Kanker Serviks
iii. Seputar Kanker Serviks
Menu ini berfungsi menampilkan form Seputar Kanker Serviks.
b. Form menu utama untuk status pengguna
Gambar 24. Form Menu Utama untuk Status Pengguna
Dari gambar di atas dapat dijelaskan bahwa hanya terdapat 2 menu utama
berupa label-label yaitu : Diagnosa Kanker Serviks dan Seputar Kanker Serviks.
67. 49
4.2.3. Form pelatihan dan pengujian JST
Form ini memiliki 2 tab, yaitu tab Pelatihan, tab Pengujian dengan
fungsinya masing-masing.
a. Tab Pelatihan
Tab Pelatihan berfungsi untuk melakukan pelatihan terhadap 80% sampel
data dari 120 sampel kanker serviks yang telah dilakukan normalisasi data. Di
dalam tab pelatihan terdiri dari tombol pilih data yang berfungsi untuk
menambahkan data pelatihan pada tabel yang telah tersedia, pada saat memilih
tombol pilih data, maka tombol latih dan tombol simpan bobot akan aktif,
tombol latih JST ini berfungsi untuk melakukan pelatihan terhadap data
pelatihan, stooping condition pelatihan akan ditentukan berdasarkan kebutuhan
pelatihan jaringan yaitu variable pembelajaran yang telah ditentukan, tombol
simpan bobot berfungsi untuk menyimpan bobot-bobot dan bias baru hasil dari
pelatihan, bobot tersebut yang nantinya akan dilakukan untuk melakukan
pengujian JST.
Tampilan tab pelatihan form pelatihan dan pengujian JST dapat dilihat
pada gambar di bawah ini :
68. 50
Gambar 25. Tab Pelatihan pada form Pelatihan dan Pengujian JST sebelum
melakukan pelatihan JST
i. Proses Pelatihan JST
Untuk mendapatkan hasil diagnosa yang sesuai, maka jaringan syaraf
tiruan yang telah dibuat haruslah dilatih dengan berbagai variable pembelajaran
yang kemungkinan bisa dilakukan. Salah satu percobaan melatih jaringan
syaraf tiruan dapat dilihat pada gambar dibawah ini :
69. 51
Gambar 26. Proses Pelatihan JST Diagnosa Kanker Serviks
Dapat dilihat bahwa pelatihan diatas menggunakan variable pembelajaran
dengan laju pembelajaran : 0.05, limit error : 0.06, epoch maximal : 1000 dan
momentum 0.2, momentum sendiri berfungsi untuk memperkecil perubahan
bobot. Setelah selesai melakukan pelatihan maka bobot dan bias baru yang
dihasilkan akan disimpan melalui tombol simpan bobot. Bobot dan bias baru
tersebut akan digunakan untuk melakukan pengujian.
b. Tab Pengujian
Tab pengujian berfungsi untuk melakukan pengujian terhadap 20% sampel
data dari 120 sampel kanker serviks yang telah dilakukan normalisasi data. Di
dalam tab pengujian terdapat tombol pilih data yang fungsinya untuk
menambahkan data pengujian pada tabel yang telah tersedia, pada saat memilih
tombol pilih data, maka tombol uji JST dan tombol load bobot akan aktif,
tombol load bobot berfungsi untuk mengambil bobot-bobot dan bias baru hasil
70. 52
dari pelatihan, bobot tersebut yang nantinya akan dilakukan untuk melakukan
pengujian JST, tombol uji JST ini berfungsi untuk melakukan pengujian
terhadap data pengujian, pengujian ini akan menghasilkan keakuratan berupa
persentase.
Tampilan tab pengujian form pelatihan dan pengujian JST sebelum
dilakukan pengujian dapat dilihat pada gambar di bawah ini :
Gambar 27. Tab Pengujian pada form Pelatihan dan Pengujian JST sebelum
melakukan pengujian JST
i. Proses Pengujian JST
Untuk menguji jaringan maka terlebih dahulu pengguna harus memilih
data pada tombol pilih data, setelah memilih data maka data pengujian akan
ditampilkan pada tabel, dikarenakan proses pengujian ini menggunakan bobot
dan bias baru yang telah dihasilkan dari proses pelatihan JST maka sebelum
lakukan pengujian terlebih dahulu bobot harus diambil dengan menggunakan
71. 53
tombol load bobot, setelah semua bobot dan bias baru diambil, pilih tombol Uji
JST untuk menguji jaringan. Jaringan dikatakan sudah pintar atau telah mampu
mengenali pola apabila nilai akurasinya tinggi atau ditetapkan diatas 90%. Salah
satu hasil pengujian JST dapat dilihat pada gambar dibawah ini :
Gambar 28. Hasil Pengujian Jaringan
Setelah dilakukan pengujian pada berbagai macam kombinasi Pelatihan
dengan arsitektur jaringan yang tetap maka hasil yang paling baik adalah dengan
menggunakan kombinasi laju pembelajaran 0.05 dengan tingkat keakuratannya
sebesar 95.83% . Dengan tingkat keakuratan yang mendekati 100% ini jaringan
tersebut dianggap layak sebagai dasar pengujian atau diagnosa kanker serviks.
Pada tabel 4 menunjukkan hasil pengujian dengan beberapa laju pembelajaran
dan limit error :
72. 54
Tabel 4. Hasil Pengujian dengan kombinasi tingkat pembelajaran
Akurasi Epoch
No. Laju pembelajaran Limit error
(%) Maksimal
1 0.01 0.06 73.26 1000
2 0.02 0.06 89.58 1000
3 0.03 0.06 89.58 1000
4 0.04 0.06 89.58 1000
5 0.05 0.06 95.83 1000
6 0.06 0.06 95.14 1000
7 0.07 0.06 95.14 1000
8 0.08 0.06 95.14 1000
9 0.09 0.06 95.14 1000
10 0.1 0.06 95.14 1000
4.2.4. Form Diagnosa Kanker Serviks
Form diagnosa Kanker Serviks memiliki dua tab proses yaitu diagnosa dan
lihat data dengan fungsinya masing-masing.
a. Tab diagnosa
Tab diagnosa memiliki fungsi untuk mendiagnosa kanker servik serta
menyimpan data inputan ke dalam database Di dalam tab diagnosa pada form ini
terdapat tombol tambah yang berfungsi untuk menambah data diagnosa kanker
serviks, tombol diagnosa berfungsi untuk mendiagnosa kanker serviks
berdasarkan hasil pembelajaran jaringan terbaik, tombol simpan berfungsi untuk
menyimpan data dalam database, tampilan tab diagnosa data pada form ini
tampak pada gambar dibawah ini :
73. 55
Gambar 29. Tab diagnosa pada form diagnosa kanker serviks
Telah diketahui dari hasil pembelajaran jaringan, diperoleh kombinasi
pembelajaran terbaik adalah dengan laju pembelajaran 0.05 dengan tingkat
akurasi 95,83%. Hasil pembelajaran tersebut yang selanjutnya dapat
dipergunakan untuk melakukan diagnosa kanker serviks dengan data diagnosa
beragam. Salah satu hasil diagnosa dengan data input yang berbeda diperoleh
hasil sebagai berikut:
74. 56
Gambar 30. Hasil Diagnosa Kanker Serviks
Dari gambar tersebut dapat dijelaskan sebagai berikut :
a. Dengan akurasi 95.83 %
b. Data Tester:
1. Umur Menikah = < 20 Tahun
2. Jumlah Pernikahan = 1x
3. Kategori Paritas = Multipara
4. Jumlah anak = > 3 orang
5. Metode Kontrasepsi = Hormonal
6. Perokok = Ya
7. Riwayat Penyakit Kelamin = Tidak
8. Pendarahan Kontak = Ya
9. Pendarahan Vagina = Ya
10. Keputihan Berbau = Ya
75. 57
11. Nyeri Panggul = Ya
12. Gangguan Buang Air Kecil = Tidak
13. Identivikasi IVA = Positif
Hasil Analisis jaringan syaraf tiruan = Terinfeksi Kanker Serviks.
b. Tab Lihat Data
Tab Lihat data memiliki fungsi untuk melihat data kanker serviks yang
telah diinput atau sebagai tab pencarian data. Di dalam tab lihat data pada form
ini terdapat tombol hapus yang berfungsi untuk menghapus data kanker serviks
yang telah diinput, tampilan tab lihat data pada form ini dapat dilihat pada
gambar dibawah ini :
Gambar 31. Tab lihat data pada form diagnosa kanker serviks
Pada tab ini juga disedikan sebuah edit teks yang berfungsi untuk
pencarian data diagnosa berdasarkan kode yang dimasukkan.
76. 58
4.2.5. Form seputar kanker serviks
Form seputar kanker serviks ini berfungsi untuk memberikan informasi
tentang arti kanker serviks, penyebab kanker serviks, proses terjadinya kanker
serviks, yang beresiko terkena kanker serviks, pencegahan kanker serviks dan
pengobatan kanker serviks. Di dalam form seputar kanker servks terdapat label-
label yang mempunyai fungsi untuk menampilkan informasi seputar kanker
serviks, tampilan form seputar kanker serviks dapat dilihat pada gambar dibawah
ini :
Gambar 32. Form seputar kanker serviks
Dari gambar diatas dapat dijelaskan bahwa form ini memiliki label-label
yang berfungsi untuk menampilkan informasi seputar kanker serviks, informasi
tersebut dapat dilihat dengan menyorot mouse pada label tersebut.
77. 59
BAB V
PENUTUP
5.1. Kesimpulan
Dari hasil uraian dan pembahasan masalah pada bab-bab sebelumnya,
maka penulis dapat mengambil kesimpulan yaitu :
a. Jaringan syaraf tiruan telah mampu melakukan diagnosa sesuai data yang
dimasukan dan juga sesuai hasil belajar jaringan terhadap data pelatihan
yang diberikan.
b. Algoritma Backpropagation yang dipakai untuk penyesuaian bobot dapat
merespon data pelatihan dengan baik ditandai dengan akurasi jaringan yang
dihasilkan semuanya hampir sama.
c. Penentuan parameter pengujian jaringan merupakan salah satu kunci
keberhasilan pembelajaran dalam jaringan syaraf tiruan.
d. Jaringan syaraf tiruan merupakan alternatif yang handal dalam melakukan
analisis, prediksi dengan ketepatan yang hampir sama dengan seorang pakar
tergantung dari data pelatihan jaringan dan arsitektur jaringan yang tepat.
e. Jaringan syaraf tiruan tidak diprogram untuk menghasilkan keluaran
tertentu, semua keluaran atau kesimpulan yang ditarik oleh jaringan syaraf
tiruan didasarkan pada pengalamannya selama mengikuti proses
pembelajaran. Pada proses pembelajaran ke dalam jaringan syaraf tiruan
dimasukka pola-pola input dan target lalu jaringan akan diajari untuk
memberikan jawaban yang bisa diterima.
78. 60
5.2. Saran
Dalam laporan ini, saran yang ingin penulis sampaikan khususnya dan
perlu dipertimbangan adalah sebagai berikut :
a. Banyak algoritma pembelajaran dalam jaringan syaraf tiruan namun
algoritma Backpropagation sangatlah handal dalam melakukan penyesuaian
bobot baru sehingga output jaringan syaraf tiruan hampir sama dengan
output dari data aslinya.
b. Untuk mendapatkan hasil prediksi yang lebih akurat, sebaiknya dataset
pelatihan ditingkatkan lagi jumlahnya.
c. Penentuan Parameter boleh dirubah sesuai keinginan dengan tujuan untuk
mendapat nilai akurasi dan performa yang lebih tinggi lagi.
d. Perlunya sistem komputer yang lebih baik lagi terutama pada prosesor dan
memorinya dikarenakan jaringan syaraf tiruan ini akan selalu
membangkitkan bilangan random dan penyesuaian bobot secara kontinyu.
Dengan demikian proses pembelajarannya semakin cepat.
79. 61
DAFTAR PUSTAKA
Alam, M. Agus J., Membuat Program Aplikasi menggunakan Delphi 6 &
Delphi 7, PT Elex Media Komputindo Kelompok Gramedia, Jakarta,
2003.
Direktorat Pengendalian Penyakit Tidak Menular, Buku Saku Pencegahan
Kanker Leher Rahim & Kanker Payudara, Direktorat Jenderal PP &
PL Departemen Kesehatan RI, Jakarta, 2009.
Fadlisyah., dan Rizal, Pemrograman Computer Vision Pada Video
Menggunakan Delphi+Vision Lab VCL 4.01, Cetakan Pertama, Graha
Ilmu, Yogyakarta, 2011.
Jogiyanto, Analisis & Desain, Andi, Yogyakarta, 1989.
Nazir, Moh., Metode Penelitian, Cetakan Kelima, Ghalia Indonesia, 2003.
Pusat Pembinaan dan Pengembangan Bahasa, Kamus Besar Bahasa Indonesia,
Edisi Kedua, Cetakan Kesepuluh, Balai Pustaka, Jakarta, 1999.
Setiawati, Donna., Buku Panduan Praktikum Pemrograman Terstruktur,
STIKOM-UYELINDO, Kupang, 2009.
Sutojo, T., Edy Mulyanto. dan Vincent Suhartono, Kecerdasan Buatan, Andi,
Yogyakarta, 2011.
Wahana komputer, Membuat Program Kreatif dan Profesional dengan
Delphi, PT Elex Media Komputindo Kelompok Gramedia, Jakarta, 2005.
80. 62
Wiyono, Sapto., Tesis Inspeksi Visual Asam Asetat (IVA) Untuk Deteksi Dini
Keganasan Kanker Serviks, UNIVERSITAS DIPONEGORO,
Semarang, 2004.
Yayasan Kanker Indonesia, Informasi Dasar Tentang Kanker, Cetakan
Keempat, Yayasan Kanker Indonesia, 2008.