APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION

5,901 views

Published on

Published in: Education
1 Comment
4 Likes
Statistics
Notes
No Downloads
Views
Total views
5,901
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
724
Comments
1
Likes
4
Embeds 0
No embeds

No notes for slide

APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION

  1. 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. 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. 3. HALAMAN PERSETUJUANJudul : APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION.Nama Mahasiswa : Agustin Triwahyuni SusantoNIM : 07110010Mata Kuliah : Tugas Akhir Kode : 1161167Semester : Genap Tahun : 2011/ 2012 Menyetujui :Dosen Pembimbing I Dosen Pembimbing IIDonna Setiawati, S.Kom., MM. Benjamin, SE.NIDN. 0808057402 NIDN. 080403730107 Juli 2012 09 Juli 2012.Tanggal Disetujui Tanggal DisetujuiTelah disetujui untuk mengikuti ujian komprehensif pada Program Studi SistemInformasi Strata Satu (S-1) Mengetahui : Ketua Program Studi Donna Setiawati, S.Kom., MM. NIDN. 0808057402 ii
  4. 4. HALAMAN PENGESAHANJudul : APLIKASI DIAGNOSA KANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION.Nama Mahasiswa : Agustin Triwahyuni SusantoNIM : 07110010Mata Kuliah : Tugas Akhir Kode : 1161167Semester : 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 IIDonna 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. 5. HALAMAN MOTTO DAN PERSEMBAHANMOTTO : “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. 6. ABSTRAKSIAGUSTIN TRIWAHYUNI SUSANTO, 07110010, APLIKASI DIAGNOSAKANKER SERVIKS DENGAN MENGGUNAKAN ALGORITMABACKPROPAGATION (Dibawah bimbingan : Donna Setiawati, S.Kom.,MM sebagai Dosen Pembimbing I dan Benjamin, SE sebagai DosenPembimbing II)Kanker serviks sampai saat ini masih merupakan masalah kesehatan seluruh duniabaik di negara maju maupun berkembang termasuk di Indonesia. Permasalahankanker serviks di Indonesia sangat khas yaitu banyak dan >70% kasus ditemukanpada stadium lanjut pada saat datang di rumah sakit, dikarenakan kurangnyapengetahuan tentang kanker serviks, cara pencegahan dan deteksi dini kankerserviks. Salah satu pemecahan masalah tersebut adalah memberikan jawaban yangtepat dan akurat sesuai dengan permasalahan yang dialami. Tujuan dari penelitianini adalah membangun sebuah sistem jaringan syaraf tiruan yang dapatmendiagnosa kanker serviks melalui pembelajaran berdasarkan pengalaman sertagejala-gejala yang ditemui atau dialami penderita.Peralatan dan bahan yang digunakan terdiri dari perangkat keras dan perangkatlunak. Perangkat keras meliputi satu unit laptop zyrex Intel(R) Core™ i3 danprinter 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. Metodepenelitian yang digunakan adalah Metode Studi Kasus dimana mempelajari latarbelakang sifat-sifat atau gejala-gejala yang khas dari kanker serviks yangkemudian dari latar belakang serta sifat-sifat tersebut dijadikan bahan untukdipelajari dalam jaringan syaraf tiruan algoritma backpropagation sehinggamenghasilkan diagnosa yang lebih akurat.Setelah melalui proses pelatihan, system jaringan dapat mengenali data diagnosayang dimasukkan dengan tingkat akurasi sebesar 95,83 %. Sehingga sistem bisamembantu untuk mendiagnosa sedini mungkin, sehingga dapat dilakukanpencegahan dan pengobatan lebih awal.Kata Kunci : Kanker serviks, Jaringan syaraf tiruan, Borland Delphi, Algoritma Backpropagation. v
  7. 7. PERNYATAANSkripsi 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. 8. RIWAYAT HIDUP Penulis dilahirkan di Kota Kupang, Propinsi Nusa Tenggara Timur padatanggal 31 Agustus 1988, putri ketiga dari pasangan Bapak Sigit Susanto dan IbuMariana Susanto-Lulu. Penulis mengawali jenjang pendidikan formal pada TK. Santa MariaGoretty Kupang selama 1 tahun dari tahun 1993 hingga 1994, Pendidikan Dasarpada SD. Inpres Oeba 2 Kupang selama 6 tahun dari tahun 1994 hingga tahun2000, Pendidikan Menengah Pertama pada SLTP. Negeri 1 Kupang selama 3tahun dari tahun 2000 hingga tahun 2003, ditahun yang sama penulis melanjutkanpendidikan setara Pendidikan Menengah Atas pada SMK. Negeri 1 Kupangselama 3 tahun dan lulus pada tahun 2006. Penulis melanjutkan pendidikan keStrata I Program Studi Sistem Informasi dibawah naungan Sekolah TinggiManajemen Informatika Komputer (STIKOM) Uyelindo Kupang pada tahun2007. vii
  9. 9. KATA PENGANTAR Terima kasih yang tak terhingga penulis naikkan ke hadirat Tuhan YangMaha Esa atas berkat dan anugerah-Nya kepada penulis sehingga Laporan Skripsiini dapat diselesaikan. Selama penyusunan Laporan Skripsi ini, penulis banyak mendapatkanbantuan dari berbagai pihak. Oleh karena itu penulis mengucapkan terima kasihkepada :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. 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 darikesempurnaan, oleh karena itu penulis sangat mengharapkan kritik dan saran yangbersifat membangun dari semua pihak untuk menyempurnakan penulisan ini. Kupang, Juli 2012 Penulis ix
  11. 11. DAFTAR ISI HalamanHALAMAN JUDUL .............................................................................. iHALAMAN PERSETUJUAN ............................................................... iiHALAMAN PENGESAHAN ................................................................ iiiHALAMAN MOTTO DAN PERSEMBAHAN .................................... ivABSTRAKSI .......................................................................................... vPERNYATAAN ..................................................................................... viRIWAYAT HIDUP ................................................................................ viiKATA PENGANTAR ............................................................................ viiiDAFTAR ISI .......................................................................................... xDAFTAR GAMBAR .............................................................................. xiiiDAFTAR TABEL .................................................................................. xviDAFTAR LAMPIRAN .......................................................................... xviiBAB I PENDAHULUAN1.1. Latar Belakang ............................................................................... 11.2. Permasalahan................................................................................... 31.3. Batasan Masalah ............................................................................. 31.4. Tujuan Penulisan ............................................................................ 4BAB II TINJAUAN PUSTAKA2.1. Tinjauan Umum Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation ..................................... 5 x
  12. 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 ........................... 172.2. Tinjauan Umum Software ............................................................... 18 2.2.1. Borland Delphi .................................................................... 18 2.2.2. Database ............................................................................. 19BAB III BAHAN DAN METODE3.1. Bahan dan Alat ............................................................................... 21 3.1.1. Bahan .................................................................................. 21 3.1.2. Alat ..................................................................................... 213.2. 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 .................................. 243.3. 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. 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 ................................... 37BAB IV HASIL DAN PEMBAHASAN4.1. Persiapan Data ................................................................................ 434.2. 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 .............................................. 58BAB V PENUTUP5.1. Kesimpulan .................................................................................... 595.2. Saran .............................................................................................. 60DAFTAR PUSTAKA ............................................................................. 61LAMPIRAN xii
  14. 14. DAFTAR GAMBAR HalamanGambar 1. Organ Reproduksi Perempuan ................................................. 6Gambar 2. Organ Reproduksi Perempuan yang terkena Kanker Serviks ..... 6Gambar 3. Proses Perkembangan Kanker Serviks....................................... 7Gambar 4. Human Papilloma Virus (HPV)................................................ 7Gambar 5. Jaringan Syaraf Tiruan Multilayer ............................................ 10Gambar 6. Alur Algoritma Backpropagation ............................................ 25Gambar 7. Alur Sistem Data Pelatihan ...................................................... 26Gambar 8. Alur Sistem Data Pengujian ..................................................... 26Gambar 9. Diagram Konteks Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation .............................. 27Gambar 10. Diagram Berjenjang Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation .............................. 28Gambar 11. DFD Level 0 Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation .............................. 30Gambar 12. Arsitektur Jaringan Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation .............................. 36 xiii
  15. 15. Gambar 13. Perancangan Form Status Pengguna ........................................ 37Gambar 14. Perancangan Form Menu Utama untuk Status Admin .............. 38Gambar 15. Perancangan Form Menu Utama untuk Status Pengguna .......... 39Gambar 16. Perancangan Tab Pelatihan pada Form Pelatihan dan Pengujian JST........................................................................................... 40Gambar 17. Perancangan Tab Pengujian pada Form Pelatihan dan Pengujian JST........................................................................................... 40Gambar 18. Perancangan Tab Diagnosa pada Form Input Data dan Diagnosa Kanker Serviks ........................................................................ 41Gambar 19. Perancangan Tab Lihat Data pada Form Input Data dan Diagnosa Kanker Serviks ........................................................................ 42Gambar 20. Perancangan Form Seputar Kanker Serviks ............................. 42Gambar 21. Form Status Pengguna ............................................................. 46Gambar 22. Form Pesan Kesalahan memasukkan nama dan password ........ 47Gambar 23. Form Menu Utama untuk Status Admin .................................. 47Gambar 24. Form Menu Utama untuk Status Pengguna ............................. 48Gambar 25. Tab Pelatihan pada form Pelatihan dan Pengujian JST sebelum melakukan pelatihan JST ......................................................... 50 xiv
  16. 16. Gambar 26. Proses Pelatihan JST Diagnosa Kanker Serviks ....................... 51Gambar 27. Tab Pengujian pada form Pelatihan dan Pengujian JST sebelum melakukan pengujian JST ........................................................ 52Gambar 28. Hasil Pengujian Jaringan ......................................................... 53Gambar 29. Tab Diagnosa pada form diagnosa kanker serviks .................... 55Gambar 30. Hasil Diagnosa kanker serviks ................................................. 56Gambar 31. Tab Lihat Data pada form diagnosa kanker serviks .................. 56Gambar 32. Form seputar kanker serviks .................................................... 58 xv
  17. 17. DAFTAR TABEL HalamanTabel 1. Kamus Data Tabel Data Pelatihan .......................................... 33Tabel 2. Kamus Data Tabel Data Testing ............................................. 34Tabel 3. Kamus Data Tabel input ......................................................... 35Tabel 4. Hasil Pengujian dengan kombinasi tingkat pembelajaran ........ 54 xvi
  18. 18. DAFTAR LAMPIRANLampiran 1. Kartu Konsultasi SkripsiLampiran 2. Data 120 Sample Pasien Penderita Kanker serviksLampiran 3 Listing Program xvii
  19. 19. 1 BAB I PENDAHULUAN1.1. Latar Belakang Kanker serviks sampai saat ini masih merupakan masalah kesehatanseluruh dunia baik di negara maju maupun berkembang termasuk di Indonesia. Dinegara maju kanker serviks menduduki urutan ke-10 dari semua keganasan,sedangkan di negara berkembang masih menduduki urutan pertama penyebabutama kematian akibat kanker. Setiap tahunnya terdapat 400.000 kasus baru, dimana 80% terjadi dinegara berkembang. Diperkirakan 200.000 – 300.000 wanita meninggal setiaptahunnya karena penyakit tersebut terutama di negara-negara miskin. Hasil SurveiKesehatan Rumah Tangga (SKRT) Departemen RI di Indonesia memperkirakansetiap tahunnya terdapat 90-100 penderita kanker yang baru dari setiap 100.000penduduk. Data dari 13 laboratorium patologi anatomi di Indonesia menunjukkan,frekwensi kanker serviks tertinggi diantara kanker yang ada di Indonesia dan jikadilihat penyebarannya 92,44% terakumulasi di Jawa – Bali. Sedangkan di KotaKupang hasil survei 3 tahun terakhir terhitung Januari 2009 hingga Juni 2011pada RSUD Prof. W. Z. Yohanes Kupang dari kanker genetis wanita terbanyakadalah kanker serviks sebanyak 113 kasus. Pada RSUD Kota Kupang untuk kasuskanker 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. 20. 2kondisi ini terjadi pula dibeberapa negara berkembang. Sebagaimana kanker padaumumnya maka kanker serviks juga menimbulkan permasalahan berupa kesakitanpenderitaan, kematian dan ekonomi, hal tersebut terjadi dikarenakan kurangnyapengetahuan tentang perilaku hidup sehat untuk mengurangi risiko terkena kankerserviks, cara pencegahan dan deteksi dini kanker serviks. Untuk menentukanapakah kanker serviks, biasanya pasien langsung ke dokter ahli kandungan yangdipastikan akan mengeluarkan biaya mahal. Oleh karena itu dibutuhkan sebuah aplikasi jaringan syaraf tiruan untukmenentukan apakah pasien terkena kanker serviks dengan memanfaatkan modelkomputasi Jaringan Syaraf Tiruan. Jaringan syaraf tiruan merupakan suatu teknologi yang diilhami darijaringan syaraf biologis pada manusia, dapat dilatih untuk mengenali suatu obyekyang memiliki pola tertentu dan spesifik. Berbeda dengan cara kerja sistem pakaryaitu knowledge-based expert system dimana memasukkan pengetahuan seorangpakar dalam sebuah database. Untuk beroperasi atau menyelesaikan masalah,jaringan syaraf tiruan membutuhkan pelatihan yang terstruktur dengan arsitekturjaringan multilayer neural network serta algoritma pembelajaranbackppropagation untuk mengenali suatu obyek tertentu sehingga dengan pastidapat mengenali, maka jaringan syaraf tiruan yang telah terbimbing itu bisamengenali ataupun menemukan kembali obyek tersebut sekalipun diacak denganobyek lain.
  21. 21. 3 Berdasarkan latar belakang diatas maka penulis tertarik untuk mengangkatjudul “Aplikasi Diagnosa Kanker Serviks dengan menggunakan AlgoritmaBackpropagation”.1.2. Permasalahan Permasalahan dalam penelitian ini adalah bagaimana membangun sebuahaplikasi dengan menerapkan algoritma jaringan syaraf tiruan backpropagationuntuk mendiagnosa kanker serviks.1.3. Batasan Masalah Mengingat kompleksnya masalah yang dihadapi serta sulitnya perolehandata mengenai kanker serviks, maka permasalahan dibatasi pada hal-hal sebagaiberikut : 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. 22. 41.4. 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. 23. 5 BAB II TINJAUAN PUSTAKA2.1. Tinjauan Umum Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation. Sebelum membahas Tinjauan Umum Aplikasi Diagnosa Kanker Serviksdengan menggunakan Algoritma Backpropagation maka akan dijabarkan tentangpengertian aplikasi, diagnosa, kanker serviks, algoritma dan bacpropagation,.2.1.1. Pengertian aplikasi Dalam Kamus Besar Bahasa Indonesia (1999), Aplikasi berartipenggunaan; penerapan. Sehingga jika diartikan secara umum Aplikasi berarti alatterapan yang difungsikan secara khusus dan terpadu sesuai dengan kemampuanyang dimiliki.2.1.2. Pengertian diagnosa. Dalam Kamus Besar Bahasa Indonesia (1999), menyatakan bahwadiagnosa berasal dari kata diagnosis yang berarti penentuan jenis penyakit denganmeneliti (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 tidaknormal/ terus menerus dan tidak terkendali, dapat merusak jaringan sekitarnyaserta dapat menjalar ke tempat yang jauh dari asalnya yang disebut metastasis.
  24. 24. 6 Serviks atau leher rahim merupakan bagian terendah dari rahim yangterdapat pada puncak liang senggama (vagina) yang hanya dapat dilihat denganalat spekulum yang berbentuk seperti mulut bebek, atau bisa juga dikatakan pinturahim/ penjaga gerbang antara dunia rahim dan dunia luar, untuk lebih jelas letakserviks atau leher rahim berikut gambaran bagian-bagian organ reproduksiperempuan. Gambar 1. Organ Reproduksi Perempuan Jadi kanker serviks merupakan pertumbuhan sel yang tidak normal padaserviks/ leher rahim, berikut gambaran organ reproduksi perempuan yang terkenakanker serviks dan proses perkembangan kanker serviks. Gambar 2. Organ Reproduksi Perempuan yang terkena Kanker Serviks.
  25. 25. 7 Gambar 3. Proses perkembangan Kanker Serviks Kanker serviks terjadi karena infeksi Human Papilloma virus (HPV), virusini relative kecil dan hanya bisa dilihat dengan alat mikroskop electron, berikutgambaran Human Papilloma Virus : Gambar 4. Human Papilloma virus (HPV)
  26. 26. 8 Seperti penyakit lainnya, kanker serviks sangat beresiko tinggi terjadi jikalatar belakang serta pola hidup seorang perempuan yang tidak sehat, sepertidibawah 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 serviksstadium 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 ataumengalami lesi prakanker, metode tersebut dinamakan skrining atau penapisan,beberapa tes penapisan untuk kanker serviks sebagai berikut :
  27. 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. 28. 10b. Pengertian Backpropagation T. Sutojo, dkk (2011) menyatakan backpropagation adalah metodepenurunan gradien untuk meminimalkan kuadrat error keluaran.Backpropagation merupakan salah satu metode atau algoritma pembelajarandengan supervisi (pembimbing) pada jaringan syaraf tiruan denganmenggunakan arsitektur jaringan multilayer atau lapisan banyak. Untuk lebihjelas jaringan multilayer tampak pada gambar dibawah ini : Gambar 5. Jaringan syaraf tiruan multilayer Pada gambar diatas, Lapisan input dilambangkan dengan X, lapisantersembunyi dilambangkan dengan Z, dan lapisan output dilambangkan dengan
  29. 29. 11Y. Bobot antara X dan Z dilambangkan dengan v sedangkan bobot antara Zdan Y dilambangkan dengan w. Secara garis besar algoritma pembelajaran jaringan syaraf tiruanbackpropagation dapat dideskripsikan sebagai berikut : ketika jaringandiberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju keunit-unit pada lapisan tersembunyi untuk diteruskan ke lapisan-lapisankeluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yangdisebut sebagai keluaran jaringan. Saat jaringan keluaran tidak sama dengankeluaran 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 jaringansyaraf tiruan menggunakan algoritma backpropagation, yaitu tahap pertamaadalah tahap perambatan maju (forwardpropagation) dimana pola masukandihitung maju mulai dari layar masukan hingga layar keluaran menggunakanfungsi aktifasi yang ditentukan. Tahap kedua ialah tahap perambatan-balikdimana selisih antara keluaran jaringan dengan target yang diinginkanmerupakan kesalahan yang terjadi, kesalahan tersebut dipropagasikan balik,dimulai dari garis yang berhubungan langsung dengan unit-unit di layarkeluaran. Tahap ketiga adalah perubahan bobot dan bias dimana tahap inidilakukan untuk menurunkan bobot yang terjadi. Algoritma pembelajaran jaringan syaraf tiruan backpropagation sebagaiberikut :
  30. 30. 12 i. Tahap Perambatan Maju Selama perambatan maju, sinyal masukan (= xi) dipropagasikan ke layertersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran darisetiap unit layar tersembunyi (= zj) tersebut selanjutnya dipropagasikan majulagi ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yangditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=yk). Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yangharus dicapai (= tk). Selisih dari tk terhadap yk yaitu (tk − yk) adalah kesalahanyang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan,maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar daribatas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasiuntuk mengurangi kesalahan yang terjadi.ii. Tahap Perambatan Balik Berdasarkan kesalahan tk − yk, dihitung faktor δk (k = 1,2,..., m) yangdipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyiyang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobotgaris yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj (j = 1,2,…, p) di setiap unit dilayar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dariunit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semuafaktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukandihitung.
  31. 31. 13iii. 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. 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. 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. 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. 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 AlgoritmaBackpropagation merupakan suatu aplikasi untuk mengidentifikasi kanker serviksdengan menggunakan algoritma pelatihan propagasi balik yang mengadopsipengetahuan.
  36. 36. 182.2. Tinjauan Umum Software Adapun software yang digunakan untuk membuat program ini adalahBorland Delphi versi 7.0 dengan permrograman database bawaan Delphi yaituDatabase 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. 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 tertentusehingga memudahkan kita dalam mengelola dan memperoleh informasi darinya. Berdasarkan pengertian tersebut sehingga dalam pembuatan aplikasi inidibutuhkan database untuk mengelola data baik berupa informasi maupun bobot-bobot yang akan digunakan. Untuk itu database yang digunakan penulis adalahdatabase 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. 38. 20 Dalam database desktop, disediakan berbagai macam jenis database yangbisa digunakan untuk membuat program menggunakan Delphi, diantaranyaadalah database dengan tipe paradox, MSaccess, FoxPro, Dbase, Oracle, MSSQL Server dan Interbase. Dalam tipe atau format paradox, satu file database hanya berisi satu tabeldatabase, sehingga agak berbeda dengan format Ms-access yangmemungkinkan membuat beberapa tabel dalam satu database. Untuk menampung keluar masuknya data khususnya data pengalamanserta gejala-gejala kanker serviks dalam aplikasi yang penulis buat ini, makatipe database yang digunakan adalah tipe paradox. Pengertian database dalamparadox sendiri adalah kumpulan beberapa record yang tersimpan dalamsebuah file, dengan kata lain tabel dalam paradox disebut sebagai database.b. Microsoft Excel Microsoft excel merupakan program jenis spreadsheet digunakan untuksegala sesuatu yang berhubungan dengan tabel, angka-angka dan grafik.Lembar-lembar kerja (worksheet) dalam Microsoft Excel tersusun dalamkolok-kolom dan baris-baris sehingga Anda dengan mudah dapat membuatsuatu database dalam excel. Dalam aplikasi ini penggunaan Microsoft excel untuk menampung keluarmasuknya data khususnya bobot-bobot dan bias yang digunakan maupundihasilkan saat proses pelatihan jaringan syaraf tiruan.
  39. 39. 21 BAB III BAHAN DAN METODE3.1. Bahan dan Alat Adapun bahan dan alat yang dibutuhkan dalam pembuatan aplikasi iniadalah 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. 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 & visio3.2. Metodologi Dalam penulisan laporan penelitian ini, penulis menggunakan berbagaimetode dalam pengambilan data maupun teknik pengumpulan data serta waktudan 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. 41. 233.2.2. 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. 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 mendapatkandata 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. 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 Sistem3.3.1. Alur sistem Jogiyanto (1989) menyatakan bahwa alur sistem merupakan bagan yangmenunjukkan arus pekerjaan secara keseluruhan dari sistem. Dalam sistem jaringan syaraf tiruan dengan menggunakan algoritmabackpropagation, menjelaskan bagaimana hubungan antara informasi dengan datayang dianalisa tersebut seperti yang terlihat pada gambar dibawah ini : Gambar 6. Alur Algoritma backpropagation
  44. 44. 26a. Alur Sistem Data Pelatihan Gambar 7. Alur Sistem Data Pelatihanb. Alur Sistem Data Pengujian Gambar 8. Alur Sistem Data Pengujian
  45. 45. 273.3.2. Diagram konteks Diagram konteks juga merupakan sebuah diagram sederhana yangmenggambarkan hubungan antara entiti luar, masukan dan keluaran dari sistem.Diaram konteks dipresentasikan dengan lingkungan tunggal yang mewakilikeseluruhan sistem sehingga sering disebut dengan diagram global. Pada Aplikasi Diagnosa Kanker Serviks dengan menggunakan AlgoritmaBackpropagation memiliki 2 entitas yaitu Admin dan Pengguna. Pada aplikasi inientitas Admin melakukan pelatihan JST dengan laju pembelajaran yang telahditentukan serta melakukan pengujian dengan menggunakan bobot yangdihasilkan dari pelatihan JST sedangkan entitas pengguna memasukkan data barukanker serviks dan melakukan diagnosa kanker serviks dari data baru kankerserviks, dari aplikasi ini akan dihasilkan keakuratan JST yang nantinya akandigunakan sebagai target keakuratan dari diagnosa kanker serviks, serta hasildiagnosa dan juga memperoleh informasi seputar kanker serviks. Dibawah inimerupakan diagram konteks dari Aplikasi Diagnosa Kanker Serviks denganmenggunakan Algoritma Backpropagation: Gambar 9. Diagram Konteks Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation
  46. 46. 283.3.3. Diagram berjenjang Jogiyanto (1989) menyatakan bahwa diagram berjenjang digunakan untukmempersiapkan penggambaran DFD ke level-level lebih bawah lagi. Diagramberjenjang dapat digambar dengan menggunakan notasi proses yang digunakan diDFD. Pada Diagram Berjenjang Aplikasi Diagnosa Kanker Serviks denganmenggunakan Algoritma Backpropagation ini dapat dijelaskan bahwa AplikasiDiagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagationmemiliki 3 proses yaitu proses pelatihan dan pengujian JST, diagnosa kankerserviks dan seputar kanker serviks yang terdapat pada level 0. Gambar Diagram Berjenjang pada perancangan sistem denganmenggunakan jaringan syarat tiruan ini tampak pada gambar dibawah ini : Gambar 10. Diagram Berjenjang Aplikasi Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation
  47. 47. 293.3.4. Data Flow Diagram (DFD) Data Flow Diagram atau Diagram Arus Data merupakan diagram yangmenggambarkan perpindahan dan perubahan data dalam suatu sistem dengansejumlah simbol tertentu tanpa mempertimbangkan lingkungan fisik dimana datatersebut 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. 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 Backpropagation3.3.5. Kamus data arus data Jogiyanto (1989) menyatakan bahwa kamus data arus data merupakankatalog fakta tentang data dan kebutuhan-kebutuhan informasi dari suatu sisteminformasi. Dengan menggunakan Kamus Data Arus Data, analisis sistem dapatmendefinisikan data yang mengalir disistem dengan lengkap. Berikut ini susunan kamus data arus data dalam aplikasi ini :
  49. 49. 31a. Nama arus data : Data pelatihan Alias :- Bentuk data : Field Arus data : Simpanan D1 - Proses1.0b. Nama arus data : Data Testing Alias :- Bentuk data : Field Arus data : Simpanan D2 - Proses 1.0c. Nama arus data : Keakuratan JST Alias :- Bentuk data : Field Arus data : Proses 1.0 - Entitas Admind. Nama arus data : Data baru kanker serviks Alias :- Bentuk data : Field Arus data : Entitas Admin/Pengguna - Proses 2.0e. Nama arus data : Data Input Alias :- Bentuk data : Field Arus Data : Proses 2.0 - Simpanan D3
  50. 50. 32f. Nama arus data : Hasil Diagnosa JST Alias :- Bentuk data : field Arus data : Proses 2.0 - Entitas Admin/Pengguna & Simpanan D3g. Nama arus data : Keterangan seputar kanker serviks Alias :- Bentuk data : field Arus data : Proses 3.0 - Entitas Admin/Pengguna3.3.6. Kamus data tabel Kamus data tabel merupakan sebuah bentuk yang menjelaskan tentang semuajenis data yang terlibat dalam suatu proses pembuatan database. Kamus data tabel dalamsistem ini adalah: a. Kamus Data Tabel Data Pelatihan
  51. 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 KontrasepsiMetode kontrasepsi X5 yang digunakan Text Perokok X6 - Perokok aktif/pasifRiwayat Penyakit Text - Pernah mengidap X7 Kelamin penyakit kelamin Text - Pendarahan SetelahPendarahan Kontak X8 Berhubungan Text - Pendarahan LewatPendarahan 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. 52. 34b. 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. 53. 35c. 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. 54. 363.3.7. Arsitektur jaringan algoritma backpropagation Jaringan saraf terdiri dari 3 lapisan, yaitu input layer memiliki 12 unitneuron, yaitu X1 – X12, yang terhubung langsung dengan hidden layer yangmemiliki 1 unit neuron hidden yaitu Z. Hubungan neuron-neuron pada input layerdan hidden layer tersebut ditentukan oleh bobot dari input layer ke hidden layeryaitu V11 – V12_1 dan bias ke hidden layer yaitu V0. Kemudian, 1 unit neuronhidden Z terhubung langsung dengan output layer yang memiliki 1 unit neuronyaitu Y yang besarnya ditentukan oleh bobot dari hidden layer ke output layeryaitu w1 dan bias ke output layer yaitu w0. Gambar arsitektur jaringan algoritma Backpropagation diagnosa kankerserviks, tampak pada gambar dibawah ini : v1 1 Gambar 12. Arsitektur Jaringan Diagnosa Kanker Serviks dengan menggunakan Algoritma Backpropagation
  55. 55. 373.3.8. Perancangan Masukan dan Keluaran Untuk memudahkan komunikasi antara aplikasi yang dibuat denganpengguna maka dibuat perancangan antar muka (interface design) yang semuanyadisesuaikan dengan hasil analisa terhadap analisa data. Berikut ini adalah modeldesign perancangan antar muka Aplikasi Diagnosa Kanker Serviks denganmenggunakan 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. 56. 38b. Perancangan Form Menu Utama Antar muka awal yang pertama ini sebagai pintu masuk pada aplikasi,pada menu utama ini menjadi media penempatan semua menu yangdipergunakan untuk menjalankan bagian-bagian dari aplikasi ini. Adapunperancangan menu utama dibagi menjadi 2 tampilan yaitu menu utama untukstatus admin dan menu utama untuk status pengguna, tampilan keduanyatampak pada gambar-gambar dibawah ini :i. Perancangan Form menu utama untuk status admin Gambar 14. Perancangan Form Menu Utama untuk Status Admin
  57. 57. 39ii. 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. 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 JSTii. 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. 59. 41d. 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 gambardibawah 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. 60. 42ii. 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. 61. 43 BAB IV HASIL DAN PEMBAHASAN4.1. Persiapan Data Sampel acuan atau referensi yang diujikan pada penulisan ini adalahsampel data pasien kanker serviks yang berasal dari RSUP Dr. Kariadi Semarangdan Yayasan Kanker Indonesia cabang Semarang (Tesis Magister Ilmu Biomedik,2004). Jumlah data yang digunakan adalah sebanyak 120 sampel data, dari totalsampel tersebut, dibagi penggunaannya untuk sampel pelatihan adalah 96 sampel,sedangkan sisanya 24 digunakan untuk sampel pengujian. Setelah itu dilakukan proses normalisasi data. Proses normalisasi iniberhubungan erat dengan fungsi aktivasi jaringan syaraf tiruan yang nantinya akanmenghasilkan 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. 62. 44c. Kelompok kategori paritas i. Nulipara =0 ii. Primipara = 0,25 iii. Multipara = 0,5 iv. Grandemultipara =1d. Kelompok jumlah anak i. <= 3 orang =0 ii. > 3 orang =1e. Kelompok metode kontrasepsi i. Bukan hormonal =0 ii. Hormonal =1f. Kelompok perokok i. Ya =1 ii. Tidak =0g. Kelompok riwayat penyakit kelamin i. Ya =1 ii. Tidak =0h. Kelompok pendarahan kontak i. Ya =1 ii. Tidak =0i. Kelompok pendarahan vagina i. Ya =1 ii. Tidak =0
  63. 63. 45j. Kelompok keputihan berbau i. Ya =1 ii. Tidak =0k. Kelompok nyeri panggul i. Ya =1 ii. Tidak =0l. Kelompok gangguan buang air kecil i. Ya =1 ii. Tidak =0m. Kelompok deteksi IVA i. Negatif =0 ii. Positif =1 4.2. Implementasi Program Dari program yang sudah tersedia menghasilkan tampilan yang sangatberperan penting dalam proses mengolah data. Pada saat program dijalankanmaka akan tampil sebuah form yang berisi ijin masuk, pengguna diminta untukmemilih status pengguna, menginput nama dan password dengan benar sehinggaprogram tersebut dapat di jalankan.
  64. 64. 464.2.1. Form status pengguna Setelah masuk dalam form status pengguna, maka akan tampil form yangmeminta 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 namadan password aplikasi karena merupakan kunci untuk masuk dalam form menuutama serta yang akan menjalankan pelatihan dan pengujian JST, jika usermelakukan kesalahan dalam menginput nama atau password maka akan tampilpesan kesalahan “Periksa nama pengguna dan password anda” Tampilan pesankesalahan dapat dilihat pada gambar dibawah ini :
  65. 65. 47 Gambar 22. Form Pesan Kesalahan memasukkan nama dan password Apabila user memilih status sebagai pengguna, user tidak perlu mengisinama dan password. Dapat langsung masuk dalam form menu utama.4.2.2. Form Menu Utama Pada menu utama ini menjadi media penempatan semua menu yangdipergunakan untuk menjalankan bagian-bagian dari aplikasi ini. Tampilan utamadari aplikasi ini dibagi dalam dua tampilan yaitu, menu utama untuk Admin danPengguna. 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. 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 utamaberupa label-label yaitu : Diagnosa Kanker Serviks dan Seputar Kanker Serviks.
  67. 67. 494.2.3. Form pelatihan dan pengujian JST Form ini memiliki 2 tab, yaitu tab Pelatihan, tab Pengujian denganfungsinya 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 dilihatpada gambar di bawah ini :
  68. 68. 50Gambar 25. Tab Pelatihan pada form Pelatihan dan Pengujian JST sebelum melakukan pelatihan JSTi. Proses Pelatihan JST Untuk mendapatkan hasil diagnosa yang sesuai, maka jaringan syaraftiruan yang telah dibuat haruslah dilatih dengan berbagai variable pembelajaranyang kemungkinan bisa dilakukan. Salah satu percobaan melatih jaringansyaraf tiruan dapat dilihat pada gambar dibawah ini :
  69. 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% sampeldata dari 120 sampel kanker serviks yang telah dilakukan normalisasi data. Didalam tab pengujian terdapat tombol pilih data yang fungsinya untukmenambahkan data pengujian pada tabel yang telah tersedia, pada saat memilihtombol 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. 70. 52dari pelatihan, bobot tersebut yang nantinya akan dilakukan untuk melakukanpengujian JST, tombol uji JST ini berfungsi untuk melakukan pengujianterhadap data pengujian, pengujian ini akan menghasilkan keakuratan berupapersentase. Tampilan tab pengujian form pelatihan dan pengujian JST sebelumdilakukan pengujian dapat dilihat pada gambar di bawah ini : Gambar 27. Tab Pengujian pada form Pelatihan dan Pengujian JST sebelum melakukan pengujian JSTi. Proses Pengujian JST Untuk menguji jaringan maka terlebih dahulu pengguna harus memilihdata pada tombol pilih data, setelah memilih data maka data pengujian akanditampilkan pada tabel, dikarenakan proses pengujian ini menggunakan bobotdan bias baru yang telah dihasilkan dari proses pelatihan JST maka sebelumlakukan pengujian terlebih dahulu bobot harus diambil dengan menggunakan
  71. 71. 53tombol load bobot, setelah semua bobot dan bias baru diambil, pilih tombol UjiJST untuk menguji jaringan. Jaringan dikatakan sudah pintar atau telah mampumengenali pola apabila nilai akurasinya tinggi atau ditetapkan diatas 90%. Salahsatu hasil pengujian JST dapat dilihat pada gambar dibawah ini : Gambar 28. Hasil Pengujian Jaringan Setelah dilakukan pengujian pada berbagai macam kombinasi Pelatihandengan arsitektur jaringan yang tetap maka hasil yang paling baik adalah denganmenggunakan kombinasi laju pembelajaran 0.05 dengan tingkat keakuratannyasebesar 95.83% . Dengan tingkat keakuratan yang mendekati 100% ini jaringantersebut dianggap layak sebagai dasar pengujian atau diagnosa kanker serviks.Pada tabel 4 menunjukkan hasil pengujian dengan beberapa laju pembelajarandan limit error :
  72. 72. 54Tabel 4. Hasil Pengujian dengan kombinasi tingkat pembelajaran Akurasi EpochNo. 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 10004.2.4. Form Diagnosa Kanker Serviks Form diagnosa Kanker Serviks memiliki dua tab proses yaitu diagnosa danlihat 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. 73. 55 Gambar 29. Tab diagnosa pada form diagnosa kanker serviks Telah diketahui dari hasil pembelajaran jaringan, diperoleh kombinasipembelajaran terbaik adalah dengan laju pembelajaran 0.05 dengan tingkatakurasi 95,83%. Hasil pembelajaran tersebut yang selanjutnya dapatdipergunakan untuk melakukan diagnosa kanker serviks dengan data diagnosaberagam. Salah satu hasil diagnosa dengan data input yang berbeda diperolehhasil sebagai berikut:
  74. 74. 56 Gambar 30. Hasil Diagnosa Kanker ServiksDari 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. 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 yangtelah diinput atau sebagai tab pencarian data. Di dalam tab lihat data pada formini terdapat tombol hapus yang berfungsi untuk menghapus data kanker serviksyang telah diinput, tampilan tab lihat data pada form ini dapat dilihat padagambar dibawah ini : Gambar 31. Tab lihat data pada form diagnosa kanker serviks Pada tab ini juga disedikan sebuah edit teks yang berfungsi untukpencarian data diagnosa berdasarkan kode yang dimasukkan.
  76. 76. 584.2.5. Form seputar kanker serviks Form seputar kanker serviks ini berfungsi untuk memberikan informasitentang arti kanker serviks, penyebab kanker serviks, proses terjadinya kankerserviks, yang beresiko terkena kanker serviks, pencegahan kanker serviks danpengobatan kanker serviks. Di dalam form seputar kanker servks terdapat label-label yang mempunyai fungsi untuk menampilkan informasi seputar kankerserviks, tampilan form seputar kanker serviks dapat dilihat pada gambar dibawahini : Gambar 32. Form seputar kanker serviks Dari gambar diatas dapat dijelaskan bahwa form ini memiliki label-labelyang berfungsi untuk menampilkan informasi seputar kanker serviks, informasitersebut dapat dilihat dengan menyorot mouse pada label tersebut.
  77. 77. 59 BAB V PENUTUP5.1. 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. 78. 605.2. Saran Dalam laporan ini, saran yang ingin penulis sampaikan khususnya danperlu 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. 79. 61 DAFTAR PUSTAKAAlam, 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. 80. 62Wiyono, 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.

×