SISTEM DETEKSI DINI PENYAKIT TUBERCULOSIS MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN ALGORITMA NGUYEN WIDROW DAN OPTIMASI ADAPTIVE LEARNING RATE

Abstract

Tuberculosis (TBC) adalah suatu penyakit menular yang disebabkan oleh kuman dari kelompok Mycobacterium yaitu Mycobacterium tuberculosis. Di Indonesia, penyakit TBC merupakan penyebab kematian nomer dua setelah penyakit jantung. Keterlambatan dalam menyadari gejala awal TBC menyebabkan keterlambatan pengobatan sehingga TBC menjadi sulit disembuhkan dan mengakibatkan kematian. Salah satu cara mengurangi angka pertumbuhan TBC yaitu pendeteksian penyakit TBC. Penelitian ini bertujuan untuk membuat sebuah sistem deteksi dini penyakit TBC menggunakan jaringan syaraf tiruan (JST) Backpropagation dengan Algoritma Nguyen Widrow dan Optimasi Adaptive Learning Rate. Variabel yang digunakan yaitu 8 gejala utama penyakit TBC. Data penelitian berasal dari data rekam medis pasien TBC di Balai Kesehatan Paru Masyarakat (BKPM) Wilayah Semarang. Data yang diambil untuk penelitian ini sebanyak 180, digunakan sebagai data data pelatihan sebanyak 120 dan 60 data pengujian. Hasil pelatihan menunjukkan bahwa arsitektur Backpropagation terbaik didapat pada kombinasi parameter menggunakan 1 hidden layer dengan 5 neuron, 1000 epoch, error target 0,0001; laju pembelajaran 0,5; dengan maksimum kenaikan kerja (max_perf) 1,04; rasio kenaikan laju pembelajaran (lr_inc) 1,05 dan rasio penurunan laju pembelajaran (lr_dec) 0,6. Arsitektur terbaik menghasilkan MSE sebesar 0,000047807 dengan epoch sebesar 175 dan tingkat akurasi 100%. Backpropagation dengan Adaptive Learning Rate dapat mempercepat proses pembelajaran karena menghasilkan epoch 175 dan nilai MSE 0,000047807 daripada menggunakan Backpropagation standar yang menghasilkan epoch 805 dan nilai MSE 0,000099845.