APLIKASI PREDIKSI JUMLAH PENDERITA PENYAKIT BERSUMBER BINATANG YANG TERJADI DI KOTA SEMARANG MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION

Abstract

Berdasarkan Profil Kesehatan Kota Semarang tahun 2012, jumlah penderita beberapa penyakit bersumber binatang mengalami peningkatan, antara lain DBD (Demam Berdarah Dengue), Malaria dan Leptospirosis. Tindakan preventif dari pemerintah diharapkan dapat menekan peningkatan jumlah penderita. Dengan mengetahui penyakit yang diprediksi mengalami peningkatan jumlah penderita, maka pemerintah dapat melakukan tindakan pencegahan agar penyakit tidak cepat mewabah. Dinas Kesehatan Kota Semarang mengkategorikan Penyakit DBD, Malaria dan Leptospirosis dalam Penyakit Bersumber Binatang dengan tiga penyakit lainnya, yaitu Rabies, Chikungunya dan Flu Burung. Prediksi adalah kegiatan memperkirakan apa yang terjadi pada masa yang akan datang berdasarkan data yang relevan pada masa lalu dan menempatkannya dalam model matematis. Data penyakit Bersumber Binatang tersedia dalam bentuk time series dengan rangkaian data 𝑥 𝑡−1 , 𝑥 𝑡−2 , … , 𝑥 𝑡−𝑝 dan data yang diprediksi adalah 𝑥 . Data jumlah penderita penyakit bersifat kontinu dan memiliki tren yang dinamis, maka metode yang dibutuhkan untuk 𝑡 melakukan prediksi adalah metode yang kompleks dan dapat mempelajari ketidakpastian dalam setiap periode yang dapat diakomodasi dengan JST. Salah satu algoritma JST yaitu Backpropagation telah dibuktikan Ria Apriyani dalam Implementation of Artificial Neural Network Backpropagation Method in Predicting Stock Price PT. Indosat Using Matlab 7.1 dapat menghasilkan akurasi terbaik sebesar 99.85 %. Penelitian Stephen Roy Imantaka dalam Sistem Pengenalan Wajah Berbasis Ensemble Neural Network untuk Citra Inframerah membandingkan Backpropagation dengan metode acak memerlukan iterasi 300 epoch, sedangkan dengan metode Nguyen Widrow membutuhkan 60 epoch. Jumlah penderita penyakit bersumber binatang per bulan dalam satu tahun digunakan sebagai masukan dengan jumlah penderita penyakit pada satu bulan ke depan sebagai keluaran. Arsitektur backpropagation menggunakan dua belas neuron layer input, satu layer tersembunyi dengan jumlah neuron yang dapat diubah-ubah dan satu neuron pada layer output. Percobaan dilakukan dengan menggunakan alfa (laju pemahaman) dari 0.3 sampai 0.7 dengan peningkatan 0.1, jumlah neuron tersembunyi 10 sampai 100 dengan peningkatan 10, maksimum epoch 100000, dan minimum error 0.00001.