Está en la página 1de 13

METODE JARINGAN SARAF TIRUAN BACKPROPAGASI

UNTUK MEMPREDIKSI GEJALA AWAL PENYAKIT KUSTA

RICA AYU SETIANI WP / D411 08 256


NUR JANNAH / D411 08 262
Jurusan Elektro Fakultas Teknik Universitas Hasanuddin Makassar

ABSTRAK
dan jumlah epoch maksimum sebesar 250. Inilah
Penyakit kusta merupakan salah satu yang menjadi fokus utama dalam mengolah data
penyakit menular yang masih sering dijumpai di kusta sehingga dapat menghasilkan sistem yang
Indonesia. Apabila penanganan terhadap dapat memprediksi penyakit kusta berdasarkan
penderita kusta terlambat dapat mengakibatkan pola.
kecacatan dan dapat menimbulkan masalah yang
Dan berdasarkan pengujian sistem yang
sangat kompleks. Masalah yang dimaksud bukan dilakukan, diperoleh hasil sebagai berikut.
hanya dari segi medis, tetapi dapat meluas Dengan citra kusta berjumlah 297 sebagai data
hingga ke permasalahan sosial, ekonomi, latih sistem serta citra kusta dan citra bukan
budaya, keamanan dan ketahanan nasional. kusta berjumlah 40 sebagai data uji, maka hasil
Untuk itu diperlukan adanya teknologi yang keluaran sistem dengan target ‘kusta’ atau
dapat membantu mendeteksi atau mengenali ‘bukan kusta’ menunjukkan keakuratan sebesar
Citra uji kusta 16 bit memiliki keakuratan
penyakit kusta sejak dini. Berdasarkan kasus
sebesar 75% sedangkan untuk citra uji kusta 24
tersebut, penulisan tugas akhir ini membahas bit memiliki keakuratan 75%. Citra uji diagnosa
tentang pembuatan suatu sistem yang dapat banding (bukan kusta) 16 bit memiliki
mendeteksi atau mengenali penyakit kusta sejak keakuratan sebesar 80% sedangkan untuk citra
dini dengan menggunakan metode Jaringan uji diagnosa banding (bukan kusta) 24 bit
Saraf Tiruan Backpropagasi. memiliki keakuratan 75%.
Kata Kunci : Jaringan Saraf Tiruan (JST),
Jaringan Saraf Tiruan member keluaran Backpropagasi, Penyakit Kusta.
yang berasal dari jaringan berdasarkan
pengalamannya selama mengikuti proses I. PENDAHULUAN
pembelajaran. Dimana pada proses pembelajaran 1.1 Latar Belakang
tersebut, pola-pola masukan dan keluaran citra
kusta dimasukkan ke dalam jaringan saraf tiruan, Penyakit kusta adalah penyakit kronik yang
lalu jaringan akan diajari untuk memberikan disebabkan oleh bakteri Mycrobacterium leprae
jawaban yang sesuai target yang diinginkan yang terjadi pada kulit saraf tepi. Apabila
yaitu ‘kusta’ atau ‘bukan kusta’. Algoritma
penanganan penderita kusta terlambat, dapat
Backpropagasi (Propagasi Balik) memiliki
proses sebagai berikut. Input yang dimasukkan mengakibatkan kecacatan.
diteruskan ke lapisan tersembunyi (hidden layer)
lalu kelapisan keluaran yang akan menghasilkan Jaringan saraf tiruan adalah jaringan dari
output. Jika output tidak sesuai dengan target, sekelompok unit pemroses kecil yang
maka error yang timbul akibat adanya perbedaan dimodelkan berdasarkan jaringan saraf manusia.
antara output dan target dihitung kemudian Jaringan saraf tiruan merupakan sistem adaptif
dipropagasikan kembali. Sebelum sistem yang dapat merubah strukturnya untuk
melakukan pelatihan, terdapat beberapa memecahkan masalah berdasarkan informasi
parameter yang harus diatur yaitu target error
eksternal maupun internal.
pada proses pelatihan digunakan MSE, nilai goal
sebesar 0.001, nilai lr (Learning Rate) sebesar Algoritma yang digunakan dalam penelitian
0.0005, frekuensi perubahan MSE adalah 50,
adalah jaringan saraf tiruan Backpropagasi.
Backpropagasi salah satu algoritma yang sering 1.5 Metode Penelitian
digunakan dalam menyelesaikan masalah – 1. Studi Literatur, yaitu dengan melakukan
masalah yang rumit. Hal ini dimungkinkan studi dari buku-buku pustaka yang
karena jaringan dengan algoritma ini dilatih bekaitan dengan masalah yang dibahas,
juga melalui artikel-artikel dari internet
dengan metode belajar terbimbing.
dan melakukan studi di Balai Latihan
Dengan sistem ini diharapkan dapat Kusta Nasional.
2. Metode Pengambilan Data, yaitu
mengenali gejala awal penyakit kusta sehingga
pengambilan gambar untuk kondisi
tingkat kecacatan dapat dikurangi. gejala awal penyakit kusta.
3. Analisis Data, yaitu metode pengenalan
1.2 Perumusan Masalah yang terdiri atas tahap identifikasi
dengan menggunakan Jaringan Syaraf
Bagaimana membuat suatu sistem yang Tiruan (JST) Backpropagasi.
dapat memprediksi gejala awal penyakit kusta
dari permukaan kulit dengan metode Jaringan II. LANDASAN TEORI
Saraf Tiruan (JST) Backpropagasi.
2.1 Penyakit Kusta
1.3 Tujuan Penelitian
Kusta adalah penyakit kronik yang
Tujuan penelitian ini adalah membuat suatu disebabkan oleh kuman Mycrobacterium Leprae
sistem yang dapat memprediksi gejala awal yang pertama kali menyerang susunan saraf tepi,
penyakit kusta dengan metode Jaringan Saraf selanjutnya dapat menyerang kulit, mukosa,
Tiruan (JST) Backpropagasi. saluran pernapasan bagian atas, sistem retikulo
endotelial, mata, otot, tulang dan testis.
1.4 Batasan Masalah
Timbulnya kusta bagi seseorang tidak mudah,
1. Citra yang akan diolah adalah hasil foto dan tidak perlu ditakuti karena tergantung dari
terhadap kulit yang terkena penyakit beberapa faktor, antara lain :
kusta. Dimana, dalam proses
pengambilan gambar harus memiliki 1. Faktor Sumber Penularan.
2. Faktor Kuman Kusta.
pencahayaan yang tepat.
3. Faktor Daya Tahan Tubuh
2. Data yang diolah berasal dari sebuah file
gambar (bmp) dan file gambar (jpg). 2.2 Pengolahan Citra
3. Ukuran gambar pola kusta 100 x 100
pixel. Pengolahan citra adalah suatu fungsi kontinu
4. Background dari gambar pola kusta dari intensitas cahaya dalam bidang dua dimensi
dengan menyatukan suatu koordinat dengan nilai
berwarna putih. pada setiap titik menyatukan intensitas atau
5. Penyakit kusta yang dideteksi hanya dari tingkat kecerahan atau derajat keabuan.
tanda – tanda pada permukaan kulit.
6. Konsep dasar pengenalan pola berbasis Operasi-operasi yang dilakukan dalam
Jaringan Saraf Tiruan Backpropagasi. pengolahan citra dapat diklasifikasikan sebagai
berikut :
7. Sistem ini hanya mengenali penyakit
kusta berdasarkan pola sehingga butuh 1. Peningkatan kualitas citra (image
pemeriksaan lanjut dari tim medis. enhancement).
2. Perbaikan citra (image restoration).
3. Pemampatan citra (image
compression).
4. Segmentasi citra.
5. Analisis citra (image analysis). 2.5 Jaringan Saraf Tiruan
6. Rekonstruksi citra (image
recontruction). Saat ini bidang kecerdasan buatan dalam
menirukan intelegensi manusia belum
2.3 Deteksi Tepi mengadakan pendekatan dalam bentuk fisiknya
melainkan dari sisi lain. Pertama-tama diadakan
Edge atau sisi adalah tempat-tempat di mana studi mengenai teori dasar mekanisme proses
tingkat perubahan intensitas paling tinggi. terjadinya intelegensi atau disebut Cognitive
Tempat perubahan intensitas dan sekitarnya Science. Dari teori dasar ini, dibuatlah suatu
dikonversi menjadi bernilai nol atau satu model untuk disimulasikan pada komputer, dan
sehingga mengubah citra menjadi citra biner. dalam pengembangannya yang lebih lanjut
dikenal berbagai sistem kecerdasan buatan yang
Ada tiga macam tepi yang terdapat di dalam salah satunya adalah jaringan saraf tiruan.
citra digital, yaitu:
Aplikasi jaringan saraf tiruan, yaitu :
1. Tepi curam.
2. Tepi landai. 1. Pengenalan pola.
3. Tepi yang mengandung noise. 2. Signal Processing.
3. Peramalan
2.4 Metode Deteksi Tepi Canny
Kelebihan dari jaringan saraf tiruan :
Canny merupakan salah satu algoritma deteksi
tepi modern. Algoritma deteksi tepi canny 1. Kemampuan mengakusisi pengetahuan
dikenal sebagai algoritma yang optimal dalam walaupun dalam kondisi ada
melakukan pendeteksian tepi. Untuk gangguan dan ketidakpastian.
meningkatkan metode-metode yang telah ada 2. Kemampuan mempresentasikan
dalam pendeteksian tepi, algoritma deteksi tepi pengetahuan secara flexibel.
mengikuti beberapa kriteria : 3. Kemampuan untuk memberikan
toleransi atau suatu distorsi.
1. Good detection. 4. Kemampuan memproses pengetahuan
2. Good localization. secara efisien.
3. Only one response to a single edge
2.6 Backpropagasi
Sebagai kesimpulan langkah-langkah yang
dilakukan dengan metode deteksi tepi canny Di dalam jaringan backpropagasi, stiap unit
adalah sebagai berikut : yang berada di lapisan masukan terhubung
dengan setiap unit yang ada di lapisan
1. Menghaluskan citra masukan dengan tersembunyi. Hal serupa juga berlaku pada
filter Gaussian. lapisan tersembunyi. Setiap unit yag ada di
lapisan tersembunyi terhubung dengan setiap
2. Mangkalkulasi besar gradien dan sudut
unit yang ada di lapisan keluaran.
citra.
3. Mengaplikasikan suppresi nonmaksimal
pada besaran gradien citra.
4. Menggunakan nilai ambang ganda dan
analisa keterhubungan untuk
mendeteksi dan menghubungkan antar
tepi.

Gambar 2.1 Arsitektur Backpropagasi


III. METODE PENELITIAN 3.5 Perancangan Sistem

3.1 Jenis Penelitian

Jenis penelitian ini adalah penelitian


eksperimental yaitu deteksi kondisi kusta dan
bukan kusta dengan model simulasi desain
program.

3.2 Sumber Data

Data sekunder berupa foto gejala awal penyakit


kusta yang digunakan untuk penelitian ini Gambar 3.2 Rancangan Tampilan Sistem
diambil dari Balai Latihan Kusta Nasional
(BLKN)

3.3 Tahap Penelitian IV. ANALISA DAN PEMBAHASAN

1. Studi Literatur, yaitu dengan melakukan 4.1 Tahap Pengolahan Citra


studi dari buku-buku pustaka yang
bekaitan dengan masalah yang dibahas, a. Proses Resize
juga melalui artikel-artikel dari internet. Proses resize bertujuan untuk mengubah ukuran
2. Metode Pengambilan Data, yaitu citra agar pola kusta dapat diperoleh secara
pengambilan sampel gambar gejala awal menyeluruh saat proses croping dilakukan.
penyakit kusta. b. Proses Croping
3. Analisis Data, yaitu metode pengenalan Proses croping dilakukan untuk mendapatkan
yang terdiri atas dua bagian yaitu tahap satu gambar pola kusta dan memotong bagian
pengolahan citra dan tahap pengolahan gambar yang tidak dimanfaatkan dengan
pada sistem. bantuan ACDSee Pro 5 yang kemudian
disimpan dengan format bmp berukuran 100 x
3.4 Gambaran Umum Perangkat Sistem 100 pixel.
c. Proses Pemisahan Objek dari
Background
Hal ini dimaksudkan agar pola kusta terlihat
jelas dan fokus, sehingga memudahkan
pengerjaan di proses grayscale dan edge
detection. Hasil dari proses inilah yang nantinya
akan menjadi citra uji pada tahap simulasi pada
sistem.

Gambar 3.1 Struktur Umum Sistem (a)


cirinya. Proses ekstraksi ciri ini dilakukan
dengan mereduksi citra yang disimpan dengan
ukuran 100 x 100 pixel dan tidak mengalami
perubahan ukuran, agar citra pola kusta lebih
akurat. Inilah yang nantinya akan menjadi input
bagi Jaringan Syaraf Tiruan (JST) propagasi
balik, agar JST dapat mengenali penyakit kusta
(b) (c) dari segi bentuk atau pola.

Gambar 4.1 (a) Citra pola kusta berukuran d. Proses Pelatihan


4000x2248 pixel, (b) Citra pola kusta setelah
proses crop, dan (c) Citra hasil pemisahan objek Jaringan saraf tiruan Backpropagation
dari background digunakan untuk mengidentifikasi setiap citra
yang diinputkan pada sistem. Citra latih yang
4.2 Tahap Simulasi Pada Sistem diambil dari citra kusta. Pola tersebut berasal
dari hasil ekstraksi ciri citra latih yang menjadi
a. Proses Grayscale pola data referensi bagi sistem. Citra latih terdiri
atas 297 citra kusta. Citra uji terdiri atas 20
Citra kusta hasil pengolahan citra diubah ke citra, yaitu 10 citra untuk citra bukan kusta dan
dalam bentuk citra monokrom untuk 10 citra untuk citra kusta.
mempermudah pemrosesan selanjutnya.
Proses pelatihan dengan jaringan syaraf
tiruan pada penelitian ini menggunakan metode
Backpropagation dengan syntax pada
pemrograman sebagai berikut :

net=newff(PR,[S1,S2,…, SN],{TF1, TF2, …,


TFN},BTF)
Dimana :
Gambar 4.2 Citra Grayscale • net = jaringan backpropagasi yang
terdiri dari n layar.
b. Proses Edge Detection
• PR = nilai minimum dan maksimum R
Proses edge detection (deteksi tepi) buah elemen masukannya.
dilakukan terhadap citra hasil grayscale untuk • Si (i = 1, 2, …, n) = jumlah unit pada
mendapatkan pola yang lebih jelas. Proses ini layar ke-i (i= 1, 2, …, n)
bertujuan untuk mendapatkan informasi citra • TFi (i = 1, 2, …, n) = fungsi aktivasi
kusta secara mendetail dari segi pola kusta. yang dipakai pada layar ke-I (i = 1, 2,
…, n). Sigmoid bipolar (tansig), sigmoid
biner (logsig) dan fungsi identitas
(purelin).
• BTF = fungsi pelatihan jaringan. Default
= traingdx

e. Proses Pengenalan
Gambar 4.3 Proses Edge Detection dengan
Metode Canny Setelah sistem dilatihkan, maka jaringan siap
untuk diujikan terhadap citra kusta. Citra uji
c. Proses Ekstraksi Ciri yang telah melalui proses pengolahan citra dan
ekstraksi ciri nantinya akan dibandingkan
Input sistem Jaringan Staraf Tiruan (JST)
dengan hasil ekstraksi ciri pada citra latih.
berupa citra hasil deteksi tepi yang diekstraksi
Dimana input berupa matriks hasil ekstraksi ciri
dari masing – masing citra yang berukuran
10000 x 1 dan target bernilai 1, dimana target Kst12.bmp Kusta Benar
merupakan output jaringan saraf tiruan (JST).
Jika output dari citra uji tidak sama dengan
target maka citra uji tersebut akan dideteksi Kst13.bmp Bukan Kusta Salah
sebagai “Bukan Kusta”, namun jika citra uji
menghasilkan output yang sama dengan target
maka akan terdeteksi “Kusta”. Kst14.bmp Kusta Benar

Kst15.bmp Kusta Benar


4.3 Keakuratan Sistem

Tabel 4.1 Hasil pengujian JST untuk pengenalan Kst16.bmp Kusta Benar
penyakit kusta

Dikenali Hasil Kst17.bmp Kusta Benar


Citra Input
sebagai Pengujian

kst1.bmp Kusta Benar Kst18.bmp Kusta Benar

kst2.bmp Kusta Benar Kst19.bmp Kusta Benar

kst3.bmp Kusta Benar Kst20.bmp Kusta Benar

kst4.bmp Kusta Benar Kst21.bmp Kusta Benar

kst5.bmp Kusta Benar Kst22.bmp Kusta Benar

kst6.bmp Kusta Benar Kst23.bmp Kusta Benar

kst7.bmp Bukan Kusta Salah Kst24.bmp Kusta Benar

kst8.bmp Kusta Benar Kst25.bmp Kusta Benar

kst9.bmp Kusta Benar Kst26.bmp Kusta Benar

kst10.bmp Kusta Benar Kst27.bmp Bukan Kusta Salah

Kst11.bmp Kusta Benar Kst28.bmp Kusta Benar


Kst29.bmp Kusta Benar Kst46.bmp Kusta Benar

Kst30.bmp Kusta Benar Kst47.bmp Kusta Benar

Kst31.bmp Bukan Kusta Salah Kst48.bmp Kusta Benar

Kst32.bmp Kusta Benar Kst49.bmp Bukan Kusta Salah

Kst33.bmp Kusta Benar Kst50.bmp Kusta Benar

Kst34.bmp Kusta Benar Kst51.bmp Kusta Benar

Kst35.bmp Kusta Benar Kst52.bmp Bukan Kusta Salah

Kst36.bmp Kusta Benar Kst53.bmp Kusta Benar

Kst37.bmp Kusta Benar Kst54.bmp Kusta Benar

Kst38.bmp Bukan Kusta Salah Kst55.bmp Kusta Benar

Kst39.bmp Kusta Benar Kst56.bmp Kusta Benar

Kst40.bmp Kusta Benar Kst57.bmp Kusta Benar

Kst41.bmp Kusta Benar Kst58.bmp Bukan Kusta Salah

Kst42.bmp Kusta Benar Kst59.bmp Kusta Benar

Kst43.bmp Kusta Benar Kst60.bmp Kusta Benar

Kst44.bmp Kusta Benar Kst61.bmp Kusta Benar

Kst45.bmp Bukan Kusta Salah Kst62.bmp Kusta Benar


Kst63.bmp Kusta Benar Kst80.bmp Kusta Benar

Kst64.bmp Bukan Kusta Salah Kst81.bmp Bukan Kusta Salah

Kst65.bmp Kusta Benar Kst82.bmp Kusta Benar

Kst66.bmp Kusta Benar Kst83.bmp Kusta Benar

Kst67.bmp Kusta Benar Kst84.bmp Kusta Benar

Kst68.bmp Kusta Benar Kst85.bmp Kusta Benar

Kst69.bmp Kusta Benar Kst86.bmp Kusta Benar

Kst70.bmp Kusta Benar Kst87.bmp Kusta Benar

Kst71.bmp Kusta Benar Kst88.bmp Kusta Benar

Kst72.bmp Bukan Kusta Salah Kst89.bmp Kusta Benar

Kst73.bmp Kusta Benar Kst90.bmp Kusta Benar

Kst74.bmp Kusta Benar Kst91.bmp Bukan Kusta Salah

Kst75.bmp Kusta Benar Kst92.bmp Kusta Benar

Kst76.bmp Kusta Benar Kst93.bmp Kusta Benar

Kst77.bmp Bukan Kusta Salah Kst94.bmp Bukan Kusta Salah

Kst78.bmp Kusta Benar Kst95.bmp Bukan Kusta Salah

Kst79.bmp Kusta Benar Kst96.bmp Kusta Benar


Kst97.bmp Kusta Benar Kusta8.bmp Bukan Kusta Salah

Kst98.bmp Kusta Benar Kusta9.bmp Kusta Benar

Kst99.bmp Kusta Benar Kusta10.bmp Kusta Benar

Kst100.bmp Kusta Benar Kusta11.bmp Kusta Benar

Kusta12.bmp Kusta Benar


Dari hasil pengamatan pada tabel 4.1 dapat
diketahui bahwa keakuratan sistem untuk citra
kusta, dimana hasil ekstraksi cirinya sebagai Kusta13.bmp Kusta Benar
pola data referensi (citra latih) adalah :

% keakuratan = ( 1- (16/100) ) x 100 % Kusta14.bmp Kusta Benar

= 84 %
Kusta15.bmp Kusta Benar
Tabel 4.2 Hasil Pengujian JST untuk Kusta
dengan citra 16 bit
Kusta16.bmp Kusta Benar
Dikenali Hasil
Citra Input
sebagai Pengujian
Kusta17.bmp Bukan Kusta Salah
Kusta1.bmp Kusta Benar

Kusta18.bmp Bukan Kusta Salah


Kusta2.bmp Kusta Benar

Kusta19.bmp Kusta Benar


Kusta3.bmp Kusta Benar

Kusta20.bmp Bukan Kusta Salah


Kusta4.bmp Kusta Benar

Kusta5.bmp Kusta Benar Dari hasil pengamatan pada tabel 4.2 dapat
diketahui bahwa keakuratan sistem untuk citra
kusta 16 bit, dimana hasil ekstraksi cirinya tidak
Kusta6.bmp Bukan Kusta Salah terdapat pada pola data referensi (citra latih)
adalah :
Kusta7.bmp Kusta Benar % keakuratan = ( 1- (5/20) ) x 100 %

= 75 %
Tabel 4.3 Hasil pengujian JST untuk Diagnosa
Banding 16 bit uji16.bmp Kusta Salah

Dikenali Hasil Bukan Kusta


Citra Input uji17.bmp Benar
sebagai Pengujian

uji1.bmp Bukan Kusta Benar uji18.bmp Bukan Kusta Benar

uji2.bmp Bukan Kusta Benar Kusta


uji19.bmp Salah

uji3.bmp Kusta Salah uji20.bmp Bukan Kusta Benar

uji4.bmp Kusta Salah


Dari hasil pengamatan pada tabel 4.3 dapat
uji5.bmp Bukan Kusta Benar diketahui bahwa keakuratan sistem untuk citra
bukan kusta 16 bit, dimana hasil ekstraksi
cirinya tidak terdapat pada pola data referensi
uji6.bmp Bukan Kusta Benar (citra latih) adalah :

% keakuratan = ( 1- (4/20) ) x 100 %


uji7.bmp Bukan Kusta Benar = 80 %

Tabel 4.4 Hasil Pengujian JST untuk Kusta


uji8.bmp Bukan Kusta Benar dengan citra 24 bit

Dikenali Hasil
Citra Input
uji9.bmp Bukan Kusta Benar sebagai Pengujian

Kusta1.bmp Bukan Kusta Salah


uji10.bmp Bukan Kusta Benar

Kusta2.bmp Kusta Benar


uji11.bmp Bukan Kusta Benar

Bukan Kusta Kusta3.bmp Kusta Benar


uji12.bmp Benar

Bukan Kusta Kusta4.bmp Kusta Benar


uji13.bmp Benar

Kusta5.bmp Kusta Benar


uji14.bmp Bukan Kusta Benar

Kusta6.bmp Kusta Benar


uji15.bmp Bukan Kusta Benar
% keakuratan = ( 1- (5/20) ) x 100 %
Kusta7.bmp Kusta Benar
= 75%

Kusta8.bmp Bukan Kusta Salah Tabel 4.5 Hasil pengujian JST untuk Diagnosa
Banding 24 bit

Kusta9.bmp Kusta Benar Dikenali Hasil


Citra Input
sebagai Pengujian

Kusta10.bmp Bukan Kusta Salah uji1.bmp Bukan Kusta Benar

Kusta11.bmp Kusta Benar uji2.bmp Bukan Kusta Benar

Kusta12.bmp Bukan Kusta Salah uji3.bmp Kusta Salah

Kusta13.bmp Kusta Benar uji4.bmp Kusta Salah

Kusta14.bmp Kusta Benar uji5.bmp Bukan Kusta Benar

Kusta15.bmp Kusta Benar uji6.bmp Bukan Kusta Benar

Kusta16.bmp Kusta Benar uji7.bmp Bukan Kusta Benar

Kusta17.bmp Kusta Benar uji8.bmp Bukan Kusta Benar

Kusta18.bmp Kusta Benar uji9.bmp Kusta Salah

Kusta19.bmp Bukan Kusta Salah uji10.bmp Bukan Kusta Benar

Kusta20.bmp Kusta Benar uji11.bmp Bukan Kusta Benar

Kusta
uji12.bmp Salah
Dari hasil pengamatan pada tabel 4.4 dapat
diketahui bahwa keakuratan sistem untuk citra Bukan Kusta
kusta 24 bit, dimana hasil ekstraksi cirinya tidak uji13.bmp Benar
terdapat pada pola data referensi (citra latih)
adalah :
uji14.bmp Bukan Kusta Benar
4. Nilai parameter optimal untuk
uji15.bmp Bukan Kusta Benar memprediksi gejala awal penyakit kusta
dalam penelitian ini adalah target error
pada proses pelatihan digunakan MSE,
uji16.bmp Bukan Kusta Benar nilai goal sebesar 0.001, nilai lr
(learning rate) sebesar 0.0005, frekuensi
perubahan MSE adalah 50, dan jumlah
uji17.bmp Bukan Kusta Benar epoch maksimum sebesar 250

5.2 Saran
uji18.bmp Bukan Kusta Benar
1. Diharapkan adanya pengembangan
sistem prediksi penyakit kusta sejak
Kusta dini, sehingga dapat mengenali semua
uji19.bmp Salah
bentuk gejala dini penyakit kusta
meskipun data referensinya berbeda
dengan input yang diberikan.
uji20.bmp Bukan Kusta Benar
2. Diharapkan adanya pengembangan
sistem prediksi penyakit kusta sejak
dini, agar proses prediksinya lebih stabil
sehingga tingkat akurasinya lebih tinggi.
Dari hasil pengamatan pada tabel 4.5 dapat 3. Diharapkan adanya pengembangan
diketahui bahwa keakuratan sistem untuk citra sistem perangkat keras untuk
bukan kusta 24 bit, dimana hasil ekstraksi memprediksi penyakit kusta sejak dini.
cirinya tidak terdapat pada pola data referensi
(citra latih) adalah :

% keakuratan = ( 1- (5/20) ) x 100 % DAFTAR PUSTAKA


= 75 % [1]. Prawoto. 2008. Faktor – Faktor Risiko
yang Berpengaruh Terhadap
Terjadiinya Reaksi Kusta (Online).
V. PENUTUP (eprints.undip.ac.id/17745/2/PRAWOT
5.1 Kesimpulan O.pdf)
1. Hasil keakuratan untuk citra uji
diperoleh : [2]. dr. Zulkifli, M.Si. 2003. Penyakit Kusta
• Citra uji kusta 16 bit memiliki dan Masalah yang Ditimbulkannya
keakuratan sebesar 75% sedangkan (Online).
untuk citra uji kusta 24 bit
memiliki keakuratan 75%. (library.usu.ac.id/download/fkm/fkm-
• Citra uji diagnosa banding (bukan zulkifli2.pdf)
kusta) 16 bit memiliki keakuratan
sebesar 80% sedangkan untuk citra
[3]. Drh. Hiswani Mkes. 2001. Kusta Salah
uji diagnosa banding (bukan kusta)
Satu Penyakit Menular yang Masih
24 bit memiliki keakuratan 75%.
Dijumpai di Indonesia (Online).
2. Hasil keakuratan untuk citra latih
diperoleh sekitar 84%. (repository.usu.ac.id/bitstream/1234567
3. Waktu yang dibutuhkan oleh sistem 89/3663/1/fkm-hiswani2.pdf)
mulai dari proses pengambilan gambar
hingga pengenalan adalah minimum [4]. Kebijakan Pemberantasan Kusta
19,506575 detik dan maksimum 3 menit (Online).
2,506575 detik.
(dinkes- (lib.uin-
sulsel.go.id/new/images/pdf/buku/kebija malang.ac.id/thesis/fullchapter/0555008
kanpemberantasankusta.pdf) 2-zunita-wulan-sari.ps)

[5]. Alan Budi. 2007. Pengolahan Citra Rica Ayu Setiani WP, lahir di
(Online).
Pare-Pare, 20 Juni 1990,
(elib.unikom.ac.id/files/disk1/126/jbptun Propinsi Sulawesi Selatan,
ikompp-gdl-s1-2007-alanbudiha- Indonesia. Anak ketiga dari
babii.pdf) pasangan Agus Widagdo dan
[6]. Euis Murnia. 2006. (Online). Nuraini. Pada tahun 2008-
sekarang menjalankan studi S1
(elib.unikom.ac.id/download/jbptuniko di Jurusan Elektro Fakultas
mpp-gdl-s1-2006-euismurnia-3277-bab- Teknik Universitas Hasanuddin
ii-b-y-doc) Makassar, subjurusan Teknik
[7]. Yuliatmoko. 2012. Macam-Macam Telekomunikasi dan Informasi.
Format Gambar (Online).

(yulianto.blogspot.com/2012/03/macam-
macam-format-gambar-digital.html) Nur Jannah, lahir di Lahat, 28
Desember 1990, Propinsi
[8]. Bangun, Melly Br. 2011. Analisis
Kinerja Metode Canny Dalam Sumatera Selatan, Indonesia.
Mendeteksi Tepi Karies Gigi (Online). Anak keempat dari pasangan
Drs. H. Muh. Djafar dan Hj.
(http://repository.usu.ac.id/handle/12345 Saddiah. Pada tahun 2008-
6789/22091, Issue date 16 Februari sekarang menjalankan studi S1
2011)
di Jurusan Elektro Fakultas
[9]. Sidik Telapak Kaki Bayi dan Sidik Jari Teknik Universitas Hasanuddin
(Online). Makassar, subjurusan Teknik
Telekomunikasi dan Informasi.
(www.library.upnvj.ac.id/pdf/s1teknikin
formatika09/204511018/BABII.pdf)

[10]. Elias Dianta Ginting. Deteksi Tepi


Menggunakan Metode Canny dengan
MATLAB untuk Membedakan
Uang Asli dan Uang Palsu (Online).

(www.gunadarma.ac.id/library/articles/..
./Artikel_50404934.pdf)

[11]. JJ Siang. 2005. Jaringan Saraf Tiruan


dan Pemogramannya menggunakan
MATLAB. Yogyakarta: Andi
Yogyakarta

[12]. Zunita Wulan Sari. 2010. Pengenalan


Pola Golongan Darah Menggunakan
Jaringan Saraf Tiruan Backpropagation
(Online).