LAPORAN PROYEK

KECERDASAN BUATAN

IMPLEMENTASI JARINGAN SYARAF TIRUAN

BACKPROPAGATION SEBAGAI SISTEM DETEKSI

PENYAKIT JANTUNG

Disusun Oleh
Isnani 1957301025 TI 2C
Maulida Syadzwina 1957301004 TI 2C
Rifnatul Hasanah 1957301010 TI 2C

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI DAN KOMPUTER
POLITEKNIK NEGERI LHOKSEUMAWE
2021
 KATA PENGANTAR
Dengan memanjatkan puji syukur kepada Tuhan Yang Maha Esa kami dapat
menyelesaikan pembuatan proyek akhir semester genap yang berjudul “Implementasi
Jaringan Syaraf Tiruan Backpropagation Sebagai Sistem Pendeteksi Penyakit Jantung”
dengan lancar.
Dalam pembuatan proyek ini ,kami mengucapkan terimakasi yang sebesar-besarnya
kepada : Bapak Muhaammad Arhami,S.M.kom selaku dosen pembimbing Matakuliah
Kecerdasan Buatan . yang telah memberikan waktu dan memberi pemahaman sehingga
proyek ini dapat selesai dengan lancar . Selanjutnya semua pihak yang tidak dapat disebutkan
satu-persatu yang membantu pembuatan proyek ini.
Akhir kata semoga proyek ini bisa bermanfaat bagi pembaca pada umumnya dan
penulis pada khusunya .penulis menerima kritik dan saran yang bersifat membangun demi
perbaikan kearah kesempurnaan. Akhir kata kami ucapkan Terimakasih.

Buketrata,24 Juni 2021

DAFTAR ISI
DAFTAR GAMBAR
DAFTAR TABEL
 ABSTRAK

Penyakit pada jantung merupakan salah satu penyebab kematian pada manusia di
seluruh dunia. Salah satunya merupakan serangan jantung yang disebabkan adanya kelainan
pada katup jantung yang dapat dideteksi melalui murmur pada detak jantung penderita .
Proyek ini merancang sistem pengenalan penyakit jantung dengan menggunakan metode
Jaringan Syaraf Tiruan . Jaringan Syaraf Tiruan (JST) adalah suatu metode komputasi untuk
memodelkan suatu sistem. Bentuk dan sifat JST yang sangat flexible memungkinkan JST
digunakan untuk memodelkan , merancang sdan menganalisis pengenalan penyakit jantung .
Metode yang digunakan adalah backpropagation yang terdiri atas lapisan masukan, lapisan
tersembunyi dan lapisan keluaran. Pada penelitian ini analisis yang dilakukan adalah training
data dengan fungsi gradient (traingd) serta menggunakan fungsi aktivasi purelin. Hasil dari
pengujian kelainan jantung yang diperoleh akurasi rata-ratanya sebesar 82,22 %.

Kata kunci : Murmur, penyakit jantung, Jaringan Syaraf Tiruan, backpropagation, traingd,
purelin.
 ABSTRACT

Heart disease is one of dead effect of human being in the world. One of them is heart attack
which is cause by valve heart disease which can be detected by murmur sound of heartbeat
patients. This Final Project is design of heart disease recognition system using Neural
Network method. Neural Network is a computing method for modeling the system. Neural
Network configuration and characteristic is very flexible enable which used for modeling,
design dan analysing heart disease recognition. The methods which used is backpropagation
which consist of input layer, hidden layer and output layer. In this research the analysis that
has been done is file training with gradient function (traingd) and using purelin activation
function. The result from testing heart disease is obtained average accuracy about 82,22 %.

Key words : Murmur, heart disease, Neural Network, backpropagation, traingd, purelin.
 BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Jantung merupakan salah satu organ yang paling penting dalam tubuh manusia. Jantung
merupakan pusat sirkulasi darah manusia karena jantung memiliki fungsi utama yaitu
mengalirkan darah ke seluruh tubuh dan paru-paru agar tubuh manusia dapat berfungsi
sebagaimana mestinya. Apabila jantung mengalami kerusakan sekecil apapun pada salah satu
komponen-komponen penyusunnya, maka tubuh manusia juga akan terkena dampaknya.
Kegagalan fungsi jantung dapat mengakibatkan berbagai macam penyakit jantung,
yang merupakan penyebab kematian terbesar pada manusia. Penyakit ini tidak lepas dari gaya
hidup yang kurang sehat yang banyak dilakukan seiring dengan berubahnya pola hidup.
Faktor-faktor pemicu serangan jantung ialah merokok, seringnya mengkonsumsi makanan
berkolestrol tinggi, kurang gerak, malas berolahraga, stres, dan kurang istirahat.
Kelainan pada irama detak jantung juga dapat menunjukkan adanya penyakit jantung.
Jenis penyakit jantung yang paling sering menyerang manusia karena kelainan tersebut
adalah kelainan pada katup jantung dan kelainan bawaan sejak lahir (pada sekat jantung).
Oleh karena itu, pada proyek ini dibahas bagaimana mengenali penyakit jantung melalui
irama atau suara detak jantung. Oleh karena itu penulis menggunakan Neural Network atau
Jaringan Syaraf Tiruan sebagai metode penelitiannya. Penelitian ini diharapkan dapat
mempermudah para ahli di bidang kedokteran dalam mendeteksi penyakit jantung dengan
menggunakan suara detak jantung sebagai parameter pengamatan. Bahkan penelitian ini
dapat dikembangkan lebih lanjut dalam pembuatan alat pendeteksi penyakit jantung yang
lebih sederhana dan ekonomis sehingga dapat diaplikasikan langsung oleh masyarakat awam
sekalipun.

1.2 Perumusan Masalah

Bertitik tolak dari latar belakang masalah di atas, tugas yang akan dibuat dapat
dirumuskan sebagai berikut :
1. Bagaimana merancang arsitektur jaringan syaraf tiruan backpropagation sehingga dapat
memprediksi penyakit Jantung ?
2. Bagaimana tingkat akurasi yang dihasilkan dari jaringan syaraf tiruan tersebut terkait
penyakit jantung ?

1.3 Tujuan Dan Manfaat

Adapun tujuan dari penelitian ini adalah :
1 Merancang arsitektur jaringan syaraf tiruan yang dapat memprediksi penyakit jantung.
2. Menghitung tingkat akurasi / kehandalan jaringan syaraf tiruan yang dibuat.
 Manfaat yang akan diperoleh dari tugas ini adalah membantu kerja para ahli
dibidangnya terutama bagian jantung.
 BAB II
TINJAUAN PUSTAKA
2.1 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (artificial neural network), atau disingkat JST merupakan salah
satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia
dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan
bobot sinapsisnya. Jaringan Syaraf Tiruan (JST) mampu mengenali kegiatan dengan berbasis
pada data masa lalu. Data masa lalu akan dipelajari oleh JST sehingga mempunyai
kemampuan untuk memberi keputusan terhadap data yang belum pernah dipelajari [4].
2.2 Backpropagation
Metode propagasi balik atau backpropagation merupakan salah satu algoritma yang
sering digunakan dalam menyelesaikan masalah – masalah yang rumit. Hal ini dikarenakan
jaringan dengan algoritma ini dilatih dengan menggunakan metode pelatihan terbimbing.
Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan
jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan
untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama)
dengan pola yang dipakai selama pelatihan [4].

2.3 Fungsi Aktivasi Backpropagation

Fungsi aktivasi di dalam metode backpropagation yang digunakan pada penelitian
yaitu fungsi sigmoid biner dan fungsi linear (identitas) [5]. a. Fungsi Sigmoid Biner Fungsi
sigmoid biner digunakan untuk JST yang dilatih dengan menggunakan metode
backpropagation.

2.4 Penyakit Jantung

Penyakit Jantung adalah jenis gangguan jantung yang paling sering ditemui dan
penyebab kematian nomor satu di Indonesia. Kondisi ini terjadi ketika arteri koronaria,
pembuluh darah yang mensuplai darah kaya oksigen ke organ jantung, menyempit atau
tersumbat karena adanya suatu plak. Penumpukan plak ini mengurangi ruang gerak dari
aliran darah. Kurangnya aliran darah dapat menyebabkan timbulnya nyeri dada. Plak terdiri
atas kolesterol yang berlebihan, kalsium dan bahan lain di dalam pembuluh darah yang lama
kelamaan menumpuk di dalam dinding pembuluh darah jantung [1].

2.5 Faktor Resiko Penyakit Jantung

Kajian epidemiologis menunjukan bahwa ada berbagai kondisi yang
menyertaipenyakit jantung. Kondisi tersebut dinamakan faktor resiko karena satu atau
beberapa diantaranya dianggap meningkatkan resiko seseorang untuk mengalami penyakit
jantung. Faktor – faktor resiko penyakit jantung yang digunakan yaitu :
1. Umur
2. Jenis kelamin
3. Tekanan darah sistolik
4. Tekanan darah diastolik
5. Kadar kolesterol total
6. Kadar HDL
7. Kadar LDL
8. Kadar trigliserida
9. Faktor keturunan
 BAB III
LANGKAH-LANGKAH PENGERJAAN DAN RANCANGAN ALGORITMA

Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya

digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam
arah mundur (backward). Unutk mendapatkan error ini, tahap perambatan maju (forward
propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron
diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasikan seperti
sigmoid.
Pelatihan Backpropagation dilakukan melalui langkah-langkah berikut ini : (Anike. et
al, 2012).
0. Inisialisasi bobot;
1. Selama kondisi berhenti bernilai salah, kerjakan langkah 2 – 9;
2. Untuk setiap data training, lakukan langkah 3 – 8.
3. Untuk langkah 3 hingga 5 merupakan Proses Umpan Maju (Feedforward) Setiap
unit input (Xi, i = 1,…, n); menerima sinyal input dan menyebarkan sinyal tersebut ke
seluruh unit tersembunyi.
4. Pada setiap unit tersembunyi (Zj, j = 1,…, p); menjumlahkan sinyal-sinyal input
yang sudah berbobot (termasuk bias nya)
𝑛
𝑧_𝑖𝑛𝑗 = 𝑣0𝑗 + ∑ 𝑥𝑖 . 𝑣𝑖𝑗
𝑖=1
Lalu menghitung sinyal output dari unit tersembunyi dengan menggunakan fungsi
aktivasi yang telah ditentukan 𝑧𝑗 = 𝑓(𝑧𝑖𝑛𝑗 ). Sinyal output ini selanjutnya dikirim ke
seluruh unit pada unit diatas (unit output).
5. Tiap-tiap output (Yk, k = 1,…, m); menjumlahkan bobot sinyal input :
𝑝
𝑦_𝑖𝑛𝑘 = 𝑤0𝑘 + ∑ 𝑧𝑖 𝑤𝑗𝑘
𝑖=1.
Lalu menghitung sinyal output dari unit output bersangkutan dengan menggunakan
fungsi aktivasi yang telah ditentukan 𝑦𝑘 = 𝑓(𝑦𝑖𝑛𝑘 ). Sinyal output ini selanjutnya
dikirim ke seluruh unit output.
6. Untuk langkah 6 hingga 7 merupakan Proses Umpan Mundur (Backrward) /
Propagasi Error. Setiap unit output (Yk, k = 1,…, m); menerima suatu pola target
yang sesuai dengan pola input pelatihan, untuk menghitung kesalahan (error) antara
target dengan output yang dihasilkan jaringan;
𝛿𝑘 = (𝑡𝑘 − 𝑦𝑦)𝑓 ′ (𝑦𝑖𝑛𝑘 )
Faktor 𝛿𝑘 digunakan untuk menghitung koreksi error (∆𝑤𝑗𝑘) yang nantinya akan
dipakai untuk memperbaiki 𝑤𝑗𝑘 dimana :
∆𝑤𝑗𝑘 = 𝛼𝛿𝑘𝑧𝑗
Selain itu juga dihitung koreksi bias (∆𝑤𝑜𝑘) yang nantinya akan dipakai untuk
memperbaiki 𝑤𝑜𝑘 dimana :
∆𝑤𝑜𝑘 = 𝛼𝛿𝑘
Faktor 𝛿𝑘 kemudian dikirimkan ke lapisan yang berada pada langkah 7.
7. Setiap unit tersembunyi (Zj, j = 1,…, p); menerima input delta (dari langkah ke-6)
yang sudah berbobot :
𝛿_𝑖𝑛𝑗 = ∑ 𝑚 𝑘=1 𝛿𝑘𝑤𝑗𝑘
Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan
untuk menghitung informasi kesalahan error 𝛿𝑖 dimana :
𝛿𝑗 = 𝛿_𝑖𝑛𝑗𝑓 ′ (𝑧𝑖𝑛𝑗 )
Kemudian hitunglah koreksi bobot dengan :
∆𝑣𝑖𝑗 = 𝛼𝛿𝑗𝑥𝑖
Kemudian hitunglah koreksi bias :
∆𝑣𝑜𝑗 = 𝛼𝛿𝑗
8. Untuk langkah 6 hingga 7 merupakan Proses Update Bobot dan Bias. Setiap unit
output (Yk, k = 1,…, m); memperbaiki bobot dan bias dari seti ap unit tersembunyi (j
= 0,…, p); 𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤𝑗𝑘
9. Tes kondisi berhenti apabila error ditemukan. Jika kondisi berhenti terpenuhi, maka
pelatihan jaringan dapat dihentikan.
 BAB IV

PERHITUNGAN MANUAL

a. Data yang diberikan menggunakan inputan x1 sampai dengan x4.

Data X1 X2 X3 X4 Target
Gambar 1 0.28 0.35 0.69 0.98 1
Gambar 2 0.30 0.72 0.58 0.83 1

b. inisiasi bobot awal dengan nilai antara 0 samapai 1

Inisiasi bobot koneksi antara lapisan input dan lapisan tersembunyu (Vji) seperti yang terlihat
pada table dibawah ini

Bobot Awal V10 (bias) V11 V12 V13 V14

(Vji)
Gambar 1 0.251 0.673 0.293 0.561 0,284

Inisiasi bobot koneksi antara lapisan tersembunyi dan lapisan output (Wkj) seperti pada table
dibawah ini.

Bobot Awal (Wkj) W10 W11

Gambar 0.786 0.564

c. Tentukan parameter learning rate, minimum error dan maksimum epoch.

 Learning rate = 0.5

 Minimum error = 0.01
 Maksimum epoch = 2

d. dilakukan iterasi selama epoch < maksimal epoch dan nilai error > minimum error

e. lakukan langkah fase forward

Hitung nilai z_net j pada lapisan tersembunyi dengan menggunakan persamaan:

Z_net1 = 1*(0.251) + 0.28*(0.673) + 0.35*(0.293) + 0.69*(0.261) + 0.98*(0.284)

 = 0.251 + 0.188 + 0.103 + 0.180 + 0.278

=1

Kemudian hitung nilai keluaran zj pada node di lapisan tersembunyi menggunakan fungsi
aktivasi sigmoid biner.

Z1 = f (z_net1)

1
=
1+ e−(1)

= 0.730
 BAB V

HASIL PENGUJIAN DAN PEMBAHASAN

4.1 TAMPILAN PENGUJIAN

Tampilan pengujianini berfungsi untuk menampilkan informasi hasil prediksi

penyakit jantung koroner.

Epoch : 100

Alpha : 0.05

Dec Alpha : 0.01

No ID Pasien Pengujian Akurasi

Real Prediksi
Klas Keterangan Klas Keterangan
1. 1 0 Stabil 0 Stabil Sukses
2. 2 1 Akut 0 Stabil Gagal
3. 3 1 Akut 1 Akut Sukses
4. 4 1 Akut 1 Akut Sukses
5. 5 1 Akut 1 Akut Sukses
6. 6 0 Stabil 1 Akut Gagal
7. 7 0 Stabil 0 Stabil Sukses
8. 8 1 Akut 1 Akut Sukses
9. 9 1 Akut 1 Akut Sukses
10. 10 1 Akut 1 Akut Sukses
11. 11 1 Akut 1 Akut Sukses
12. 12 0 Stabil 1 Akut Gagal

Akurasi keberhasilan adalah: (jumlah suskses/ total pengujian) x 100%

Akurasi: 9/12* 100 = 75%

 Pada permasalahan ini arsitektur Jaringan Syaraf Tiruan yang digunakan adalah
Jaringan Syaraf Tiruan dengan banyak lapisan (multi layer) dengan algoritma
Backpropagation, yang terdiri dari: a) Lapisan masukan (input) dengan 13 simpul (x1,x2, x3,
x4, x5, x6, x7, x8, x9, x10, x11, x12, x13). b) Lapisan tersembunyi (Hidden) dengan jumlah
simpul ditentukan oleh pengguna (Z1, Z2). c) Lapisan keluaran (Output) dengan 1 simpul(Y).
Jaringan syaraf yang akan dibangun adalah algoritma propagasi balik (Backpropagation)
dengan fungsi aktivasi Sigmoid. Fungsi aktivasi dalam jaringan syaraf tiruan dipakai untuk
menentukan keluaran suatu Neuron.

4.2 PERSIAPAN DATA

Persiapan data yang dilakukan adalah melakukan pemotongan citra sinyal ECG pada
lead III. Penggunaan lead III dikarenakan menurut referensi dari dokter myocardial visual
muncul pada lead III. Banyak data citra sinyal ECG terdiri dari 66 data training dan 26 data
testing.

(a) Normal (b) Ishemia (c) Abnormal Variasi

 BAB VI KESIMPULAN DAN SARAN

A. Kesimpulan

Berdasarkan hasil pengujian dan dan analisis yang diperoleh dapat diambil
kesimpulan sebagai berikut:

1. Semakin banyak jumlah pemotongan sampel data dan akuransi pengenalnya maka
akan semakin baik karena sinyal yang dibentuk sesuai dengan sinyal aslinya.
2. Semakin banyak spektrum dan besarnya ukuran matriks sampel hasil yang
didapatkan semakin akurat.
3. Metode Jaringan Saraf Tiruan pada pendeteksi kelainan pada jantung yang
digunakan berjalan sangat baik.
4. Parameter yang digunakan agar mendapat hasil yang optimal dalam deteksi
penyakit jantung yaitu untuk Backpropagation digunakan parameter fungsi
aktivasi biner,learning rate,jumlah hidden layer dan dibatasi dengan maksimum
epoch.
5. Berdasarkan nilai akurasi pengujian data latih dan data ujinya maka dalam metode
ini Backpropagation lebih efektif untuk mendeteksi penyakit jantung.
 DAFTAR PUSTAKA

[1] Eli Yani. Pengantar Jaringan Syaraf Tiruan. MateriKuliah.Com, 2005

[2] Kiki, Sri Kusumadewi. Analisis Jaringan Saraf Tiruan dengan Metode
Backpropagation Untuk Mendeteksi Gangguan Psikologi. Laboratorium Komputasi &
Sistem Cerdas, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Islam Indonesia
[3] Brilliant, 2012. Analisis Perbandingan Metode Jaringan Syaraf Tiruan
Backpropagation Dan Perceptron Dalam Memprediksi Penyakit Jantung Koroner.
Jurnal Ilmiah Universitas Dian Nuswantoro, Semarang.
[4] http://jantung.klikdokter.com/subpage.php?id=1&sub=67
[5] http://medicastore.com/penyakit/111/Regurgitasi_Katup_Mitral.html
[6]http://medicastore.com/penyakit/114/Regurgitasi_Katup_AortaInkompetensi
a_Aorta_Insuffisiensi_Aorta_Aortic_Regurgitation.html
[7] http://medicastore.com/penyakit/115/Stenosis_Katup_Aorta_Aortic_Stenosi
s.html
[8] http://medicastore.com/penyakit/113/Stenosis_Katup_Mitral.html
[9] Puspitaningrum, Diyah. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta:
Andi.
[10] Bouzalmat, Anissa, (2011), Face Detection And Recognition Using
Backpropagation Neural Network And Fourier Gabor Filters, An International Journal
(SIPIJ) Vol.2, No.3
[11] Cheng, B. & Titterington, D.M. 1994. Neural Network : A review from a
Statistical Prespective. Statistical science 9 : 2-54.
[12]Jordan MI, Bishop CM. 1996. Neural Network. AI Memo No. 152, C,B.C.L.
Memo No 131. Massachusetts Institute of Technology.
[13]McCullagh P, Nelder JA. 1989. Generalized Linear Models. Chapman and Hall.
New York.
[14]Sarle, WS. 1994. Neural Network and Statistical Models. Proceddings of the 19th
Anual SAS User Group International Conference. Sarle, WS. 1996. Neural Network
and Statistical Jargon. [terhubung berkala] ftp://ftp.sas.com/pub/neural/jargon