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
Penyakit kusta merupakan salah satu
penyakit menular yang masih sering dijumpai di
Indonesia. Apabila penanganan terhadap
penderita kusta terlambat dapat mengakibatkan
kecacatan dan dapat menimbulkan masalah yang
sangat kompleks. Masalah yang dimaksud bukan
hanya dari segi medis, tetapi dapat meluas
hingga ke permasalahan sosial, ekonomi,
budaya, keamanan dan ketahanan nasional.
Untuk itu diperlukan adanya teknologi yang
dapat membantu mendeteksi atau mengenali
penyakit kusta sejak dini. Berdasarkan kasus
tersebut, penulisan tugas akhir ini membahas
tentang pembuatan suatu sistem yang dapat
mendeteksi atau mengenali penyakit kusta sejak
dini dengan menggunakan metode Jaringan
Saraf Tiruan Backpropagasi.
Jaringan Saraf Tiruan member keluaran
yang berasal dari jaringan berdasarkan
pengalamannya selama mengikuti proses
pembelajaran. Dimana pada proses pembelajaran
tersebut, pola-pola masukan dan keluaran citra
kusta dimasukkan ke dalam jaringan saraf tiruan,
lalu jaringan akan diajari untuk memberikan
jawaban yang sesuai target yang diinginkan
yaitu ‘kusta’ atau ‘bukan kusta’. Algoritma
Backpropagasi (Propagasi Balik) memiliki
proses sebagai berikut. Input yang dimasukkan
diteruskan ke lapisan tersembunyi (hidden layer)
lalu kelapisan keluaran yang akan menghasilkan
output. Jika output tidak sesuai dengan target,
maka error yang timbul akibat adanya perbedaan
antara output dan target dihitung kemudian
dipropagasikan kembali. Sebelum sistem
melakukan pelatihan, terdapat beberapa
parameter yang harus diatur yaitu target error
pada proses pelatihan digunakan MSE, nilai goal
sebesar 0.001, nilai lr (Learning Rate) sebesar
0.0005, frekuensi perubahan MSE adalah 50,
dan jumlah epoch maksimum sebesar 250. Inilah
yang menjadi fokus utama dalam mengolah data
kusta sehingga dapat menghasilkan sistem yang
dapat memprediksi penyakit kusta berdasarkan
pola.
Dan berdasarkan pengujian sistem yang
dilakukan, diperoleh hasil sebagai berikut.
Dengan citra kusta berjumlah 297 sebagai data
latih sistem serta citra kusta dan citra bukan
kusta berjumlah 40 sebagai data uji, maka hasil
keluaran sistem dengan target ‘kusta’ atau
‘bukan kusta’ menunjukkan keakuratan sebesar
Citra uji kusta 16 bit memiliki keakuratan
sebesar 75% sedangkan untuk citra uji kusta 24
bit memiliki keakuratan 75%. Citra uji diagnosa
banding (bukan kusta) 16 bit memiliki
keakuratan sebesar 80% sedangkan untuk citra
uji diagnosa banding (bukan kusta) 24 bit
memiliki keakuratan 75%.
Kata Kunci : Jaringan Saraf Tiruan (JST),
Backpropagasi, Penyakit Kusta.
I. PENDAHULUAN
1.1 Latar Belakang
Penyakit kusta adalah penyakit kronik yang
disebabkan oleh bakteri Mycrobacterium leprae
yang terjadi pada kulit saraf tepi. Apabila
penanganan penderita kusta terlambat, dapat
mengakibatkan kecacatan.
Jaringan saraf tiruan adalah jaringan dari
sekelompok unit pemroses kecil yang
dimodelkan berdasarkan jaringan saraf manusia.
Jaringan saraf tiruan merupakan sistem adaptif
yang dapat merubah strukturnya untuk
memecahkan masalah berdasarkan informasi
eksternal maupun internal.
Algoritma yang digunakan dalam penelitian
adalah jaringan saraf tiruan Backpropagasi.
Backpropagasi salah satu algoritma yang sering
digunakan dalam menyelesaikan masalah –
masalah yang rumit. Hal ini dimungkinkan
karena jaringan dengan algoritma ini dilatih
dengan metode belajar terbimbing.
Dengan sistem ini diharapkan dapat
mengenali gejala awal penyakit kusta sehingga
tingkat kecacatan dapat dikurangi.
1.2 Perumusan Masalah
Bagaimana membuat suatu sistem yang
dapat memprediksi gejala awal penyakit kusta
dari permukaan kulit dengan metode Jaringan
Saraf Tiruan (JST) Backpropagasi.
1.3 Tujuan Penelitian
Tujuan penelitian ini adalah membuat suatu
sistem yang dapat memprediksi gejala awal
penyakit kusta dengan metode Jaringan Saraf
Tiruan (JST) Backpropagasi.
1.4 Batasan Masalah
1. Citra yang akan diolah adalah hasil foto
terhadap kulit yang terkena penyakit
kusta. Dimana, dalam proses
pengambilan gambar harus memiliki
pencahayaan yang tepat.
2. Data yang diolah berasal dari sebuah file
gambar (bmp) dan file gambar (jpg).
3. Ukuran gambar pola kusta 100 x 100
pixel.
4. Background dari gambar pola kusta
berwarna putih.
5. Penyakit kusta yang dideteksi hanya dari
tanda – tanda pada permukaan kulit.
6. Konsep dasar pengenalan pola berbasis
Jaringan Saraf Tiruan Backpropagasi.
7. Sistem ini hanya mengenali penyakit
kusta berdasarkan pola sehingga butuh
pemeriksaan lanjut dari tim medis.
1.5 Metode Penelitian
1. Studi Literatur, yaitu dengan melakukan
studi dari buku-buku pustaka yang
bekaitan dengan masalah yang dibahas,
juga melalui artikel-artikel dari internet
dan melakukan studi di Balai Latihan
Kusta Nasional.
2. Metode Pengambilan Data, yaitu
pengambilan gambar untuk kondisi
gejala awal penyakit kusta.
3. Analisis Data, yaitu metode pengenalan
yang terdiri atas tahap identifikasi
dengan menggunakan Jaringan Syaraf
Tiruan (JST) Backpropagasi.
II. LANDASAN TEORI
2.1 Penyakit Kusta
Kusta adalah penyakit kronik yang
disebabkan oleh kuman Mycrobacterium Leprae
yang pertama kali menyerang susunan saraf tepi,
selanjutnya dapat menyerang kulit, mukosa,
saluran pernapasan bagian atas, sistem retikulo
endotelial, mata, otot, tulang dan testis.
Timbulnya kusta bagi seseorang tidak mudah,
dan tidak perlu ditakuti karena tergantung dari
beberapa faktor, antara lain :
1. Faktor Sumber Penularan.
2. Faktor Kuman Kusta.
3. Faktor Daya Tahan Tubuh
2.2 Pengolahan Citra
Pengolahan citra adalah suatu fungsi kontinu
dari intensitas cahaya dalam bidang dua dimensi
dengan menyatukan suatu koordinat dengan nilai
pada setiap titik menyatukan intensitas atau
tingkat kecerahan atau derajat keabuan.
Operasi-operasi yang dilakukan dalam
pengolahan citra dapat diklasifikasikan sebagai
berikut :
1. Peningkatan kualitas citra (image
enhancement).
2. Perbaikan citra (image restoration).
3. Pemampatan citra (image
compression).
4. Segmentasi citra.
 5. Analisis citra (image analysis).
6. Rekonstruksi citra (image
recontruction).
2.3 Deteksi Tepi
Edge atau sisi adalah tempat-tempat di mana
tingkat perubahan intensitas paling tinggi.
Tempat perubahan intensitas dan sekitarnya
dikonversi menjadi bernilai nol atau satu
sehingga mengubah citra menjadi citra biner.
Ada tiga macam tepi yang terdapat di dalam
citra digital, yaitu:
1. Tepi curam.
2. Tepi landai.
3. Tepi yang mengandung noise.
2.4 Metode Deteksi Tepi Canny
Canny merupakan salah satu algoritma deteksi
tepi modern. Algoritma deteksi tepi canny
dikenal sebagai algoritma yang optimal dalam
melakukan pendeteksian tepi. Untuk
meningkatkan metode-metode yang telah ada
dalam pendeteksian tepi, algoritma deteksi tepi
mengikuti beberapa kriteria :
1. Good detection.
2. Good localization.
3. Only one response to a single edge
Sebagai kesimpulan langkah-langkah yang
dilakukan dengan metode deteksi tepi canny
adalah sebagai berikut :
1. Menghaluskan citra masukan dengan
filter Gaussian.
2. Mangkalkulasi besar gradien dan sudut
citra.
3. Mengaplikasikan suppresi nonmaksimal
pada besaran gradien citra.
4. Menggunakan nilai ambang ganda dan
analisa keterhubungan untuk
mendeteksi dan menghubungkan antar
tepi.
2.5 Jaringan Saraf Tiruan
Saat ini bidang kecerdasan buatan dalam
menirukan intelegensi manusia belum
mengadakan pendekatan dalam bentuk fisiknya
melainkan dari sisi lain. Pertama-tama diadakan
studi mengenai teori dasar mekanisme proses
terjadinya intelegensi atau disebut Cognitive
Science. Dari teori dasar ini, dibuatlah suatu
model untuk disimulasikan pada komputer, dan
dalam pengembangannya yang lebih lanjut
dikenal berbagai sistem kecerdasan buatan yang
salah satunya adalah jaringan saraf tiruan.
Aplikasi jaringan saraf tiruan, yaitu :
1. Pengenalan pola.
2. Signal Processing.
3. Peramalan
Kelebihan dari jaringan saraf tiruan :
1. Kemampuan mengakusisi pengetahuan
walaupun dalam kondisi ada
gangguan dan ketidakpastian.
2. Kemampuan mempresentasikan
pengetahuan secara flexibel.
3. Kemampuan untuk memberikan
toleransi atau suatu distorsi.
4. Kemampuan memproses pengetahuan
secara efisien.
2.6 Backpropagasi
Di dalam jaringan backpropagasi, stiap unit
yang berada di lapisan masukan terhubung
dengan setiap unit yang ada di lapisan
tersembunyi. Hal serupa juga berlaku pada
lapisan tersembunyi. Setiap unit yag ada di
lapisan tersembunyi terhubung dengan setiap
unit yang ada di lapisan keluaran.
Gambar 2.1 Arsitektur Backpropagasi
 III. METODE PENELITIAN
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
diambil dari Balai Latihan Kusta Nasional
(BLKN)
3.3 Tahap Penelitian
1. Studi Literatur, yaitu dengan melakukan
studi dari buku-buku pustaka yang
bekaitan dengan masalah yang dibahas,
juga melalui artikel-artikel dari internet.
2. Metode Pengambilan Data, yaitu
pengambilan sampel gambar gejala awal
penyakit kusta.
3. Analisis Data, yaitu metode pengenalan
yang terdiri atas dua bagian yaitu tahap
pengolahan citra dan tahap pengolahan
pada sistem.
3.4 Gambaran Umum Perangkat Sistem
Gambar 3.1 Struktur Umum Sistem
3.5 Perancangan Sistem
Gambar 3.2 Rancangan Tampilan Sistem
IV. ANALISA DAN PEMBAHASAN
4.1 Tahap Pengolahan Citra
a. Proses Resize
Proses resize bertujuan untuk mengubah ukuran
citra agar pola kusta dapat diperoleh secara
menyeluruh saat proses croping dilakukan.
b. Proses Croping
Proses croping dilakukan untuk mendapatkan
satu gambar pola kusta dan memotong bagian
gambar yang tidak dimanfaatkan dengan
bantuan ACDSee Pro 5 yang kemudian
disimpan dengan format bmp berukuran 100 x
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.
(a)

(b) (c)
Gambar 4.1 (a) Citra pola kusta berukuran
4000x2248 pixel, (b) Citra pola kusta setelah
proses crop, dan (c) Citra hasil pemisahan objek
dari background
4.2 Tahap Simulasi Pada Sistem
a. Proses Grayscale
Citra kusta hasil pengolahan citra diubah ke
dalam bentuk citra monokrom untuk
mempermudah pemrosesan selanjutnya.
Gambar 4.2 Citra Grayscale
b. Proses Edge Detection
Proses edge detection (deteksi tepi)
dilakukan terhadap citra hasil grayscale untuk
mendapatkan pola yang lebih jelas. Proses ini
bertujuan untuk mendapatkan informasi citra
kusta secara mendetail dari segi pola kusta.
Gambar 4.3 Proses Edge Detection dengan
Metode Canny
c. Proses Ekstraksi Ciri
Input sistem Jaringan Staraf Tiruan (JST)
berupa citra hasil deteksi tepi yang diekstraksi
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
dari segi bentuk atau pola.
d. Proses Pelatihan
Jaringan saraf tiruan Backpropagation
digunakan untuk mengidentifikasi setiap citra
yang diinputkan pada sistem. Citra latih yang
diambil dari citra kusta. Pola tersebut berasal
dari hasil ekstraksi ciri citra latih yang menjadi
pola data referensi bagi sistem. Citra latih terdiri
atas 297 citra kusta. Citra uji terdiri atas 20
citra, yaitu 10 citra untuk citra bukan kusta dan
10 citra untuk citra kusta.
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 :
• net = jaringan backpropagasi yang
terdiri dari n layar.
• PR = nilai minimum dan maksimum R
buah elemen masukannya.
• Si (i = 1, 2, …, n) = jumlah unit pada
layar ke-i (i= 1, 2, …, n)
• TFi (i = 1, 2, …, n) = fungsi aktivasi
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
Setelah sistem dilatihkan, maka jaringan siap
untuk diujikan terhadap citra kusta. Citra uji
yang telah melalui proses pengolahan citra dan
ekstraksi ciri nantinya akan dibandingkan
dengan hasil ekstraksi ciri pada citra latih.
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].
V. PENUTUP
5.1 Kesimpulan
1. Hasil keakuratan untuk citra uji
diperoleh : [2].
• Citra uji kusta 16 bit memiliki
keakuratan sebesar 75% sedangkan
untuk citra uji kusta 24 bit
memiliki keakuratan 75%.
• Citra uji diagnosa banding (bukan
kusta) 16 bit memiliki keakuratan
sebesar 80% sedangkan untuk citra
[3].
uji diagnosa banding (bukan kusta)
24 bit memiliki keakuratan 75%.
2. Hasil keakuratan untuk citra latih
diperoleh sekitar 84%.
3. Waktu yang dibutuhkan oleh sistem
mulai dari proses pengambilan gambar
hingga pengenalan adalah minimum [4].
19,506575 detik dan maksimum 3 menit
2,506575 detik.
Prawoto. 2008. Faktor – Faktor Risiko
yang Berpengaruh Terhadap
Terjadiinya Reaksi Kusta (Online).
(eprints.undip.ac.id/17745/2/PRAWOT
O.pdf)
dr. Zulkifli, M.Si. 2003. Penyakit Kusta
dan Masalah yang Ditimbulkannya
(Online).
(library.usu.ac.id/download/fkm/fkm-
zulkifli2.pdf)
Drh. Hiswani Mkes. 2001. Kusta Salah
Satu Penyakit Menular yang Masih
Dijumpai di Indonesia (Online).
(repository.usu.ac.id/bitstream/1234567
89/3663/1/fkm-hiswani2.pdf)
Kebijakan Pemberantasan Kusta
(Online).
 (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).