BAB 2

LANDASAN TEORI

2.1 Jaringan Syaraf Biologi

Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak

manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak

manusia tersebut. Istilah buatan di sini digunakan karena jaringan syaraf ini

diimplementasikan dengan menggunakan program komputer yang mampu

menyelesaikan sejumlah proses pembelajaran (Fausett, 1994).

Otak manusia terdiri dari neuron-neuron dan penghubung yang disebut sinapsis.

Neuron bekerja berdasarkan sinyal yang diberikan neuron lain dan meneruskannya pada

neuron lainnya. Diperkirakan manusia memiliki 1011 neuron. Masing-masing neuron

saling berhubungan dengan jumlah hubungan tersebut mencapai 104 buah per neuron.

Jadi jumlah koneksi untuk setiap neuron adalah 1015 buah. Neuron-neuron tersebut dapat

bekerja secara paralel dengan kecepatan luar biasa. Dengan jumlah yang begitu banyak

maka otak manusia mampu mengenali pola, melakukan perhitungan, serta mengontrol

organ-organ tubuh dengan baik. Neuron memiliki 3 komponen utama, yaitu dendrit,

badan sel (soma) dan akson.Dendrit berfungsi menerima sinyal informasi dari satu atau

beberapa neuron yang terhubung. Sinyal yang diterima oleh dendrit diteruskan ke badan

sel. Jika total sinyal yang diterima oleh badan sel cukup kuat untuk mengaktifkan sebuah

neuron maka neuron tersebut akan mengirimkan sinyal ke semua neuron terhubung

melalui akson.

8

Gambar 2.1 Sel Syaraf Biologi Sumber: http://belajaripaterpadu.blogspot.com/

2. 2 Jaringan Syaraf Tiruan

2. 2. 1 Definisi Jaringan Syaraf Tiruan

Artificial Neural Network (Jaringan Syaraf Tiruan/ANN) adalah sebuah bentuk

perhitungan yang meniru bentuk jaringan syaraf pada makhluk hidup. Sama seperti pada

jaringan syaraf asli, jaringan syaraf tiruan memiliki neuron untuk memproses

input/output. Karena itulah, pada sebagian besar kasus, ANN merupakan sistem yang

adaptif, karena struktur sistemnya dapat berubah seiring dengan berubahnya informasi

internal ataupun eksternal yang diproses pada saat learning phase (tahap pembelajaran).

Pembuatan sistem ANN dimaksudkan agar komputer dapat mengenali suatu pola,

bentuk, atau struktur tertentu karena komputer tidak mempunyai intelegensia, meskipun

pada kenyataannya, sebuah komputer dapat melakukan operasi, misalnya mengenali

wajah manusia, dalam waktu yang jauh lebih singkat daripada manusia.

9

Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut.

A. Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut.

"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang

terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang

memiliki memori lokal dan beroperasi dengan informasi lokal) yang

diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap

elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke

sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal

yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen

pemroses tersebut dapat merupakan sembarang jenis persamaan matematis yang

diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus

benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai

masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan

dalam memori lokal".

B. Menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston:

PWS Publishing Company, mendefinisikan sebagai berikut. “Sistem saraf tiruan

atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh,

menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman”.

C. Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation,

NY, Macmillan, mendefinisikan jaringan saraf sebagai berikut: “Sebuah jaringan

saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai

kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari

pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini

menyerupai kerja otak dalam dua hal yaitu pengetahuan diperoleh oleh jaringan

10

melalui suatu proses belajar dan kekuatan hubungan antar sel saraf yang dikenal

dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.

D. DARPA Neural Network Study (1988, AFCEA International Press, halaman 60)

mendefinisikan jaringan syaraf buatan sebagai berikut. “Sebuah jaringan syaraf

adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana

yang bekerja secara paralel, yang fungsinya ditentukan oleh stuktur jaringan,

kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau

nodes”

Biasanya, sebuah model neuron untuk ANN terdiri atas tiga bagian berikut.

A. Synapsis (Jalur Penghubung) Antara neuron yang masing-masing memiliki

weight (bobot). Tiap Synapsis memiliki indeks tertentu untuk menunjukkan input

mana yang akan diproses menjadi output.

B. Summing Unit untuk menghitung total input.

C. Activation Function (Fungsi Aktivasi) untuk membatasi output.

22.2.2 Arsi

Arsit

A. Jarin

Jarin

terhu

meng

kata

terdi

tektur Jarin

tektur jaring

ngan syaraf d

ngan dengan

ubung. Jarin

golahnya me

lain, ciri-ci

ri dari satu l

Gambar 2.Sumber:

ngan Syaraf

gan syaraf tir

dengan lapis

lapisan tung

ngan ini hany

enjadi outpu

iri dari arsit

lapisan input

Gambar 2.Sumber

.2 Jaringan Shttp://www.

f Tiruan

ruan dapat di

an tunggal (s

ggal hanya m

ya menerim

ut tanpa haru

tektur syara

t dan satu lap

3 Jaringan Sr: http://www

Syaraf Seder.wikipedia.o

ibedakan me

single layer

memiliki satu

ma input kem

us melalui l

af dengan la

pisan output

Syaraf Tiruanw.informawo

rhana org

enjadi 3 mac

net).

u lapisan den

mudian secar

lapisan terse

apisan tungg

t, tanpa lapis

n Satu Layerorld.com

cam.

ngan bobot-b

ra langsung

embunyi. De

gal adalah h

san tersembu

r

11

bobot

akan

engan

hanya

unyi.

12

B. Jaringan syaraf dengan banyak lapisan (multi layer net).

Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak di

antara lapisan input dan lapisan output (memiliki satu atau lebih lapisan

tersembunyi). Umumnya, ada lapisan bobot-bobot yang terletak di antara 2

lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat

menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan lapisan

tunggal, tentu saja dengan pembelajaran yang lebih rumit.

Gambar 2.4 Jaringan Syaraf Tiruan Multi Layer Sumber: http://www.odec.ca/projects/2006/stag6m2/img/fig1.gif

C. Jaringan syaraf dengan lapisan kompetitif (competitive layer)

Arsitektur ini memiliki bentuk berbeda dari kedua arsitektur lainnya, di mana

antarneuron saling dihubungkan. Jaringan ini sering disebut feedback loop

karena unit output ada yang memberikan informasi terhadap unit masukan.

13

Gambar 2.5 Jaringan Syaraf Tiruan Competitive Layer Sumber: Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf,2010

2.2.3 Fungsi Aktivasi

Beberapa fungsi aktivasi yang sering digunakan dalam ANN adalah.

A. Fungsi undak biner (hard limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step

function) untuk mengkonversikan input dari suatu varuabel yang bernilai kontinu

ke suatu output biner (0 atau 1). Fungsi undak biner (hard limit) dirumuskan

sebagai (Demuth, 1998):

y = 0, jika x < 0

y = 1, jika 0≥x

B. Fung

Fung

dihas

sebag

y

y

GSumber: N

gsi bipolar (s

gsi bipolar h

silkan berup

gai berikut (

y = 1, jika x

y = -1, jika x

GambaSumber: N

Gambar 2.6 JNeuro-Fuzzy

symmetric ha

hampir sama

pa 1, 0, ata

(Demuth, 19

0≥

< 0

ar 2.7 JaringNeuro-Fuzzy

Jaringan Syay Integrasi S

ard limit)

a dengan fun

au -1. Fung

98):

gan Syaraf Ty Integrasi S

araf Tiruan HSistem Fuzzy

ngsi undak b

gsi Symmet

Tiruan SymmeSistem Fuzzy

Hard Limit y & Jaringan

biner, hanya

tric Hard L

etric Hard Ly & Jaringan

n Syaraf, 201

saja output

Limit dirumu

Limit n Syaraf, 201

14

10

yang

uskan

10

C. Fung

Fung

linier

y

D. Fung

Fung

input

maka

satur

y

y

y

gsi linier (ide

gsi linier me

r dirumuskan

y = x

Sumber: N

gsi saturating

gsi ini akan b

tnya lebih da

a outputnya

rating linear

y = 1, jika x

y = x + 0,5, ji

y = 0, jika x

entitas)

emiliki nila

n sebagai (D

GambaNeuro-Fuzzy

g linear

bernilai 0 jik

ari 0,5. Seda

a akan berni

r dirumuskan

5,0≥

ika 5,0 ≤− x

5,0−≤

i output yan

Demuth, 199

ar 2.8 Jaringy Integrasi S

ka inputnya

angkan jika n

ilai sama de

n sebagai (D

5,0≤x

ng sama de

8):

gan Syaraf TiSistem Fuzzy

kurang dari

nilai input te

engan nilai

Demuth, 1998

engan nilai

iruan Lineary & Jaringan

-0,5 dan ak

erletak di an

input ditam

8):

inputnya. F

r n Syaraf, 201

kan bernilai

ntara -0,5 dan

mbah 0,5. F

15

ungsi

10

1 jika

n 0,5,

Fungsi

E. Fung

Fung

input

outpu

linea

y

y

y

GamSumber: N

gsi symmetri

gsi ini akan

tnya lebih d

utnya akan b

ar dirumuska

y = 1, jika x

y = x, jika −

y = -1, jika x

Gambar 2.Sumber: N

mbar 2.9 JariNeuro-Fuzzy

ic saturating

bernilai -1 j

dari 1. Sedan

bernilai sama

an sebagai (D

1≥

11 ≤≤ x

1−≤x

.10 JaringanNeuro-Fuzzy

ingan Syarafy Integrasi S

g linear

jika inputnya

ngkan jika n

a dengan nil

Demuth, 199

Syaraf Tiruy Integrasi S

f Tiruan SatuSistem Fuzzy

a kurang da

nilai input te

lai inputnya.

98):

uan SymmetrSistem Fuzzy

urating Lineay & Jaringan

ari -1,dan ak

erletak antara

Fungsi sym

ric Saturatingy & Jaringan

ar n Syaraf, 201

an bernilai

a -1 dan 1,

mmetric satur

g Linear n Syaraf, 201

16

10

1 jika

maka

rating

10

17

F. Fungsi sigmoid biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan

metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0

sampai 1. Oleh karena itu,fungsi ini sering digunakan untuk jaringan syaraf yang

membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi

ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1. Fungsi

sigmoid biner dirumuskan sebagai (Demuth, 1998):

xexfy σ−+==

11)( dengan )](1)[()(' xfxfxf −=σ

Gambar 2.11 Jaringan Syaraf Tiruan Sigmoid Biner Sumber: Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf, 2010

G. Fungsi sigmoid bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja

output dari fungsi ini memiliki range antara -1 sampai 1. Fungsi sigmoid bipolar

dirumuskan sebagai (Demuth, 1998):

x

x

eexfy −

−

+−

==11)( dengan )](1)][(1[

2)(' xfxfxf −+=

σ

18

Gambar 2.12 Jaringan Syaraf Tiruan Sigmoid Bipolar Sumber: Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf, 2010

2.2.4 Algoritma Pembelajaran

Salah satu bagian terpenting dari konsep jaringan syaraf tiruan adalah proses

pembelajaran. Tujuan utama dari proses ini adalah melakukan pengaturan terhadap

bobot-bobot yang ada pada jaringan syaraf, hingga didapat bobot akhir yang tepat sesuai

dengan pola data yang dilatih. Selama proses pembelajaran, akan terjadi perbaikan

bobot-bobot berdasarkan algoritma tertentu. Nilai bobot akan bertambah jika informasi

yang diberikan ke neuron yang bersangkutan tersampaikan. Begitu pula sebaliknya, jika

informasi tidak disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot

yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada

input yang berbeda, nilai bobot akan diubah secara dinamis hingga mencapai nilai yang

cukup seimbang. Apabila nilai ini telah tercapai, berarti tiap-tiap input telah

berhubungan dengan output yang diharapkan.

Pada dasarnya ada dua metode pembelajaran, yaitu metode pembelajaran terawasi

(supervised learning) dan metode pembelajaran yang tidak terawasi (unsupervised

learning).

19

A. Pembelajaran terawasi (supervised learning)

Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang

diharapkan telah diketahui sebelumnya. Misalkan jaringan syaraf akan digunakan untuk

mengenali pasangan pola, misalkan pada sebuah operasi logika matematika AND. Pada

proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input.

Pola ini akan dirambatkan ke sepanjang jaringan syaraf hingga sampai ke neuron pada

lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan

dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara pola output

hasil pembelajaran dengan pola target, maka akan muncul error. Apabila nilai error ini

masih cukup besar, berarti perlu dilakukan lebih banyak pembelajaran lagi. Model-

model pembelajaran yang menggunakan supervised learning di antaranya adalah

Backpropagation, Bidirective Associative Memory (BAM), dan Hopfield.

B. Pembelajaran tak terawasi (unsupervised learning)

Metode pembelajaran yang tak terawasi tidak memerlukan target output. Pada

metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama

proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu

range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini

adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu.

Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola. Model-

model pembelajaran yang menggunakan unsupervised learning di antaranya adalah

Adaptive Resonance Theory (ART) dan Competitive.

20

2. 3 Backpropagation

2.3.1 Definisi

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). Untuk mendapatkan nilai 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 (Fausett, 1994).

Algoritma Backpropagation (Fausett, 1994)

Langkah 1 Inisialisasi bobot (ambil bobot awal dengan nilai random yang kecil).

Langkah 2 Tetapkan: Maksimum Epoch, Target Error, dan Learning Rate (α).

Langkah 3 Inisialisasi: Epoch = 0.

Langkah 4 Selama (Epoch < Maksimum Epoch) dan (MSE (Mean Squared

Error) < Target Error), kerjakan langkah-langkah berikut.

Langkah 4.1 Epoch = Epoch + 1

Langkah 4.2 Untuk tiap-tiap pasangan elemen yang akan dilakukan

pembelajaran, kerjakan:

Feedforward

Langkah 4.2.1 Tiap-tiap unit input (Xi, i = 1, 2, 3, …, n)

menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit

pada lapisan yang ada di atasnya (lapisan tersembunyi).

21

Langkah 4.2.2 Tiap-tiap unit pada suatu lapisan tersembunyi (Zi,

j = 1, 2, 3, …, p) menjumlahkan sinyal-sinyal input terbobot:

z_inj = b1j + ∑=

n

i 1xivij

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

zj = f(z_inj)

kemudian, kirimkan sinyal tersebut ke semua unit di lapisan

atasnya (unit-unit output). Langkah ini dilakukan sebanyak

jumlah lapisan tersembunyi.

Langkah 4.2.3. Tiap-tiap unit output (Yk, k = 1, 2, 3, …, m)

menjumlahkan sinyal-sinyal input terbobot.

y_in = b2k + ∑=

p

i 1ziwij

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

yk = f(y_ink)

kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-

unit output).

Backpropagation

Langkah 4.2.4 Tiap-tiap unit output (Yk, k = 1, 2, 3, …, m)

menerima target pola yang berhubungan dengan pola input

pembelajaran, hitung informasi errornya:

δ2k = (tk – yk) f `(y_ink)

φ2jk = δk - zj

22

β2k = δk

kemudian hitung koreksi bobot (yang nantinya akan digunakan

untuk memperbaiki nilai wjk)

Δwjk = α φjk

kemudian hitung koreksi bobot (yang digunakan untuk

memperbaiki nilai wjk)

Δb2k = α βk

Langkah 4.2.4 juga dilakukan sebanyak jumlah lapisan

tersembunyi, yaitu menghitung informasi error dari suatu lapisan

tersembunyi ke lapisan tersembunyi sebelumnya.

Langkah 4.2.5 Tiap-tiap unit tersembunyi (Zj, j = 1, 2, 3, ..., p)

menjumlahkan delta inputnya (dari unit-unit yang berada pada

lapisan di atasnya):

δ_inj = ∑=

m

k 1 δkwjk

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk

menghitung informasi error:

δ1j = δ_inj f `(z_inj)

φ1ij = δj xj

β1j = δ1j

hitung koreksi bobot (digunakan untuk memperbaiki nilai vij):

Δvij = α φ1ij

hitung koreksi bias (digunakan untuk memperbaiki nilai b1j):

Δb1j = α φ1j

23

Langkah 4.2.6 Tiap-tiap unit output (Yk, k = 1, 2, 3, ..., m)

memperbaiki bias dan bobotnya (j = 0, 1, 2, 3, ..., p):

wjk(baru) = wjk(lama) + Δwjk

b2k(baru) = b2k(lama) + Δb2k

Tiap-tiap unit tersembunyi (Zj, j = 1, 2, 3, …,p) memperbaiki bias

dan bobotnya (i = 0, 1, 2, 3, …, n):

vij(baru) = vij(lama) + Δvij

b1j(baru) = b1j(lama) + Δb1j

Langkah 4.3 Hitung MSE (Mean Squared Error).

Pemilihan bobot awal sangat mempengaruhi jaringan syaraf dalam mencapai

minimum global (atau mungkin hanya lokal saja) terhadap nilai error, serta cepat

tidaknya proses pelatihan menuju kekonvergenan. Apabila nilai bobot awal terlalu besar,

maka input ke setiap lapisan tersembunyi atau lapisan output akan jatuh pada daerah di

mana turunan fungsi sigmoidnya akan sangat kecil. Sebaliknya, apabila nilai bobot awal

terlalu kecil, maka input ke setiap lapisan tersembunyi atau lapisan output akan sangat

kecil, yang akan menyebabkan proses pelatihan akan berjalan sangat lambat. Biasanya

bobot awal diinisialisasi secara random dengan nilai antara 0,5 sampai 0,5 (atau -1

sampai 1, atau interval yang lainnya) (Fausett, 1994). Sementara, Metode Nguyen-

Widrow akan menginisialisasi bobot-bobot lapisan dengan nilai antara -0.5 sampai 0,5.

Sedangkan bobot-bobot dari lapisan input ke lapisan tersembunyi dirancang sedemikian

rupa sehingga dapat meningkatkan proses pembelajaran. Parameter α merupakan laju

pembelajaran yang menentukan kecepatan iterasi. Nilai α terletak antara 0 dan 1 (0 ≤ α ≤

1). Semakin besar harga α, semakin sedikit iterasi yang dipakai. Tetapi, jika harga α

24

terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menjadi

lambat. Setelah pelatihan selesai dilakukan, jaringan dapat digunakan untuk pengenalan

pola. Dalam hal ini, hanya Propagasi Maju yang dipakai untuk menentukan keluaran

jaringan. Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah-

langkahnya harus disesuaikan.

FFlowchart AAlgoritma B

Gamb

Backpropaga

bar 2.13 Flo

ation

wchart Algooritma Backppropagation

25

26

2.4 Penyakit Jantung

2.4.1 Definisi Jantung

Jantung adalah organ miogenis yang dapat ditemukan di semua hewan yang

mempunyai sistem saluran (termasuk semua hewan vertebrata). Jantung berfungsi untuk

memompa darah melalui pembuluh darah dengan kontraksi yang ritmis dan berulang-

ulang. Istilah cardio sendiri berasal dari kata Yunani kardia, yang berarti

“Jantung/Hati”. Jantung hewan vertebrata terdiri atas otot cardiac, di mana jenis serat

ototnya hanya akan ditemukan di jantung dan tidak di organ lain, dan juga serat

penghubung. Jantung manusia sehat berdetak rata-rata 72 kali per menit, dan beratnya

kurang lebih 250-300 gram untuk wanita dewasa dan 300-350 gram untuk pria dewasa.

Jantung manusia umumnya berbentuk kerucut tumpul yang memiliki empat rongga yang

dibagi menjadi 2 bagian, yaitu bagian kanan dan kiri yang dipisahkan oleh dinding otot

yang dikenal dengan istilah septum. Pada bagian kiri dan kanan terbagi lagi menjadi 2

bilik. Rongga bilik sebelah atas disebut dengan atria dan dua bilik bawah yang disebut

dengan ventricle yang memiliki peran dalam memompa darah menuju arteri.

27

Gambar 2.14 Tampak Penampang Jantung Manusia Sumber: The Visual Dictionary of Human Anatomy, 1996

2.4.2 Jenis-Jenis Penyakit Jantung

Penyakit jantung atau cardiopathy adalah istilah untuk menggambarkan beberapa

variasi penyakit yang menjangkiti jantung. Di tahun 2007, penyakit jantung adalah

penyebab kematian tertinggi di Amerika Serikat, Inggris, Kanada, dan Wales. Penyakit

jantung menyebabkan 25, 4% dari total kematian di Amerika Serikat. Jenis-jenis

penyakit jantung di antaranya adalah sebagai berikut.

A. Penyakit Jantung Koroner

Penyakit jantung koroner adalah kegagalan saluran koroner mensuplai sirkulasi ke

bagian otot cardiac dan serat otot di sekitarnya. Penyakit jantung koroner sering disebut

juga dengan penyakit arteri koroner, meskipun penyakit jantung koroner dapat juga

disebabkan oleh saluran koroner yang berkontraksi tidak wajar (coronary vasospasm).

28

B. Cardiomyopathy

Adalah penyakit otot jantung. Ditandai oleh mulai rusaknya myocardium karena

alasan apapun. Penyakit ini dapat mengakibatkan arrythmia (detak jantung menjadi

tidak teratur) ataupun kematian otot cardiac mendadak.

C. Penyakit Cardiovascular

Adalah penyakit-penyakit yang menyerang jantung itu sendiri dan/atau menyerang

pembuluh darah, terutama pembuluh nadi dan pembuluh balik yang berasal dari dan

mengarah ke jantung. Penyakit jenis ini termasuk umum, biasanya penyebabnya adalah

diabetes melitus, tekanan darah tinggi, dan kelebihan kolestrol.

D. Ishaemic

Penyakit yang disebabkan oleh berkurangnya suplai darah ke organ-organ tubuh

E. Gagal jantung

Juga disebut Congestive Heart Failure (CHF) atau Congestive Cardiac Failure (CCF),

adalah sebuah kondisi yang bisa disebabkan oleh kelainan otot cardiac, baik secara

fungsional maupun secara struktural yang mempengaruhi fungsi jantung untuk

memompa jumlah darah yang cukup ke seluruh tubuh.

F. Inflammatory Heart Disease (Penyakit Peradangan Jantung)

Penyakit ini disebabkan oleh pembengkakan di otot jantung dan/atau serat otot yang

mengelilinginya.

G. Penyakit Katup Jantung

Penyakit jenis ini melibatkan satu atau lebih katup jantung, terutama 2 katup utama

aortic dan tricuspid di rongga kanan jantung, dan juga 2 katup utama aortic dan mitral

di rongga kiri jantung.

29

2.5 Software

Software (piranti lunak) adalah kumpulan program komputer dan data terkait

yang menyediakan instruksi kerja ke komputer beserta cara penanganan instruksi

tersebut. Dengan kata lain, piranti lunak adalah kumpulan sejumlah program, prosedur,

algoritma, dan dokumentasi.

2.5.1 Prinsip Dasar Pembuatan Software

Dalam pembuatan sebuah piranti lunak, terdapat 3 prinsip dasar sebagai berikut:

A. Determine users' skill levels (tentukan tingkat kemampuan pengguna)

Pembagian tingkat kemampuan pengguna adalah hal yang penting, karena tidak

semua pengguna dapat memahami cara kerja piranti lunak dalam sekali pakai.

Biasanya tingkat kemampuan pengguna dibedakan menjadi tiga macam.

1) Novice or first-time users

Pengguna pada tingkat ini adalah pengguna yang pengetahuan mengenai

penggunaan atau konsep piranti lunaknya rendah atau tidak ada. Untuk pengguna

tingkat ini, penting untuk membatasi kata-kata yang digunakan dalam program

agar dapat cepat dipahami. Jumlah langkah penggunaan piranti lunak juga harus

sesedikit mungkin agar pengguna dapat melakukan tugas sederhana tanpa

masalah. Jika diperlukan, dapat dibuat panduan penggunaan program.

2) Knowledgeable intermittent users

Pengguna pada tingkat ini memiliki pengetahuan mengenai penggunaan dan

konsep piranti lunak yang bervariasi dan wawasan luas konsep antar muka,

namun masih kesulitan untuk menentukan struktur menu atau lokasi fitur

30

tertentu. Untuk mengurangi beban pada memori pengguna, sebaiknya dibuat

struktur menu, penggunaan istilah yang konsisten, dan desain antar muka yang

tampak dengan jelas.

3) Expert frequent users

Pengguna pada tingkat ini sudah mempunyai pengetahuan yang tinggi

mengenai konsep pekerjaan dan konsep antar muka. Pengguna tingkat ini

mencari cara pintas (shortcut) untuk menyelesaikan pekerjaan mereka lebih

cepat. Pengguna pada tingkat ini juga menginginkan waktu respon program yang

singkat, umpan balik (feedback) yang pendek dan tidak mengalihkan perhatian,

dan penggunaan cara singkat ataupun penggunaan macro yang dapat

mengerjakan beberapa perintah sekaligus.

B. Identify the tasks (kenali tugas yang akan dilakukan)

Setelah mengenali jenis pengguna, pembuat piranti lunak perlu mengenali jenis

tugas yang akan dikerjakan. Untuk langkah ini, diperlukan pemahaman mengenai

frekuensi pekerjaan tertentu beserta urutannya, beserta tugas apa saja yang tersedia

untuk dikerjakan. Sebaiknya aksi yang dapat dilakukan dikelompokkan menjadi

pekerjaan-pekerjaan yang tidak terlalu kecil, agar pengguna tidak perlu melakukan

terlalu banyak aksi untuk pekerjaan tingkat tinggi.

Terdapat 8 prinsip dasar untuk desain sebuah sistem yang disebut 8 Golden Rules of

interface design (Shneiderman, 1998:72-73) yang dapat diaplikasikan ke sebagian besar

sistem interaktif. Kedelapan prinsip ini adalah sebagai berikut.

31

1) Strive for consistency (berusaha mencapai konsistensi)

Konsisten dalam kesamaan terminologi dalam membuat menu, tampilan,

jenis hutuf, dan help screen. Selain itu konsisten dalam warna, kapitalitas, dan

tampilan adalah juga penting.

2) Cater to universal usability

Memungkinkan frequent users menggunakan shortcuts. Setelah para users

mulai tanggap dalam mengakses sebuah situs, maka users akan menginginkan

shortcut-shortcut yang mempercepat geraknya dalam pengaksesan situs tersebut.

3) Offer informative feedback (berikan umpan balik yang informatif)

Untuk setiap operator action, beberapa di antaranya harus mempunyai sistem

feedback. Untuk setiap tindakan yang sering dan sederhana, maka respon yang

diberikan juga sederhana, tetapi jika tindakan yang dilakukan jarang dan

termasuk dalam major actions, maka respon juga harus lebih substansial.

4) Design dialogs to yield closure (rancang dialog untuk keadaan sukses)

Bertujuan untuk membuat seorang user merasa aman dalam melakukan sebuah

tindakan dengan memberikan gambaran hasil akhir dari suatu pilihan, serta

pemberian banyak option kepada user sehingga dapat ikut mempengaruhi hasil

akhir.

5) Prevent errors (cegah kesalahan)

Suatu program harus dirancang agar kesalahan yang dibuat seorang user dapat

ditekan seminimal mungkin, dan pesan kesalahan yang dimunculkan harus dapat

dimengerti oleh user awam.

32

6) Permit easy reversal of actions (mengijinkan pembalikan aksi dengan

mudah)

Tindakan harus dapat dibalikkan menjadi keadaan sebelumnya sehingga

membuat user merasa aman karena ia tahu bahwa kesalahan yang dibuat dapat

diperbaiki.

7) Support internal locus of control (dukung pemakai menguasai sistem)

Membuat user merasa memegang kendali atas site tersebut. Kesulitan user

dalam menavigasi situs atau dalam mendapatkan data yang diinginkan akan

menimbulkan rasa tidak puas.

8) Reduce short-term memory load (kurangi beban memori jangka pendek)

Manusia hanya dapat mengingat tujuh info ditambah atau dikurang dua info

pada suatu waktu. Batasan ini berarti suatu program harus dibuat sesederhana

mungkin sehingga tidak membuat seorang pengguna bingung karena terlalu

banyak informasi.

C. Prevent errors (mencegah kesalahan)

Pencegahan kesalahan adalah hal yang sangat penting dalam pembuatan piranti

lunak, bagian ini memerlukan bagian tersendiri. Bahkan seorang analis

berpengalaman melakukan kesalahan di hampir setengah spreadsheet yang mereka

gunakan, bahkan saat spreadsheet tersebut digunakan untuk menggunakan keputusan

bisnis penting (Panko, 2008).

Salah satu langkah yang umum dilakukan pada tahap ini adalah memberi pesan error

yang informatif, dalam artian memberikan umpan balik ke pemakai berupa

kesalahan yang terjadi dalam bahasa yang mudah dimengerti beserta cara

penanggulangannya, jika memang kesalahan tersebut dapat diperbaiki oleh

33

pengguna. Cara yang lebih efektif adalah dengan membuat program sedemikian rupa

sehingga kemungkinan terjadi kesalahan diminimalisir atau ditiadakan.

2.6 Teori Perancangan Software

2.6.1 Rekayasa Piranti Lunak

Rekayasa Piranti Lunak (Software Development) adalah suatu disiplin ilmu yang

membahas semua aspek produksi perangkat lunak, mulai dari tahap awal yaitu analisis

kebutuhan pengguna, menentukan spesifikasi dari kebutuhan pengguna, disain,

pengkodean, pengujian sampai pemeliharaan sistem setelah digunakan. (O’Brien, 1999).

Istilah ini juga mengacu kepada pengkodean dan pemeliharaan source code sebuah

program, namun dengan cakupan yang lebih luas, yaitu mengikutsertakan semua hal

yang terlibat mulai dari tahapan konsep program yang ingin dibuat, sampai kepada tahap

manifestasi program tersebut dengan proses yang terencana dan terstruktur. Istilah

Software development dapat meliputi penelitian, pengembangan, pembuatan prototipe,

modifikasi, pemakaian ulang, pengkodean ulang, pemeliharaan, atau semua aktivitas lain

yang menghasilkan produk piranti lunak. Pembuatan piranti lunak dilakukan untuk

bermacam-macam tujuan. Tiga tujuan yang paling umum adalah memenuhi kriteria

spesifik yang diperlukan untuk keperluan bisnis/pelanggan, agar piranti lunak tersebut

dapat memenuhi kebutuhan pengguna potensial (potential user), dan penggunaan

pribadi.

Software development process (proses pembuatan software) adalah sebuah

struktur yang menekankan pada pembuatan sebuah produk piranti lunak. Ada beberapa

model yang dipakai untuk proses tersebut, yang masing-masing menjelaskan pendekatan

kepada tugas atau aktivitas yang dilakukan dalam proses tersebut.

34

Salah satu model yang cukup dikenal dalam dunia rekayasa perangkat lunak

adalah The Waterfall Model. Ada 5 tahapan utama dalam The Waterfall Model. Disebut

waterfall (berarti air terjun) karena memang diagram tahapan prosesnya mirip dengan air

terjun yang bertingkat. Tahapan-tahapan dalam The Waterfall Model secara ringkas

adalah sebagai berikut.

A. Tahap investigasi dilakukan untuk menentukan apakah terjadi suatu masalah atau

adakah peluang suatu sistem informasi dikembangkan. Pada tahapan ini studi

kelayakan dilakukan untuk menentukan apakah sistem informasi yang

dikembangkan merupakan solusi yang layak

B. Tahap analisis bertujuan untuk mencari kebutuhan pengguna dan organisasi serta

menganalisa kondisi yang ada (sebelum diterapkan sistem informasi yang baru).

C. Tahap disain bertujuan menentukan spesifikasi detil dari komponen-komponen

sistem informasi (manusia, hardware, software, network, dan data) dan produk-

produk informasi yang sesuai dengan hasil tahap analisis.

D. Tahap implementasi merupakan tahapan untuk mendapatkan atau

mengembangkan

hardware dan software (pengkodean program), melakukan pengujian, pelatihan

dan perpindahan ke sistem baru.

E. Tahapan perawatan (maintenance) dilakukan ketika sistem informasi sudah

dioperasikan. Pada tahapan ini dilakukan monitoring proses, evaluasi dan

perubahan (perbaikan) bila diperlukan.