PARKINSON
Dewi Sukmana Putri ( 143114002 )
Mega Marsela Ito ( 143114010 )
Catur Wulan Puji H ( 143114024 )
Pokok-Pokok Yang Dipresentasikan
Pemikiran
Dasar
Metodologi
Hasil Dan Analisis
Pemikiran Dasar
Penyakit Parkinson ( PD ) adalah degeneratif gangguan dari sistem saraf
pusat yang sering merusak keterampilan motorik, berbicara , dan fungsi lainnya.
Penyakit Parkinson menyebabkan gangguan yang menyangkut kemampuan
untuk mengembangkan kemampuan rasional (akal) atau kognitif dan gangguan
mood (suasana hati) dan juga masih banyak kasus terkait lainnya.
Biasanya, diagnosis didasarkan pada riwayat medis dan pemeriksaan
neurologis yang dilakukan dengan mewawancarai dan mengamati pasien secara
pribadi menggunakan Unified Parkinson Disease Rating Scale (UPDRS).

Tujuan Penelitian
Penelitian ini yang bisa mendeteksi seseorang menderita PD atau tidak dari
rekaman suara.

Luaran Yang Dihasilkan
Dari data rekaman suara tersebut akan dibangun sistem klasifikasi jaringan syaraf
tiruan yang dapat mengidentifikasi apakah orang tersebut menderita penyakit
parkinson atau tidak. Sistem klasifikasi syaraf tiruan ini diharapkan dapat
memiliki akurasi yang baik dan cukup tinggi. Dari data ini terdapat satu luaran
dengan dua kelas sistem klasifikasi ini, yaitu (1) untuk orang yang menderita
penyakit PD dan (0) untuk orang yang sehat.
Manfaat Penelitian
Penelitian pada kasus ini semoga dapat bermanfaat bagi masyarakat sebagai
salah satu sumber belajar dari penerapan jaringan syaraf tiruan, dimana
digunakan untuk megidentifikasi data, cara berpikir, pengambilan keputusan dan
lain sebagainya.
Metodologi
Data

Judul
: Kumpulan Data penyakit Parkinson

Sumber

Jenis Data

Missing Values : tidak ada

Jumlah pasien : 32

Jumlah suara

Jumlah atribut : 23

Metode : Back – Propagation divariasi jumlah neuron dalam Hidden Layer, dan
fungsi aktivasinya.
: UCI Machine Learning
: Multivariat
: 195 per kolom
Tata Urutan Pelaksanaan

Membaca data

Proses data

1.
22 kolom pertama merupakan atribut, kolom ke 23 merupakan luaran .
2.
22 atribut pertama sebagai input untuk neural network
3.
Membagi data: data training, target/label training (2/3) dan data
testing, label testing (1/3).
Arsitektur jaringan
Menggunakan 1 hidden layer dan 1 output dengan fungsi aktivasi logsig dan
purelin.

Membentuk model JST

Menguji model

Membandingkan luaran dengan target
Hasil dan Analisis
neuron
Hidenlayer
Data
Data
diurut
acak
29
61.5385
95.3846
46
64.6154
96.9231
57
66.1538
90.7692
61
63.0769
95.3846
79
63.0769
90.7692
80
64.6154
95.3846
Kesimpulan

Akurasi yang baik diperoleh dengan menggunakan metode Back-Propagation dengan 1 hidden-layer
dan 46 neuron. Confusion matrix dari data tersebut adalah
3
2
0
60
Dengan akurasi 96.9231%.