bab iv implementasi dan evaluasi neural network...
Post on 28-Mar-2019
216 Views
Preview:
TRANSCRIPT
53
BAB IV
IMPLEMENTASI DAN EVALUASI NEURAL NETWORK PADA
DATA PASIEN DEMAM BERDARAH
Pada bab ini disajukan pengujian program aplikasi dan ahsil pengujiannya termasuk
spesifikasi komputer yang digunakan untuk menjalankan program aplikasi dengan 14
sample data. Parameter yang akan diuji adalah Alpha, dan Jumlah node pada hidden
layer. Sebelumnya akan dijelaskan terlebih dahulu sumber data apa saja yang akan
menjadi variable input.
4.1 Struktur Data
Tabel data yang akan digunakan pada aplikasi ini dapat dilihat pada halaman
lampiran. Variabel-variabel dari data yang diperoleh didefinisikan sebagai berikut:
1. Jenis kelamin
Adalah jenis kelamin dari pasien demam berdarah yaitu:
1 = Laki-laki
2 = Perempuan
2. Lama rawat
Adalah lamanya pasien dirawat di rumah sakit tersebut
3. Diagnosi
Adalah diagnosis awal, diagnosis yang dilakukan oleh dokter sewaktu pasien
pertama kali datang ke rumah sakit.
54
1 = DBD tingkat 1
2 = DBD tingkat 2
3 = DBD tingkat 3
4 = DBD tingkat 4
5 = Ensefalopati DBD
4. Diagno_a
Adalah diagnosis akhir, yaitu diagnosis yang dilakukan oleh dokter sewaktu
pasien terakhir di periksa.
5. Keadaan
Adalah keadaan pasien sewaktu meninggalkan rumah sakit
1 = Sembuh
2 = Tidak sembuh atau meninggal
6. lama_dem
Adalah lamanya demam sebelum pasien datang ke rumah sakit
7. Keluhan
Adalah keluhan lain pasien. Data ini berupa string sehingga susah untuk
diproses. Data ini sebenarnya dapat dikelompokan berdasarkan kesamaan,
namun kenyataannya berdasarkan ilmu kedokteran bahwa keluhan-keluhan
tersebut adalah keluhan yang bersifat sangat umum atau dengan kata lain
hampir selalu muncul jika seseorang mengalami demam.
8. Dbd_dise
Adalah ada atau tidaknya orang lain yang tinggal disekitar tempat tinggal
pasien yang juga mengalami DBD.
1 = (+), ada orang lain yang menderita DBD disekitar tempat
tinggal pasien
55
2 = (-), ada orang lain yang menderita DBD disekitar tempat
tinggal pasien
9. Bb dan tb
Adalah berat badan dan tinggi badan pasien. Suatu prosedur umum untuk
orang yang dicurigai menderita DBD.
10. Status_g
Adalah status gizi, ukuran dalam ilmu kedokteran untuk ukuran gizi seseorang
berdasarkan perhitungan antara Bb dan Tb.
1 = baik
2 = cukup
3 = kurang
4 = lebih
11. Kesadaran
Adalah suatu ukuran untuk menentukan tingkat kesadaran seorang pasien
DBD. Data diperoleh pada pemeriksaan awal atau sewaktu pasien datang
pertama kali ke rumah sakit.
1 = sadar, berarti pasien masih dapat dalam keadaan yang baik
2 = gelisah, pasien dapat diajak bicara namun sudah tidak
konsentrasi lagi
3 = apatis, keadaan seperti orang mengantuk
4 = somnolen, keadaan tidur namun dapat dibangunkan dengan rasa
sakit
5 = sopor, pingsan
12. Suhu_tti
Adalah suhu tertinggi pasien selama berada di rumah sakit.
56
13. Tekanan
Adalah tekanan darah pasien
14. Nadi
Adalah pengukuran terhadap nadi pasien. Pemeriksaan dilakukan dengan
meraba daerah di sekitar pergelangan tangan pasien tersebut.
1 = cukup, teraba dengan baik
2 = halus, teraba tapi terasa lemah
3 = kurang, nyaris tak terasa
15. Hepatome
Adalah hepatomegali, yaitu pembesaran hati (hepar). Umumnya pemeriksaan
hanya dilakukan dengan meraba daerah sekitar perut namun untuk beberapa
kondisi pemeriksaan dapat dilakukan dengan rontgen.
1 = (+), sewaktu diraba terasa ada perbesaran hati
2 = (-), tidak ada perbesaran hati
16. Perdarah
Adalah perdarahan, yaitu perdarahan yang terjadi pada pasien.
1 = RL, perdarahan yang kelihatan seperti bintik-bintik merah
2 = Ptekie, bintik merah pada tubuh seperti gigitan nyamuk
3 = Epistaksis, yaitu mimisan
4 = Hematemesis, yaitu muntah darah
5 = Melena, yaitu berak darah
17. Akral
Adalah tangan dan kaki. Pada pasien yang dicurigai menderita demam
berdarah salah satu prosedur pemeriksaannya adalah dengan meraba telapak
57
tangan dan telapak kaki pasien dengan memeriksa hangat atau tidaknya bagian
tersebut.
18. Perfusi
Adalah menilai aliran baik atau buruknya aliran darah ke akral. Caranya
dengan menekan ibu jari pasien dengan jari tangan lain kemudian dilepaskan
dan dilihat perubahan warnanya. Jika dalam hitungan pertama langsung
kembali normal maka dikatakan baik, pada hitungan kedua sampai ketiga
kurang dan diatas hitungan ketiga dikatakan buruk.
19. Hb
Adalah haemoglobin. Yaitu jumlah haemoglobin dalam darah, satuannya
gr/dL. Nilai Hb normal seorang manusia adalah 13gr/dL – 14gr/dL.
20. Leukosit
Adalah jumlah sel darah putih dalam darah pasien saat masuk rumah sakit.
Untuk kondisi normal setiap 1 mm3 darah mengandung 5000-10.000 sel darah
putih
21. Hematokr
Adalah hematokrit, yaitu kadar kekentalan darah. Nilai normal 37%-43%.
Seseorang dapat dikategorikan menderita demam berdarah jika hematokritnya
di atas nilai tersebut. Hematokrit yang ada pada tabel adalah hematokrit
tertinggi pasien selama di rumah sakit.
22. Hemakons
Adalah hemakonsentrasi, yaitu persentasi kenaikan hematokrit. Jika kenaikan
hemakonsentrasi seseorang di atas 45% maka dapat dikatakan orang tersebut
menderita DBD.
58
23. Trombosit
Fungsi dari trombosit adalah menghasilkan sel darah merah. Jumlah normal
trombosit pada manusia adalah 15000-400000.
24. Rothorak
Adalah rontgen thorak, yaitu pemeriksaan rontgen pada paru-paru pasien. Jika
dilihat ada cairan di paru-paru pasien maka dapat dikategorikan pasien
menderita DBD.
25. IgM dan IgG
Adalah imonuglobulin M dan Imonuglobulin G, yaitu suatu zat dalam tubuh
yang antibodi.
Dari variabel-variabel tersebut, variabel keadaan dijadikan variabel respon
yaitu variabel yang akan diprediksi dan variabel-variabel yang lain dijadikan variabel
prediktor.
Seperti sudah diterangkan di atas bahwa ada 1 variabel respon dan 25 variabel
prediktor namun penulis hanya akan menggunakan 8 variable prediktor, yaitu
diagnosis, lama demam, kesadaran, nadi, perdarahan, akral dan rontgen thorak.
Penjelasan pemilihan variabel tersebut akan dijelaskan pada sub bab berikutnya.
4.2 Prosedur Analisis Data
Dengan menggunakan crosstab akan dilihat hubungan antara variabel respon
dengan variabel-variabel prediktor. Hasil dari crosstab dan variabel-variabel yang
signifikan akan digunakan sebagai variabel prediktor dalam neural network dengan
tingkat signifikansi α = 0,125.
59
Variabel nadi, akral, dan rontgen thorak yang akan digunakan dalam neural
network didasarkan pada nilai yang sebenarnya. Sedangkan variabel penyakit lain
dan diagnosa didasrkan pada data yang sudah dikategorikan. Dari data dengan 145
sampel random dibagi menjadi dua contoh sampel, yaitu sampel training dan sampel
testing.
Model network yang digunakan terdiri dari tiga komponen, yaitu: input layer,
hidden layer dan output layer. Dalam hal ini fungsi aktivasi yang digunakan adalah
fungsi aktivasi sigmoid logistic.
4.2.1 Hasil analisis data
No variabel Metode Signifikasi 1 Jenis kelamin Pearson Chi-Square 0.18 2 Diagnosis Pearson Chi-Square 0.000 3 Lama demam Pearson Chi-Square 0.038 4 Dbd disekitar Pearson Chi-Square 0.528 5 status gizi Pearson Chi-Square 0.937 6 kesadaran Pearson Chi-Square 0.000 7 nadi Pearson Chi-Square 0.000 8 hepatomegali Pearson Chi-Square 0.617 9 perdarahan Pearson Chi-Square 0.123 10 akral Pearson Chi-Square 0.001 11 perfusi Pearson Chi-Square 0.006 12 Hb Pearson Chi-Square 0.395 13 Leukosit Pearson Chi-Square 0.380 14 Rontgen Thorak Pearson Chi-Square 0.008 15 Igm Pearson Chi-Square 0.603 16 Igg Pearson Chi-Square 0.666
Tabel 4.1 Hasil Crosstabs
Dapat dilihat dari data tabel ini bahwa variabel-variabel yang memenuhi
kriteria signifikansi α = 0,125 adalah diagnosis, lama demam, kesadaran, nadi,
perdarahan, akral, perfusi, rontgen thorak. Sedangkan variabel yang tidak masuk
seperti lama rawat, diagnosis akhir, suhu tertinggi, hematokrit dan
60
hemakonsentrasi dikarenakan nilai-nilai yang diperoleh adalah setelah pasien
dirawat di rumah sakit.
Sehingga dapat disimpulkan:
1. Dari 25 variabel yang diperoleh, satu variabel respon yaitu variabel status
diprediksi berdasarkan 24 variabel prediktor.
2. Karena neural network tidak dapat digunakan untuk menentukan
variabel-variabel yang signifikan memprediksi variabel respon, maka
digunakan bantuan crosstab untuk mendapatkan variabel-variabel yang
signifikan memprediksi variabel respon.
3. Dari hasil crosstab didapat 8 varabel prediktor yaitu diagnosis, lama
demam, kesadaran, nadi, perdarahan, akral, perfusi, rontgen thorak.
4.3 Implementasi
4.3.1 Implementasi Perangkat Keras
Program aplikasi peramalan kesembuhan pasien demam berdarah dengan
algoritma Backpropagation ini diuji pada computer dengan spesifikasi sebagai
berikut:
a. Processor: Intel Pentium 4 2.4 GHz.
b. Memory: 256MB
c. Hard Disk: 438Kbytes (application only)
d. Monitor: 14” (resolusi 800 x 600)
Untuk tahap inplementasi spesifikasi hardware di atas dipenuhi, dan lebih
baik lagi jika ditingkatkan. Spesifikasi hardware yang dianjurkan:
61
4.3.2 Implementasi Perangkat Lunak
Aplikasi data dibuat dengan menggunakan Borland Delphi 6 dengan
Microsoft Windows XP sebagai operating sistemnya. Dengan demikian, semua
data hasil pengujian yang disajikan dalam bab ini adalah hasil pengujian dengan
menggunakan perangkat keras dan perangkat lunak dengan spesifikasi seperti
yang disebutkan di atas.
4.3.3 Implementasi Program Aplikasi
Cara kerja program aplikasi yaitu pada tampilan awal program user
diperbolehkan untuk mengubah nilai alpha, nilai target error (yaitu nilai maksimal
error yang diinginkan) dan jumlah node pada hidden layer.
Gambar 4.1 Tampilan Awal Program
62
Jika sudah mengubah nilai-nilai tersebut atau tidak mengubahnya sama sekali dengan
menggunakan nilai default maka user diarahkan untuk meload data dari database
dengan menekan tombol Add Training Pair.
Gambar 4.2 Load Data From File
Apabila user sudah meload data yang diinginkan maka akan program kembali
ke layar utama. Perbedaan layar sebelum dan setelah menekan tombol “Add Training
Pair” adalah pada tombol “Add Training Pair” dan tombol “Training”. Pada gambar
akan terlihat bahwa tombol “Add Training Pair” tidak diaktifkan sehingga user tidak
akan melakukan kesalahan dalam penekanan tombol. Sedangkan yang sudah
diaktifkan adalah tombol training.
63
Gambar 4.3 Setelah load data from file
Sekarang user sudah diarahkan untuk menekan tombol “Training” untuk mulai
melakukan training, namun jika user ingin me-load data yang berbeda dari file maka
user harus menekan tombol “File”-“New”.
64
Gambar 4.4 Pilihan Jumlah node hidden layer
Karena aplikasi ini bersifat penelitian maka penulis menyediakan pilihan
untuk user mengubah nilai alpha dan jumlah node hidden layer. Nilai default yang
diberikan oleh penulis adalah 0.5 untuk alfa dan 7 hidden layer.
65
Gambar 4.5 New
Ketika user melakukan training maka timer akan mulai berjalan menghitung
berapa lama proses ini berjalan. Salah satu alasan mengapa penulis memakai
pendekatan nilai target error 0.14 adalah karena lamanya proses yang dilakukan jika
nilai diatas nilai tersebut. Hal itu disebabkan karena pada aplikasi neural network
nilai weight yang digunakan sewaktu setiap kali training akan berbeda-beda sebab
setiap aplikasi dijalankan maka program akan membangkitkan kembali nilai acak
untuk weight sewaktu training. Gambar diatas adalah pilihan “New” jika user ingin
melakukan training ulang
66
Gambar 4.6 Setelah melakukan training
Gambar di atas menjelaskan bahwa user melakukan training dengan nilai
α=0.5 dan jumlah node pada hidden layer sebanyak 7 node. Sedangkan waktu yang
tercatat adalah 1.125 detik. Sekarang kolom-kolom input sudah diaktifkan dan user
diarahkan untuk menekan tombol “Simulate”.
67
Gambar 4.7 Setelah Simulasi
Setelah diberi nilai pada kolom inputan maka user tinggal menekan tombol
“Simulate” untuk melakukan simulasi. Setelah melakukan simulasi program akan
memberikan keterangan bahwa program telah selesai melakukan simulasi.
Pada gambar diatas kolom output memberikan nilai output = -0.999561402 hal
ini berarti harus dilakukan penangan yang lebih intensif terhadap pasien karena
kemungkinan pasien keadaannya akan memburuk yang akan membawa kepada
kematian.
68
4.4 Evaluasi
4.4.1 Waktu Training
Seperti yang sudah disebutkan bahwa setiap user mengulang melakukan
training maka akan dibangkitkan nilai acak yang baru bagi weight akibatnya
waktu setiap training akan berbeda. Oleh karena itu penulis mencoba berbagai
kombinasi antara nilai alfa, jumlah node hidden layer dan nilai target error.
Percobaan α node hidden
layer target error I II 1 0.1 2 0.13 unfinish unfinish 2 0.1 3 0.13 unfinish unfinish 3 0.1 4 0.13 unfinish unfinish 4 0.1 5 0.13 unfinish unfinish 5 0.1 6 0.13 unfinish unfinish 6 0.1 7 0.13 3.125 59.001 7 0.2 2 0.13 unfinish unfinish 8 0.2 3 0.13 unfinish unfinish 9 0.2 4 0.13 unfinish unfinish
10 0.2 5 0.13 unfinish unfinish 11 0.2 6 0.13 unfinish unfinish 12 0.2 7 0.13 unfinish unfinish 13 0.3 2 0.13 unfinish unfinish 14 0.3 3 0.13 unfinish unfinish 15 0.3 4 0.13 unfinish unfinish 16 0.3 5 0.13 unfinish unfinish 17 0.3 6 0.13 unfinish unfinish 18 0.3 7 0.13 1.244 unfinish 19 0.4 2 0.13 unfinish unfinish 20 0.4 3 0.13 unfinish unfinish 21 0.4 4 0.13 unfinish unfinish 22 0.4 5 0.13 unfinish unfinish 23 0.4 6 0.13 unfinish unfinish 24 0.4 7 0.13 unfinish 2’ 18.128 25 0.5 2 0.13 unfinish unfinish 26 0.5 3 0.13 unfinish unfinish 27 0.5 4 0.13 unfinish unfinish 28 0.5 5 0.13 unfinish unfinish 29 0.5 6 0.13 unfinish unfinish 30 0.5 7 0.13 3.61 unfinish
69
Percobaan α node hidden
layer target error I II
31 0.1 2 0.14 1.574 0.884 32 0.1 3 0.14 3.848 0.235 33 0.1 4 0.14 unfinish 5.337 34 0.1 5 0.14 12.857 1.019 35 0.1 6 0.14 0.985 0.321 36 0.1 7 0.14 1.669 0.762 37 0.2 2 0.14 1.209 0.149 38 0.2 3 0.14 0.164 unfinish 39 0.2 4 0.14 unfinish unfinish 40 0.2 5 0.14 54.008 2.218 41 0.2 6 0.14 3.895 0.273 42 0.2 7 0.14 8.157 0.995 43 0.3 2 0.14 0.132 3.649 44 0.3 3 0.14 0.852 0.241 45 0.3 4 0.14 2.227 unfinish 46 0.3 5 0.14 2.905 unfinish 47 0.3 6 0.14 13.696 7.778 48 0.3 7 0.14 8.348 0.653 49 0.4 2 0.14 2.411 1.151 50 0.4 3 0.14 0.682 0.985 51 0.4 4 0.14 0.733 0.623 52 0.4 5 0.14 0.718 0.748 53 0.4 6 0.14 0.233 0.377 54 0.4 7 0.14 0.249 0.394 55 0.5 2 0.14 0.269 0.586 56 0.5 3 0.14 1.389 0.401 57 0.5 4 0.14 0.687 0.871 58 0.5 5 0.14 0.41 0.463 59 0.5 6 0.14 1.005 0.904 60 0.5 7 0.14 0.235 0.216
Tabel 4.2 Hasil training
Dari 120 hasil percobaan diatas maka dapat disimpulkan pendekatan nilai
target error yang dapat digunakan adalah 0.14. Hasil di atas semuanya dalam detik
kecuali pada percobaan yang ke-24 yaitu 2 menit 18.128 detik. Sedangkan “unfinish”
berarti percobaan tersebut tidak akan pernah mencapai nilai minimum error yang
70
diinginkan. Hal itu disebabkan selisih error yang semakin kecil sehingga
pengurangan error dengan selisihnya akan semakin kecil pula.
4.4.2 Hasil Learning
Untuk melakukan learning penulis hanya akan mencoba melakukan
kombinasi antara alfa 0.5 dengan jumlah node hidden atau 7. Hal ini dilakukan
karena adanya kesulitan untuk mencoba semua kombinasi dengan jumlah data
learning yang berjumlah 20, sebab jika hal ini dilakukan maka akan ada: 60
kombinasi x 20 data learning = 1200 hasil learning.
71
No diagnosis lama kesadaran nadi perdarahan akral perfusi rontgen output hasil demam thorak learning 1 4 6 3 0 4 1 1 -1 1 0.514377732 2 4 3 2 0 4 -1 0 -1 -1 -0.791516796 3 4 5 4 -1 2 -1 0 1 -1 -0.993167937 4 4 5 2 1 4 -1 1 1 -1 -0.999993462 5 4 3 3 1 4 -1 1 -1 -1 -0.987651698 6 2 3 3 1 4 -1 1 1 1 0.682834555 7 4 4 3 1 3 -1 1 1 1 -0.999836971 8 2 4 3 0 2 -1 -1 1 1 0.999999999 9 2 5 1 1 2 1 0 1 1 0.999989586
10 4 5 1 1 0 -1 0 1 1 0.999985944 11 3 4 2 1 4 -1 1 1 1 0.012916402 12 3 4 2 0 4 1 -1 -1 1 0.999830724 13 4 5 2 0 3 1 0 -1 -1 -0.887970365 14 3 5 -1 -1 3 -1 0 -1 -1 -0.328169886 15 2 5 2 0 2 -1 1 1 1 0.999994853
Tabel 4.3 hasil learning
72
Dari hasil percobaan dapat dilihat bahwa terdapat 1 kali percobaan yang
menghasilkan output yang berbeda dari yang seharusnya yaitu pada percobaan ke-
7 sehingga hasil ketelitian dari aplikasi ini adalah 14 dari 15 percobaan atau
93.33% tingkat ketelitian.
top related