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.