BAB 3 METODE PENELITIAN
3.1 Data Yang Digunakan
Berikut ini adalah data gejala-gejala yang diderita oleh pasien yang mengalami penyakit ginjal, sebagai berikut:
Tabel 3.1 Gejala-Gejala Penyakit Ginjal No
Nama Gejala 1
Berkurangnya rasa, terutama di tangan 2
Darah pada urine hematuria 3
Demam 4
Desakan untuk kencing 5
Kejang 6
Kencing di malan hari nokturia 7
Menggigil 8
Mual 9
Mudah lelah 10
Muntah 11
Napsu makan menurun
Universitas Sumatera Utara
12 Nanah pada urine hematuria
13 Nyeri pada tulang pinggul
14 Nyeri di daerah kandung kemih
15 Nyeri di daerah ginjal
16 Nyeri ketika kencing disuria
17 Nyeri perut
18 Nyeri punggung di bagian bawah
19 Nyeri yang hilang timbul
20 Pembengkakan organ tubuh tertentu
21 Pembengkakan yang menyeluruh
22 Penurunan berat badan
23 Perubahan mentalsuasana hati
24 Rambut dan kuku menjadi rapuh
25 Ruam kulitkulit kemerahan
26 Sering kencing
27 Syok dan kaget
28 Tekanan darah tinggihipertensi
29 Temor tangan
30 Volume air kencing berkurang
Sumber: Lubis, Abdul Rahim, dr., SpPD.KGH, 2013
Universitas Sumatera Utara
Berikut ini adalah daftar nama penyakit ginjal yang diderita oleh pasien penyakit ginjal, sebagai berikut:
Tabel 3.2 Nama Penyakit Ginjal No
Nama Penyakit Ginjal 1
Gagal Ginjal Akut 2
Kanker Ginjal 3
Pielonefritis 4
Sindrom Nefrotik 5
Kejang 6
Hidronefrosis 7
Kanker Kandung Kemih 8
Ginjal Polkista 9
Nefritis Tububinter Stisialis 10
Sistisis Sumber: Lubis, Abdul Rahim, dr., SpPD.KGH, 2013
3.2 Pendefinisian Input dan Output
Data gejala-gejala yang dialami oleh pasien penyakit ginjal selanjutnya akan diolah oleh jaringan. Agar data dapat dikenali oleh jaringan maka data harus
direpresentasikan ke dalam bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya yang merupakan masukan gejala penyakit ginjal beserta kategori dan
Universitas Sumatera Utara
keluaran yang merupakan prediksi panyakit ginjal. Hal ini dikarenakan jaringan menggunakan fungsi aktivasi logsig yang range-nya dari 0 sampai 1. Nilai-nilai yang
digunakan diperoleh berdasarkan kategori dari masing-masing variabel selain itu juga untuk memudahkan mengingat dalam pendefinisiannya.
3.2.1 Masukan Input
Adapun yang menjadi masukan input adalah gejala penyakit ginjal X, seperti terlihat pada Tabel 3.3.
Tabel 3.3 Tabel Pendefenisian Input No
Gejala X X1
Berkurangnya rasa, terutama di tangan X2
Darah pada urine hematuria X3
Demam X4
Desakan untuk kencing X5
Kejang X6
Kencing di malan hari nokturia X7
Menggigil X8
Mual X9
Mudah lelah X10 Muntah
X11 Napsu makan menurun
Universitas Sumatera Utara
X12 Nanah pada urine hematuria X13 Nyeri pada tulang pinggul
X14 Nyeri di daerah kandung kemih X15 Nyeri di daerah ginjal
X16 Nyeri ketika kencing disuria X17 Nyeri perut
X18 Nyeri punggung di bagian bawah X19 Nyeri yang hilang timbul
X20 Pembengkakan organ tubuh tertentu X21 Pembengkakan yang menyeluruh
X22 Penurunan berat badan X23 Perubahan mentalsuasana hati
X24 Rambut dan kuku menjadi rapuh X25 Ruam kulitkulit kemerahan
X26 Sering kencing X27 Syok dan kaget
X28 Tekanan darah tinggihipertensi X29 Temor tangan
X30 Volume air kencing berkurang Sumber: Lubis, Abdul Rahim, dr., SpPD.KGH, 2013
Universitas Sumatera Utara
3.2.2 Keluaran Output
Adapun yang menjadi hasil output adalah pengenalan terhadap penyakit ginjal berdasarkan gejala penyakit, seperti terlihat pada tabel berikut.
Tabel 3.4 Tabel Pendefenisian Keluaran Output Nama Penyakit Y
Y1 Gagal Ginjal Akut
Y2 Kanker Ginjal
Y3 Pielonefritis
Y4 Sindrom Nefrotik
Y5 Kejang
Y6 Hidronefrosis
Y7 Kanker Kandung Kemih
Y8 Ginjal Polkista
Y9 Nefritis Tububinter Stisialis
Y10 Sistisis
Sumber: Lubis, Abdul Rahim, dr., SpPD.KGH, 2013
Universitas Sumatera Utara
3.3 Algoritma
Berikut ini adalah langkah-langka penyelesaian masalah atau algoritma yang penulis gunakan dalam bentuk diagram alir Flowchart.
a. Flowchart Pelatihan Backpropagation
Adapun Flowchart dari Pelatihan Backpropagation adalah sebagai berikut:
Gambar 3.1 Flowchart Algoritma Pelatihan Backpropagation
Start
Parameter Jaringan,Vektor Input
A Nguyen
Widrow ?
Inisialisasi Bobot dengan Faktor
Skala ßß = 0 7p
1n
Yes No
Inisialisasi Bobot Secara Acak
Universitas Sumatera Utara
Gambar 3.2 Flowchart Algoritma Pelatihan Backpropagation Lanjutan
Setiap input meneruskan ke hidden layer
Jalankan fungsi aktifasi untuk menghitung output
�
����
= �
�0
+ � �
�
�
�� �
�
Hitung input bobotnya
Hitung komponen perubahan bobot
δ
∆
Hitung komponen Bias
w δ
α =
∆
Setiap neuron hidden menjumlahkan input dari neuron diatasnya
∑
=
m jk
k j
w in
_
δ δ
A
Propagasi Maju
Hitung komponen error
δ f’
Propagasi Mundur
B X
Universitas Sumatera Utara
Gambar 3.3 Flowchart Algoritma Pelatihan Backpropagation Lanjutan
Keterangan Flowchart : 1. Mulai
2. Masukkan bobot awal 3. Setiap masukan meneruskan ke hidden layer
Hitung komponen error _
_
j j
j
in z
f in
δ δ =
Hitung komponen koreksi errornya untuk mengubah v
ij
∑
+ =
jk j
ok k
w z
w in
y
Hitung komponen koreksi errornya untuk mengubah v
0j
Hitung semua perubahan bobot menuju ke unit keluaran
b l
Δ
Perubahan bobot
Stop
B
Kondisi Stop ?
Yes
X
No
Universitas Sumatera Utara
4. Kerjakan fungsi aktifasi untuk menghitung output 5. Kerjakan untuk menghitung komponen error
6. Kerjakan untuk menghitung komponen perubahan bobot 7. Kerjakan untuk menghitung komponen bias
8. Kerjakan untuk setiap neuron hidden menjumlahkan input dari neuron diatasnya 9. Kerjakan untuk menghitung komponen errornya
10. Kerjakan untuk menghitung koreksi error untuk mengubah V 11. Kerjakan untuk menghitung koreksi error untuk mengubah V
ij
12. Kerjakan untuk menghitung semua perubahan bobot menuju ke unit keluaran
oj
13. Kerjakan untuk menghitung semua perubahan bobot menuju ke unit keluaran 14. Selesai
b. Flowchart Pengujian Backpropagation