Data Yang Digunakan Algoritma Flowchart Pelatihan Backpropagation

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