Pendekatan Algoritma Heuristik dan Neural Network untuk Screening Test pada Urinalysis
Pendekatan Algoritma Heuristik dan Neural Network
untuk Screening Test pada Urinalysis
Abidatul Izzah1), R.V. Hari Ginardi2), Ahmad Saikhu3)
Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya
1)[email protected], 2)[email protected], 3)[email protected]
ABSTRAK
Uji makro kandungan urin menggunakan dipstick urin telah
dimanfaatkan untuk mengetahui potensi penyakit yang diderita
oleh seorang pasien. Namun, pembacaan hasil tes dipstick urin
masih sulit dipahami oleh sebagian masyarakat. Oleh karena
itu perlu adanya suatu alat bantu untuk memberi informasi dari
hasil yang diperoleh dipstick urin. Pada makalah ini, digunakan
suatu metode yang mampu memberikan sebuah indikasi sebagai
hasil screening test dari dipstick urin menggunakan pendekatan
komputasi cerdas. Metode yang digunakan pada makalah ini
adalah algoritma heuristik Gravitational Search Algorithm
(GSA) dan Artificial Neural Network (ANN). GSA digunakan
sebagai algoritma pembelajaran sehingga diperoleh kombinasi
bobot dan bias pada arsitektur ANN. Digunakan pula operator
disruption untuk menghindari konvergensi dini sebagai
kekurangan yang dimiliko oleh GSA. Metode ini
diimplementasikan untuk melakukan screening test pada
penyakit Infeksi Saluran Kemih (ISK) pada data urinalysis dari
90 pasien. Data ini diperoleh dari hasil pemeriksaan urinalysis
di Laboratorium Klinik Utama Popular, Surabaya sejak Januari
2012 sampai dengan September 2013. Hasil yang diperoleh
menunjukkan bahwa dengan menggunakan metode yang
diusulkan dapat memberikan hasil yang lebih baik daripada
metode pembandingnya dengan nilai sensivitas dan spesifisitas
yang menghasilkan nilai sebesar 100% dan sebesar 77%.
Kata Kunci
Gravitational Search Algorithm, Artificial Neural Network,
Urinalysis, Disruption
1. PENDAHULUAN
Pemeriksaan kesehatan berdasarkan urin atau yang sering
disebut dengan urinalysis berdasarkan pada kandungan urin
dapat menunjukkan potensi kelainan pada pasien. Variasi warna
urin dapat disebabkan oleh jenis makanan atau obat yang
dikonsumsi oleh pasien. Beberapa manfaat urinalysis adalah
dapat digunakan untuk mengetahui adanya potensi gangguan
hati, diabetes mellitus, infeksi pada ginjal atau saluran kemih.
Uji urinalysis terdiri dari dua macam, yaitu uji makroskopik dan
uji mikroskopik. Tes mikroskopik dilakukan dengan memutar
(centrifuge) urin lalu mengamati endapan urin di bawah
mikroskop. Sedangkan tes makroskopik dilakukan dengan cara
visual yakni, pemeriksaan urin meliputi penaksiran dari
kenampakan, bau, keadaan, dan fisik. Saat ini metode paling
umum pada urinalysis adalah uji menggunakan dipstick urin.
Uji ini dapat menunjukkan rentang kandungan kimia yang ada
pada urin. Uji ini menggunakan reagen strip yang dicelupkan ke
dalam urin lalu mengamati perubahan warna yang terjadi pada
strip dan membandingkannya dengan grafik warna standar. Dari
pengujian ini diperoleh sepuluh zat yang dikandung urin antara
lain pH, berat jenis, glukosa, protein, bilirubin, urobilinogen,
darah, keton, nitrit, dan lekosit. Dengan melakukan uji
urinalysis menggunakan dipstick ini, pasien akan memperoleh
nilai kandungan zat pada urin namun terkadang tidak
mengetahui makna dari nilai yang ditunjukkan. Jika pasien
mengetahui bahwa kondisi urin memiliki kecenderungan
abnormal, maka pasien bisa merubah dan memperbaiki pola
hidup.
Penelitian tentang pemanfaatan dipstick urin untuk
mengindikasikan suatu penyakit yang diderita pasien telah
banyak dilakukan. Salah satunya adalah dipstick sebagai
diagnosis untuk trypsin inhibitor (urinstatin) pada urin dan
plasma pasien yang terinfeksi saluran kemih (Pugia, 2004).
Pemeriksaan awal menggunakan dipstick urin sangat membantu
untuk mengetahui apakah pasien perlu melakukan pemeriksaan
tambahan. Namun, penerjemahan hasil kenampakan warna
dipstick urin masih sulit dipahami oleh para penggunanya.
Oleh karena itu diperlukan sebuah alat bantu untuk
menerjemahkan hasil pemeriksaan dipstick urin.
Di sisi lain, berkembangnya ilmu pengetahuan dan teknologi di
bidang analisis data dapat dimanfaatkan dalam bidang
kesehatan dalam pengambilan sistem pendukung keputusan.
Data Mining (DM) adalah suatu disiplin ilmu yang melakukan
pendekatan dalam analisis data dan penemuan informasi pada
dataset yang kompleks (Yeh, 2012). Salah satu permasalahan
yang dapat diatasi dalam pengolahan data adalah pemberian
label dalam mendeskripsikan analisis komputasi yakni
klasifikasi. Klasifikasi data merupakan proses pelabelan pada
suatu dataset berdasarkan pembelajaran pada dataset
sebelumnya (Mastrogiannis dkk, 2009). Metode yang
digunakan untuk klasifikasi salah satunya adalah Neural
Network (ANN). ANN adalah algoritma yang diinspirasi dari
sistem syaraf manusia, dimana sistem syaraf manusia terdiri
dari beberapa neuron yang menerima rangsangan dari luar
tubuh untuk diteruskan menuju otak melalui dendrit. Algoritma
ini merupakan algoritma supervised learning yang yang banyak
digunakan dalam memecahkan permasalahan linear maupun
non linear (Dias dkk, 2004). Di samping itu algoritma heuristik
sebagai algoritma pencarian juga mengalami perkembangan
yang pesat, salah satunya ditemukan Gravitational Search
Algorithm (GSA) yakni algoritma yang diinspirasi dari hukum
gravitasi dan hukum perpindahan benda menuju pada posisi
seimbang. Sebagai algoritma heuristik, GSA memiliki
kemampuan yang bagus dalam pencarian global. Namun jika
konvergensi terlalu dini terjadi, algoritma ini kehilangan
kemampuannya dalam pencarian (Sarafrazi, 2011). Untuk
memperbaiki kemampuan GSA ditambahkan sebuah operator
baru yakni disruption untuk lebih mengeksplorasi solusi yang
didapatkan oleh GSA. Izzah (2013) telah melakukan uji coba
pada GSA dengan penambahan operator disruption sebagai
metode pembelajaran pada ANN untuk klasifikasi data. Hasil
yang diperoleh menunjukkan bahwa metode ini memberikan
hasil yang lebih baik daripada ANN dengan pembelajaran GSA
(ANN-GSA) dan
ANN dengan pembelajaran Genetic
Algorithm (ANN-GA).
Paper ini bertujuan untuk melakukan klasifikasi data urinalysis
menggunakan metode ANN dengan pembelajaran GSA dan
disruption. Klasifikasi pada data urinalysis dapat digunakan
Jurnal Cybermatika | Vol. 1 No. 2 | Desember 2013 | Artikel 6
29
sebagai screening test pada uji dipstick urin sehingga pasien
dapat mengetahui apakah ia memiliki potensi mengidap
penyakit Infeksi Saluran Kemih (ISK).
2. LANDASAN TEORI
2.1 Uji Urinalysis
Urine analysis (analisa terhadap kandungan urin) merupakan
salah satu tes klinis yang paling sering dilakukan pada dunia
pediatri. Hal ini didasari pada kemudahan pengumpulan urin
dan kesederhanaan prosedur tes yang harus dilakukan (Whiting,
2006). Tes urin dapat digunakan untuk mendeteksi beberapa
gangguan kesehatan. Deteksi ini dilakukan dengan menganalisa
kandungan kimia yang terdapat pada urin. Beberapa kandungan
kimia yang umum dianalisa adalah kandungan darah, protein,
glukosa, leukosit esterase, nitrit, dan β-HCG. Beberapa
kandungan lain juga dianalisa namun jarang dilakukan adalah
kandungan keton, urobilin, bilirubin, berat jenis, dan pH
(Barrat, 2007). Pada uji urinalysis menggunakan reagent strips,
sepuluh kandungan urin yang terdeteksi antara lain: berat jenis,
pH, leukosit, hemoglobin, nitrit, keton, bilirubin, urobilinogen,
protein, dan glukosa. Warna yang dihasilkan oleh dipstick akan
dibandingkan dengan urin chart sehingga dapat diperoleh
estimasi nilai dari masing-masing warna. Gambar 1
memperlihatkan chart warna yang dihasilkan saat melakukan
tes makroskopis urinalysis.
Gambar 1. Bagan Warna Dipstick Urinalysis
Beberapa manfaat urinalysis adalah dapat digunakan untuk
mengetahui adanya potensi gangguan hati, diabetes mellitus,
infeksi pada ginjal atau saluran kemih. Infeksi saluran kemih
adalah infeksi yang terjadi di sepanjang jalan saluran kemih,
termasuk ginjal itu sendiri akibat proliferasi suatu
mikroorganisme. Untuk menyatakan adanya infeksi saluran
kemih harus ditemukan bakteri di dalam urin. Suatu infeksi
dapat dikatakan jika terdapat 100.000 atau lebih bakteri/ml urin,
namun jika hanya terdapat 10.000 atau kurang bakteri/ml urin,
hal
itu
menunjukkan
bahwa
adanya
kontaminasi
bakteri.Bakteriuria bermakna yang disertai gejala pada saluran
kemih disebut bakteriuria bergejala. Sedangkan yang tanpa
gejala disebut bakteriuria tanpa gejala.
Dalam pemeriksaan laboratorium, pasien yang berpotensi
mengidap ISK dapat dilihat dari hasil urinalisis yang meliputi
“Leukosuria” (ditemukannya leukosit dalam urin) dimana
dinyatakan positif jika terdapat 5 atau lebih leukosit (sel darah
putih) per lapangan pandang dalam sedimen urin dan
“Hematuria” (ditemukannya eritrosit dalam urin) yakni
petunjuk adanya infeksi saluran kemih jika ditemukan eritrosit
(sel darah merah) 5-10 per lapangan pandang sedimen urin.
30
Hematuria bisa juga karena adanya kelainan atau penyakit lain,
misalnya batu ginjal dan penyakit ginjal lainnya. Di sisi lain,
dengan memanfaatkan uji makroskopis, pasien mendapatkan
informasi ada tidaknya kandungan zat pada urin. Majid (2010)
menunjukkan bahwa pada urin pasien yang mengandung nitrit
berindikasi mengidap penyakit ISK. Hal ini disebabkan adanya
nitrit merupakan hasil perubahan asam nitrat oleh bakteri.
Dengan demikian potensi mengidap ISK dapat diteliti dari ada
atau tidaknya kandungan nitrit pada urin pasien.
2.2 Artificial Neural Network
ANN merupakan algoritma supervised learning yang
memetakan data input terhadap target output dimana ANN
mampu memodelkan permasalahan non linier kompleks yang
sulit dipecahkan dengan menggunakan persamaan matematis
biasa. Rojas (1996) menjelaskan bahwa secara biologis, sebuah
informasi dapat disimpan pada titik-titik kontak antara neuron
(sinapsis). Dalam arsitektur ANN, sebuah node adalah suatu
elemen komputasi yang mengintrepretasikan suatu neuron.
Informasi yang dikandung dalam node akan dilanjutkan ke node
yang lain layaknya sinapsis pada jaringan syaraf manusia.
Arsitektur ANN terdiri dari lapisan input, lapisan hidden, dan
lapisan output. Jaringan syaraf yang tidak memiliki lapisan
hidden disebut dengan ANN satu layer, sedangkan jaringan
yang memiliki banyak lapisan hidden disebut dengan ANN
multi layer. Masing-masing node antar lapisan dihubungkan
dengan bobot 𝑤𝑖 dan dipengaruhi oleh bias 𝜃𝑖 . ANN ditentukan
oleh 3 hal, yakni pola hubungan antar neuron (disebut arsitektur
jaringan), metode untuk menentukan bobot penghubung
(disebut metode training/learning/algoritma), dan fungsi
aktivasi (fungsi transfer). Contoh arsitektur jaringan ANN dapat
dilihat pada Gambar 2. Sedangkaan macam-macam fungsi
aktivasi dapat dilihat pada Gambar 3.
(a)
(b)
Gambar 2. Arsitektur Neural Network
(a) ANN Satu Layer (b) ANN Multi Layer
(a)
(c)
(b)
(d)
Gambar 3. Fungsi Aktivasi
(a)Linear (b)Threshold (c)Sigmoid Biner (d)Sigmoid
Bipolar
Abidatul Izzah, R. V. Hari Ginardi, Ahmad Saikhu
2.3 GSA dan Disruption
GSA adalah algoritma heuristik yang ditemukan oleh Rashedi
(2009). Algoritma ini diinspirasi dari fenomena alam yakni
hukum gravitasi dan tarik menarik massa. Hukum gravitasi
menyatakan bahwa setiap partikel yang memiliki massa
menarik satu sama lain dengan gaya gravitasi sehingga
menyebabkan perpindahan partikel menuju massa yang lebih
besar. Fenomena gravitasi yang menyebabkan perpindahan
suatu benda menuju keseimbangan telah diadopsi menjadi
sebuah algoritma yang disebut dengan GSA. Dalam GSA,
posisi partikel yang memiliki massa merepresentasikan solusi
permasalahan.
Gravitasi adalah kecenderungan sebuah benda untuk melakukan
tarik-menarik dengan benda lain yang memiliki massa. Gaya ini
adalah salah satu interaksi dasar di alam selain gaya
elektromagnetik, gaya nuklir lemah, dan gaya nuklir kuat.
Dalam hukum gravitasi Newton, setiap partikel menarik
partikel lain dengan gaya gravitasi dan percepatan partikel
ditentukan oleh gaya dan massa partikel tersebut (Rashedi,
2009). Konsep gaya tarik menarik antar benda dapat dilihat
pada Gambar 4.
𝑑
𝐹𝑖𝑗 (𝑡) =
𝑁
∑ 𝑟𝑎𝑛𝑑𝑗 𝐹𝑖 𝑑 (𝑡)
(2)
𝑗𝜖𝐾𝐵𝑒𝑠𝑡
𝑗≠𝑖
dimana 𝐺(𝑡) adalah konstanta gravitasi pada saat t, Mi(t)
adalah massa agen i, 𝑅𝑖𝑗 (𝑡) merupakan jarak euclid antar agen
yang dihitung dengan persamaan (3):
𝑅𝑖𝑗 (𝑡) = ‖𝑋𝑖 (𝑡), 𝑋𝑗 (𝑡)‖
(3)
2
Update nilai G(t) yang berubah pada setiap iterasi yang dihitung
dengan persamaan (4):
𝐺(𝑡) = 𝐺(𝐺0 , 𝑡)
(4)
dimana 𝐺(𝑡0 ) adalah konstanta gravitasi pada interval kuantum
kosmik pada saat t0.
Untuk menghitung massa Mi(t) tiap agen dihitung melalui
persamaan (5) dan (6):
𝑓𝑖𝑡𝑖 (𝑡) − 𝑤𝑜𝑟𝑠𝑡(𝑡)
𝑏𝑒𝑠𝑡(𝑡) − 𝑤𝑜𝑟𝑠𝑡(𝑡)
𝑚𝑖 (𝑡)
𝑀𝑖 (𝑡) = 𝑁
∑𝑗=1 𝑚𝑗 (𝑡)
𝑚𝑖 (𝑡) =
(5)
(6)
Agen best dan worst dipilih berdasarkan nilai fitness. dimana
jika fungsi minimasi, best(t) dan worst(t) ditentukan sebagai
berikut:
Gambar 4. Konsep gaya tarik menarik antar partikel
Dari Gambar 4 dapat dilihat bahwa tarikan oleh massa yang
lebih besar mampu mendominasi resultan gaya yang dialami
sebuah benda (F1 sebagai resultan gaya yang dialami M1
menuju M3 dimana M3 adalah massa yang paling besar).
Semakin besar massa yang ditarik maka semakin besar gaya
yang dibutuhkan. Di sisi lain, jika kedua benda dipisahkan
semakin jauh, maka gaya yang ditimbulkan semakin kecil.
Hukum gravitasi menyatakan bahwa setiap partikel yang
memiliki massa saling menarik satu sama lain dengan gaya
gravitasi sehingga menyebabkan perpindahan menuju massa
yang lebih besar.
Rashedi (2009) menjelaskan bahwa langkah pertama dalam
GSA adalah inisialisasi N solusi (agen) awal dengan m dimensi
secara random. Posisi agen direpresentasikan sebagai berikut:
𝑋𝑖 = (𝑥𝑖 1 , … , 𝑥𝑖 𝑑 , … , 𝑥𝑖 𝑚 )
𝑑
𝑀𝑖 (𝑡) 𝑀𝑗 (𝑡)
𝑅𝑖𝑗 (𝑡)
(𝑥𝑗 𝑑 (𝑡) − 𝑥𝑗 𝑑 (𝑡))
(1)
(7)
𝑗𝜖{1,…,𝑁}
𝑤𝑜𝑟𝑠𝑡(𝑡) = max 𝑓𝑖𝑡𝑗 (𝑡)
(8)
𝑗𝜖{1,…,𝑁}
Namun, jika fungsi maksimasi ditentukan sebagai berikut:
𝑏𝑒𝑠𝑡(𝑡) = max 𝑓𝑖𝑡𝑗 (𝑡)
𝑗𝜖{1,…,𝑁}
𝑤𝑜𝑟𝑠𝑡(𝑡) = min 𝑓𝑖𝑡𝑗 (𝑡)
𝑗𝜖{1,…,𝑁}
(9)
(10)
Langkah selanjutnya adalah menghitung kecepatan dan
percepatan yang dialami oleh agen dengan persamaan (11) dan
(12).
𝑎𝑖 𝑑 (𝑡) =
dimana i = 1, 2, …, N dan 𝑥𝑖 adalah posisi agen ke-i dimensi
ke-d. Untuk setiap iterasi, total gaya interaksi setiap agen F
dengan agen yang lain dihitung dengan persamaan (1) dan (2):
𝐹𝑖 𝑑 (𝑡) = 𝐺(𝑡)
𝑏𝑒𝑠𝑡(𝑡) = min 𝑓𝑖𝑡𝑗 (𝑡)
𝐹𝑖 𝑑 (𝑡)
𝑀𝑖 (𝑡)
𝑣𝑖 𝑑 (𝑡 + 1) = 𝑟𝑎𝑛𝑑𝑖 𝑣𝑖 𝑑 (𝑡) + 𝑎𝑖 𝑑 (𝑡)
(11)
(12)
Langkah terakhir adalah update posisi agen menggunakan
persamaan (13).
𝑥𝑖 𝑑 (𝑡 + 1) = 𝑥𝑖 𝑑 (𝑡) + 𝑣𝑖 𝑑 (𝑡 + 1)
(13)
Prosedur ini diulang sampai batas iterasi maksimum atau telah
memenuhi kriteria tertentu. Gambar 5 menunjukkan diagram
alir GSA. Sebagai algoritma heuristik, GSA memiliki
kemampuan yang bagus dalam pencarian global. Namun
Jurnal Cybermatika | Vol. 1 No. 2 | Desember 2013 | Artikel 6
31
Sarafrazi (2011) menyebutkan bahwa jika konvergensi terlalu
dini terjadi, algoritma ini kehilangan kemampuannya dalam
pencarian. Untuk memperbaiki kemampuan GSA, ditambahkan
sebuah operator baru yakni disruption untuk lebih
mengeksplorasi solusi.
Bangkitkan Populasi
Evaluasi
Disrupsi gaya gravitasi yang diinspirasi dari ilmu astronomi
merupakan fenomena terjadinya guncangan pada sekumpulan
partikel yang ada dibawah pengaruh gaya gravitasi. Disrupsi
terjadi secara tiba-tiba pada sekumpulan partikel yang berada
dalam medan gravitasi. Hal ini terjadi ketika gaya gravitasi
tidak mampu memberikan keseimbangan. Konsep astronomi
tentang gaya gravitasi menyatakan bahwa ketika sekumpulan
partikel memiliki total massa (m) terlalu mendekati objek yang
sangat besar (M), sekumpulan cenderung terpisah (Harwit,
1998).
Update G, best, worst
Hitung M dan a
Update kecepatan dan posisi
Fenomena disrupsi dalam komputasi disimulasikan dengan
solusi terbaik (partikel dengan massa yang paling besar) yang
menjadi pusat partikel massa pada medan gravitasi. Dibawah
pengaruh gaya gravitasi tersebut, solusi-solusi yang lain
berpotensial untuk terguncang atau tersebar dalam ruang
keadaan. Untuk menjaga diversitas dan bertambahnya
kompleksitas, disruption dibatasi dengan persamaan (14).
𝑅𝑖,𝑗
untuk Screening Test pada Urinalysis
Abidatul Izzah1), R.V. Hari Ginardi2), Ahmad Saikhu3)
Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya
1)[email protected], 2)[email protected], 3)[email protected]
ABSTRAK
Uji makro kandungan urin menggunakan dipstick urin telah
dimanfaatkan untuk mengetahui potensi penyakit yang diderita
oleh seorang pasien. Namun, pembacaan hasil tes dipstick urin
masih sulit dipahami oleh sebagian masyarakat. Oleh karena
itu perlu adanya suatu alat bantu untuk memberi informasi dari
hasil yang diperoleh dipstick urin. Pada makalah ini, digunakan
suatu metode yang mampu memberikan sebuah indikasi sebagai
hasil screening test dari dipstick urin menggunakan pendekatan
komputasi cerdas. Metode yang digunakan pada makalah ini
adalah algoritma heuristik Gravitational Search Algorithm
(GSA) dan Artificial Neural Network (ANN). GSA digunakan
sebagai algoritma pembelajaran sehingga diperoleh kombinasi
bobot dan bias pada arsitektur ANN. Digunakan pula operator
disruption untuk menghindari konvergensi dini sebagai
kekurangan yang dimiliko oleh GSA. Metode ini
diimplementasikan untuk melakukan screening test pada
penyakit Infeksi Saluran Kemih (ISK) pada data urinalysis dari
90 pasien. Data ini diperoleh dari hasil pemeriksaan urinalysis
di Laboratorium Klinik Utama Popular, Surabaya sejak Januari
2012 sampai dengan September 2013. Hasil yang diperoleh
menunjukkan bahwa dengan menggunakan metode yang
diusulkan dapat memberikan hasil yang lebih baik daripada
metode pembandingnya dengan nilai sensivitas dan spesifisitas
yang menghasilkan nilai sebesar 100% dan sebesar 77%.
Kata Kunci
Gravitational Search Algorithm, Artificial Neural Network,
Urinalysis, Disruption
1. PENDAHULUAN
Pemeriksaan kesehatan berdasarkan urin atau yang sering
disebut dengan urinalysis berdasarkan pada kandungan urin
dapat menunjukkan potensi kelainan pada pasien. Variasi warna
urin dapat disebabkan oleh jenis makanan atau obat yang
dikonsumsi oleh pasien. Beberapa manfaat urinalysis adalah
dapat digunakan untuk mengetahui adanya potensi gangguan
hati, diabetes mellitus, infeksi pada ginjal atau saluran kemih.
Uji urinalysis terdiri dari dua macam, yaitu uji makroskopik dan
uji mikroskopik. Tes mikroskopik dilakukan dengan memutar
(centrifuge) urin lalu mengamati endapan urin di bawah
mikroskop. Sedangkan tes makroskopik dilakukan dengan cara
visual yakni, pemeriksaan urin meliputi penaksiran dari
kenampakan, bau, keadaan, dan fisik. Saat ini metode paling
umum pada urinalysis adalah uji menggunakan dipstick urin.
Uji ini dapat menunjukkan rentang kandungan kimia yang ada
pada urin. Uji ini menggunakan reagen strip yang dicelupkan ke
dalam urin lalu mengamati perubahan warna yang terjadi pada
strip dan membandingkannya dengan grafik warna standar. Dari
pengujian ini diperoleh sepuluh zat yang dikandung urin antara
lain pH, berat jenis, glukosa, protein, bilirubin, urobilinogen,
darah, keton, nitrit, dan lekosit. Dengan melakukan uji
urinalysis menggunakan dipstick ini, pasien akan memperoleh
nilai kandungan zat pada urin namun terkadang tidak
mengetahui makna dari nilai yang ditunjukkan. Jika pasien
mengetahui bahwa kondisi urin memiliki kecenderungan
abnormal, maka pasien bisa merubah dan memperbaiki pola
hidup.
Penelitian tentang pemanfaatan dipstick urin untuk
mengindikasikan suatu penyakit yang diderita pasien telah
banyak dilakukan. Salah satunya adalah dipstick sebagai
diagnosis untuk trypsin inhibitor (urinstatin) pada urin dan
plasma pasien yang terinfeksi saluran kemih (Pugia, 2004).
Pemeriksaan awal menggunakan dipstick urin sangat membantu
untuk mengetahui apakah pasien perlu melakukan pemeriksaan
tambahan. Namun, penerjemahan hasil kenampakan warna
dipstick urin masih sulit dipahami oleh para penggunanya.
Oleh karena itu diperlukan sebuah alat bantu untuk
menerjemahkan hasil pemeriksaan dipstick urin.
Di sisi lain, berkembangnya ilmu pengetahuan dan teknologi di
bidang analisis data dapat dimanfaatkan dalam bidang
kesehatan dalam pengambilan sistem pendukung keputusan.
Data Mining (DM) adalah suatu disiplin ilmu yang melakukan
pendekatan dalam analisis data dan penemuan informasi pada
dataset yang kompleks (Yeh, 2012). Salah satu permasalahan
yang dapat diatasi dalam pengolahan data adalah pemberian
label dalam mendeskripsikan analisis komputasi yakni
klasifikasi. Klasifikasi data merupakan proses pelabelan pada
suatu dataset berdasarkan pembelajaran pada dataset
sebelumnya (Mastrogiannis dkk, 2009). Metode yang
digunakan untuk klasifikasi salah satunya adalah Neural
Network (ANN). ANN adalah algoritma yang diinspirasi dari
sistem syaraf manusia, dimana sistem syaraf manusia terdiri
dari beberapa neuron yang menerima rangsangan dari luar
tubuh untuk diteruskan menuju otak melalui dendrit. Algoritma
ini merupakan algoritma supervised learning yang yang banyak
digunakan dalam memecahkan permasalahan linear maupun
non linear (Dias dkk, 2004). Di samping itu algoritma heuristik
sebagai algoritma pencarian juga mengalami perkembangan
yang pesat, salah satunya ditemukan Gravitational Search
Algorithm (GSA) yakni algoritma yang diinspirasi dari hukum
gravitasi dan hukum perpindahan benda menuju pada posisi
seimbang. Sebagai algoritma heuristik, GSA memiliki
kemampuan yang bagus dalam pencarian global. Namun jika
konvergensi terlalu dini terjadi, algoritma ini kehilangan
kemampuannya dalam pencarian (Sarafrazi, 2011). Untuk
memperbaiki kemampuan GSA ditambahkan sebuah operator
baru yakni disruption untuk lebih mengeksplorasi solusi yang
didapatkan oleh GSA. Izzah (2013) telah melakukan uji coba
pada GSA dengan penambahan operator disruption sebagai
metode pembelajaran pada ANN untuk klasifikasi data. Hasil
yang diperoleh menunjukkan bahwa metode ini memberikan
hasil yang lebih baik daripada ANN dengan pembelajaran GSA
(ANN-GSA) dan
ANN dengan pembelajaran Genetic
Algorithm (ANN-GA).
Paper ini bertujuan untuk melakukan klasifikasi data urinalysis
menggunakan metode ANN dengan pembelajaran GSA dan
disruption. Klasifikasi pada data urinalysis dapat digunakan
Jurnal Cybermatika | Vol. 1 No. 2 | Desember 2013 | Artikel 6
29
sebagai screening test pada uji dipstick urin sehingga pasien
dapat mengetahui apakah ia memiliki potensi mengidap
penyakit Infeksi Saluran Kemih (ISK).
2. LANDASAN TEORI
2.1 Uji Urinalysis
Urine analysis (analisa terhadap kandungan urin) merupakan
salah satu tes klinis yang paling sering dilakukan pada dunia
pediatri. Hal ini didasari pada kemudahan pengumpulan urin
dan kesederhanaan prosedur tes yang harus dilakukan (Whiting,
2006). Tes urin dapat digunakan untuk mendeteksi beberapa
gangguan kesehatan. Deteksi ini dilakukan dengan menganalisa
kandungan kimia yang terdapat pada urin. Beberapa kandungan
kimia yang umum dianalisa adalah kandungan darah, protein,
glukosa, leukosit esterase, nitrit, dan β-HCG. Beberapa
kandungan lain juga dianalisa namun jarang dilakukan adalah
kandungan keton, urobilin, bilirubin, berat jenis, dan pH
(Barrat, 2007). Pada uji urinalysis menggunakan reagent strips,
sepuluh kandungan urin yang terdeteksi antara lain: berat jenis,
pH, leukosit, hemoglobin, nitrit, keton, bilirubin, urobilinogen,
protein, dan glukosa. Warna yang dihasilkan oleh dipstick akan
dibandingkan dengan urin chart sehingga dapat diperoleh
estimasi nilai dari masing-masing warna. Gambar 1
memperlihatkan chart warna yang dihasilkan saat melakukan
tes makroskopis urinalysis.
Gambar 1. Bagan Warna Dipstick Urinalysis
Beberapa manfaat urinalysis adalah dapat digunakan untuk
mengetahui adanya potensi gangguan hati, diabetes mellitus,
infeksi pada ginjal atau saluran kemih. Infeksi saluran kemih
adalah infeksi yang terjadi di sepanjang jalan saluran kemih,
termasuk ginjal itu sendiri akibat proliferasi suatu
mikroorganisme. Untuk menyatakan adanya infeksi saluran
kemih harus ditemukan bakteri di dalam urin. Suatu infeksi
dapat dikatakan jika terdapat 100.000 atau lebih bakteri/ml urin,
namun jika hanya terdapat 10.000 atau kurang bakteri/ml urin,
hal
itu
menunjukkan
bahwa
adanya
kontaminasi
bakteri.Bakteriuria bermakna yang disertai gejala pada saluran
kemih disebut bakteriuria bergejala. Sedangkan yang tanpa
gejala disebut bakteriuria tanpa gejala.
Dalam pemeriksaan laboratorium, pasien yang berpotensi
mengidap ISK dapat dilihat dari hasil urinalisis yang meliputi
“Leukosuria” (ditemukannya leukosit dalam urin) dimana
dinyatakan positif jika terdapat 5 atau lebih leukosit (sel darah
putih) per lapangan pandang dalam sedimen urin dan
“Hematuria” (ditemukannya eritrosit dalam urin) yakni
petunjuk adanya infeksi saluran kemih jika ditemukan eritrosit
(sel darah merah) 5-10 per lapangan pandang sedimen urin.
30
Hematuria bisa juga karena adanya kelainan atau penyakit lain,
misalnya batu ginjal dan penyakit ginjal lainnya. Di sisi lain,
dengan memanfaatkan uji makroskopis, pasien mendapatkan
informasi ada tidaknya kandungan zat pada urin. Majid (2010)
menunjukkan bahwa pada urin pasien yang mengandung nitrit
berindikasi mengidap penyakit ISK. Hal ini disebabkan adanya
nitrit merupakan hasil perubahan asam nitrat oleh bakteri.
Dengan demikian potensi mengidap ISK dapat diteliti dari ada
atau tidaknya kandungan nitrit pada urin pasien.
2.2 Artificial Neural Network
ANN merupakan algoritma supervised learning yang
memetakan data input terhadap target output dimana ANN
mampu memodelkan permasalahan non linier kompleks yang
sulit dipecahkan dengan menggunakan persamaan matematis
biasa. Rojas (1996) menjelaskan bahwa secara biologis, sebuah
informasi dapat disimpan pada titik-titik kontak antara neuron
(sinapsis). Dalam arsitektur ANN, sebuah node adalah suatu
elemen komputasi yang mengintrepretasikan suatu neuron.
Informasi yang dikandung dalam node akan dilanjutkan ke node
yang lain layaknya sinapsis pada jaringan syaraf manusia.
Arsitektur ANN terdiri dari lapisan input, lapisan hidden, dan
lapisan output. Jaringan syaraf yang tidak memiliki lapisan
hidden disebut dengan ANN satu layer, sedangkan jaringan
yang memiliki banyak lapisan hidden disebut dengan ANN
multi layer. Masing-masing node antar lapisan dihubungkan
dengan bobot 𝑤𝑖 dan dipengaruhi oleh bias 𝜃𝑖 . ANN ditentukan
oleh 3 hal, yakni pola hubungan antar neuron (disebut arsitektur
jaringan), metode untuk menentukan bobot penghubung
(disebut metode training/learning/algoritma), dan fungsi
aktivasi (fungsi transfer). Contoh arsitektur jaringan ANN dapat
dilihat pada Gambar 2. Sedangkaan macam-macam fungsi
aktivasi dapat dilihat pada Gambar 3.
(a)
(b)
Gambar 2. Arsitektur Neural Network
(a) ANN Satu Layer (b) ANN Multi Layer
(a)
(c)
(b)
(d)
Gambar 3. Fungsi Aktivasi
(a)Linear (b)Threshold (c)Sigmoid Biner (d)Sigmoid
Bipolar
Abidatul Izzah, R. V. Hari Ginardi, Ahmad Saikhu
2.3 GSA dan Disruption
GSA adalah algoritma heuristik yang ditemukan oleh Rashedi
(2009). Algoritma ini diinspirasi dari fenomena alam yakni
hukum gravitasi dan tarik menarik massa. Hukum gravitasi
menyatakan bahwa setiap partikel yang memiliki massa
menarik satu sama lain dengan gaya gravitasi sehingga
menyebabkan perpindahan partikel menuju massa yang lebih
besar. Fenomena gravitasi yang menyebabkan perpindahan
suatu benda menuju keseimbangan telah diadopsi menjadi
sebuah algoritma yang disebut dengan GSA. Dalam GSA,
posisi partikel yang memiliki massa merepresentasikan solusi
permasalahan.
Gravitasi adalah kecenderungan sebuah benda untuk melakukan
tarik-menarik dengan benda lain yang memiliki massa. Gaya ini
adalah salah satu interaksi dasar di alam selain gaya
elektromagnetik, gaya nuklir lemah, dan gaya nuklir kuat.
Dalam hukum gravitasi Newton, setiap partikel menarik
partikel lain dengan gaya gravitasi dan percepatan partikel
ditentukan oleh gaya dan massa partikel tersebut (Rashedi,
2009). Konsep gaya tarik menarik antar benda dapat dilihat
pada Gambar 4.
𝑑
𝐹𝑖𝑗 (𝑡) =
𝑁
∑ 𝑟𝑎𝑛𝑑𝑗 𝐹𝑖 𝑑 (𝑡)
(2)
𝑗𝜖𝐾𝐵𝑒𝑠𝑡
𝑗≠𝑖
dimana 𝐺(𝑡) adalah konstanta gravitasi pada saat t, Mi(t)
adalah massa agen i, 𝑅𝑖𝑗 (𝑡) merupakan jarak euclid antar agen
yang dihitung dengan persamaan (3):
𝑅𝑖𝑗 (𝑡) = ‖𝑋𝑖 (𝑡), 𝑋𝑗 (𝑡)‖
(3)
2
Update nilai G(t) yang berubah pada setiap iterasi yang dihitung
dengan persamaan (4):
𝐺(𝑡) = 𝐺(𝐺0 , 𝑡)
(4)
dimana 𝐺(𝑡0 ) adalah konstanta gravitasi pada interval kuantum
kosmik pada saat t0.
Untuk menghitung massa Mi(t) tiap agen dihitung melalui
persamaan (5) dan (6):
𝑓𝑖𝑡𝑖 (𝑡) − 𝑤𝑜𝑟𝑠𝑡(𝑡)
𝑏𝑒𝑠𝑡(𝑡) − 𝑤𝑜𝑟𝑠𝑡(𝑡)
𝑚𝑖 (𝑡)
𝑀𝑖 (𝑡) = 𝑁
∑𝑗=1 𝑚𝑗 (𝑡)
𝑚𝑖 (𝑡) =
(5)
(6)
Agen best dan worst dipilih berdasarkan nilai fitness. dimana
jika fungsi minimasi, best(t) dan worst(t) ditentukan sebagai
berikut:
Gambar 4. Konsep gaya tarik menarik antar partikel
Dari Gambar 4 dapat dilihat bahwa tarikan oleh massa yang
lebih besar mampu mendominasi resultan gaya yang dialami
sebuah benda (F1 sebagai resultan gaya yang dialami M1
menuju M3 dimana M3 adalah massa yang paling besar).
Semakin besar massa yang ditarik maka semakin besar gaya
yang dibutuhkan. Di sisi lain, jika kedua benda dipisahkan
semakin jauh, maka gaya yang ditimbulkan semakin kecil.
Hukum gravitasi menyatakan bahwa setiap partikel yang
memiliki massa saling menarik satu sama lain dengan gaya
gravitasi sehingga menyebabkan perpindahan menuju massa
yang lebih besar.
Rashedi (2009) menjelaskan bahwa langkah pertama dalam
GSA adalah inisialisasi N solusi (agen) awal dengan m dimensi
secara random. Posisi agen direpresentasikan sebagai berikut:
𝑋𝑖 = (𝑥𝑖 1 , … , 𝑥𝑖 𝑑 , … , 𝑥𝑖 𝑚 )
𝑑
𝑀𝑖 (𝑡) 𝑀𝑗 (𝑡)
𝑅𝑖𝑗 (𝑡)
(𝑥𝑗 𝑑 (𝑡) − 𝑥𝑗 𝑑 (𝑡))
(1)
(7)
𝑗𝜖{1,…,𝑁}
𝑤𝑜𝑟𝑠𝑡(𝑡) = max 𝑓𝑖𝑡𝑗 (𝑡)
(8)
𝑗𝜖{1,…,𝑁}
Namun, jika fungsi maksimasi ditentukan sebagai berikut:
𝑏𝑒𝑠𝑡(𝑡) = max 𝑓𝑖𝑡𝑗 (𝑡)
𝑗𝜖{1,…,𝑁}
𝑤𝑜𝑟𝑠𝑡(𝑡) = min 𝑓𝑖𝑡𝑗 (𝑡)
𝑗𝜖{1,…,𝑁}
(9)
(10)
Langkah selanjutnya adalah menghitung kecepatan dan
percepatan yang dialami oleh agen dengan persamaan (11) dan
(12).
𝑎𝑖 𝑑 (𝑡) =
dimana i = 1, 2, …, N dan 𝑥𝑖 adalah posisi agen ke-i dimensi
ke-d. Untuk setiap iterasi, total gaya interaksi setiap agen F
dengan agen yang lain dihitung dengan persamaan (1) dan (2):
𝐹𝑖 𝑑 (𝑡) = 𝐺(𝑡)
𝑏𝑒𝑠𝑡(𝑡) = min 𝑓𝑖𝑡𝑗 (𝑡)
𝐹𝑖 𝑑 (𝑡)
𝑀𝑖 (𝑡)
𝑣𝑖 𝑑 (𝑡 + 1) = 𝑟𝑎𝑛𝑑𝑖 𝑣𝑖 𝑑 (𝑡) + 𝑎𝑖 𝑑 (𝑡)
(11)
(12)
Langkah terakhir adalah update posisi agen menggunakan
persamaan (13).
𝑥𝑖 𝑑 (𝑡 + 1) = 𝑥𝑖 𝑑 (𝑡) + 𝑣𝑖 𝑑 (𝑡 + 1)
(13)
Prosedur ini diulang sampai batas iterasi maksimum atau telah
memenuhi kriteria tertentu. Gambar 5 menunjukkan diagram
alir GSA. Sebagai algoritma heuristik, GSA memiliki
kemampuan yang bagus dalam pencarian global. Namun
Jurnal Cybermatika | Vol. 1 No. 2 | Desember 2013 | Artikel 6
31
Sarafrazi (2011) menyebutkan bahwa jika konvergensi terlalu
dini terjadi, algoritma ini kehilangan kemampuannya dalam
pencarian. Untuk memperbaiki kemampuan GSA, ditambahkan
sebuah operator baru yakni disruption untuk lebih
mengeksplorasi solusi.
Bangkitkan Populasi
Evaluasi
Disrupsi gaya gravitasi yang diinspirasi dari ilmu astronomi
merupakan fenomena terjadinya guncangan pada sekumpulan
partikel yang ada dibawah pengaruh gaya gravitasi. Disrupsi
terjadi secara tiba-tiba pada sekumpulan partikel yang berada
dalam medan gravitasi. Hal ini terjadi ketika gaya gravitasi
tidak mampu memberikan keseimbangan. Konsep astronomi
tentang gaya gravitasi menyatakan bahwa ketika sekumpulan
partikel memiliki total massa (m) terlalu mendekati objek yang
sangat besar (M), sekumpulan cenderung terpisah (Harwit,
1998).
Update G, best, worst
Hitung M dan a
Update kecepatan dan posisi
Fenomena disrupsi dalam komputasi disimulasikan dengan
solusi terbaik (partikel dengan massa yang paling besar) yang
menjadi pusat partikel massa pada medan gravitasi. Dibawah
pengaruh gaya gravitasi tersebut, solusi-solusi yang lain
berpotensial untuk terguncang atau tersebar dalam ruang
keadaan. Untuk menjaga diversitas dan bertambahnya
kompleksitas, disruption dibatasi dengan persamaan (14).
𝑅𝑖,𝑗