ANALISIS KONDISI GINJAL PASIEN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN

ANALISIS KONDISI GINJAL PASIEN MENGGUNAKAN METODE

• )

JARINGAN SYARAF TIRUAN

• ) ***) ****)

  R. Muhammad Subekti , Balza Achmad , Gogot Suyitno

ANALISIS KONDISI GINJAL PASIEN MENGGUNAKAN METODE

  

JARINGAN SYARAF TIRUAN. Penelitian kemampuan jaringan syaraf tiruan dalam

menganalisis dan memprediksi kondisi ginjal pasien telah dilakukan dengan baik.

  Spektrum kondisi ginjal pasien merupakan hasil analisis dokter menggunakan alat renograf dual probe BI-756. Jaringan syaraf tiruan memiliki kemampuan untuk menganalisis pola yang spesifik maupun yang tidak spesifik. Hal ini sangat bermanfaat bagi pengembangan perangkat lunak untuk analisi ginjal. Tujuan penelitian adalah mengembangkan sistem jaringan syaraf tiruan yang dapat menganalisis kondisi ginjal pasien dengan tepat. Hasil tingkat optimal jaringan syaraf tiruan adalah system yang memiliki satu lapisan tersembunyi dengan jumlah neuron minimal 17 neuron. Dalam mencapai kondisi konvergen, semakin besar jumlah neuron jumlah iterasi cenderung semakin sedikit, tapi waktu proses semakin lama. Laju belajar optimal adalah 1,000, mometum optimalnya 0,000 dimana ralat sistem yang digunakan adalah 0,001. Sistem jaringan syaraf tiruan telah diujikan terhadap data pasien yang sesungguhnya dan kemampuan identifikasi 98 % diperoleh dari 618 data uji. Hasil ini menunjukkan bahwa system ini memiliki kemampuan baik dimana hanya dilatih dengan 6 data saja.

  

PATIENT’S KIDNEY CONDITION ANALYSING USING ARTIFICIAL

NEURAL NETWORK METHOD. The research of artificial neural network to

  analyzing and predicting patient’s kidney condition has been done. The spectrum of patient’s kidney condition is result of doctor analysis using dual probe renograf (BI- 756). The artificial neural network has capability for specific pattern analysis or unspecific pattern analysis. That is very important for the development of kidney analysis software. The objective of the research is to develop artificial neural network system that can analyze patient’s kidney condition exactly. The result of artificial neural network optimum level is systems that having a hidden layer with minimal neuron number are 17 neurons. The optimum learning rate is 1.000, the optimum momentum is 0.000 and system error that used is 0,001. The artificial neural network system has been tested to the real patient’s data and identification capability of 98% was obtained from 618 tested data. These results showed that the software has a good performance that trained by 6 data only.

• ) _**) Diajukan untuk diterbitkan dalam Majalah Batan. _***) Staf P2TRR – BATAN, Serpong.

  Staf pengajar di Jurusan Teknik Nuklir, Fakultas Teknik, UGM, Yogyakarta.

  PENDAHULUAN

  Kemampuan jaringan syaraf tiruan dalam suatu aplikasi kecerdasan buatan sudah banyak diterapkan di berbagai bidang ilmu pengetahuan dan teknologi. Namun dalam dunia kedokteran Indonesia, penerapan kecerdasan buatan sangat kurang sekali. Oleh karena itu, studi kasus aplikasi jaringan syaraf tiruan di bidang kedokteran akan memberikan jalan pembuka bagi penelitian jaringan syaraf tiruan untuk mengenali pola- pola klinis. Penelitian jaringan syaraf tiruan mengambil suatu pola klinis yang memiliki kasus kompleks, yaitu spektrum ginjal pasien dimana spektrum ini dihasilkan oleh alat kedokteran nuklir buatan BATAN bernama renograf dual probe (BI-756). Data keluaran renograf dual probe (BI-756) adalah urutan angka hasil akuisis data pencacahan yang membentuk spektrum sangat kompleks dan bersifat tidak spesifik, sehingga analisis terhadap data tersebut cenderung memberikan penilaian subyektif akibat penilaian visual spektrum renograf. Oleh karena itu, bantuan seorang dokter ahli yang berpengalaman sangat dibutuhkan untuk memperoleh hasil analisa medis yang benar. Sehingga keberadaan suatu aplikasi kecerdasan buatan dapat membantu seorang dokter dalam memberikan keputusan klinis dimana perangkat ini memiliki pengetahuan berbagai data kasus hasil analisis komprehensif dari para dokter ahli yang berpengalaman..

  Tujuan penelitian ini adalah menyediakan parameter-parameter optimal perangkat lunak berbasis kecerdasan buatan yang telah dikembangkan supaya dapat menganalisis kondisi ginjal pasien dengan tepat. Optimasi perangkat lunak berbasis kecerdasan buatan dilakukan melalui penelitian mendalam terhadap struktur organisasi, metode komputasi, dan kinerja parameter jaringan syaraf tiruan. Perangkat lunak berbasis kecerdasan buatan yang dikembangkan menggunakan sistem jaringan syaraf tiruan umpan maju dan perambatan ralat balik (backpropagation) dan metode optimasi parameter adalah variasi parameter. Sistem ini mampu dilatih dengan menggunakan data yang sudah diketahui hasilnya dan dapat mengklasifikasikan setiap pola yang telah

  [1]

  dilatihkan sesuai dengan hasil yang dikehendaki . Jaringan syaraf buatan dilatih menggunakan beberapa konfigurasi data dan pengujian kemampuan identifikasinya dilakukan pada setiap konfigurasi data pelatihan. Dengan demikian, dalam tahap akhir pengembangan perangkat lunak ini, perlu sekali dilakukan penelitian dan pengujian kecerdasan buatan untuk analisa ginjal pasien yang memiliki kemampuan identifikasi maksimal.

  [2] [2]

  Gambar 1. Ginjal normal Gambar

  2. Ginjal tidak normal

  DASAR TEORI Masukan dan Keluaran Jaringan Syaraf Tiruan

  Renogram seperti terlihat pada Gambar 1 adalah hasil rekaman renografi yang menggambarkan keadaan fungsi ginjal pasien. Kurva renograf yang ditampilan oleh perangkat komputer mampu memberikan informasi secara kuantitatif tentang kapasitas

  [2]

  ekskresi relatif untuk masing-masing ginjal . Kondisi inilah yang dijadikan sebagai masukan jaringan syaraf tiruan. Deskripsi spektrum renograf terlihat pada Gambar 1 yang memperlihatkan kondisi ginjal normal dan Gambar 2 yang memperlihatkan bahwa ginjal bagian kiri tidak normal karena ada gangguan sistem pengeluaran urine.

  Keluaran perangkat lunak adalah hasil analisa terhadap gejala-gejala kondisi ginjal normal maupun abnormal berdasarkan analisis grafik data fungsi ginjal pasien, dimana kondisi ginjal yang tercatat pada data-data yang telah ada meliputi kondisi ginjal normal, nephrectomy type, total obstruktive, partial obstruktive, parenchymal desease dan renal artery stenosis. Analisa yang dihasilkan berupa hasil tunggal kondisi ginjal pasien dan hasil gabungan lebih dari satu kondisi ginjal pasien seperti tersebut di atas. Jadi, perangkat lunak ini mampu mengeluarkan hasil analisa ginjal normal saja atau hasil analisa ginjal normal yang memiliki kecenderungan gejala partial obstruktive atau

  Analisis Jaringan Syaraf Tiruan

  Sistem jaringan syaraf tiruan merupakan suatu sistem yang memiliki pengetahuan dalam menganalisa suatu masalah dan melakukan pekerjaan-pekerjaan

  [1,3,4]

  klasifikasi pola, pemodelan sistem dan memori asosiasi . Klasifikasi pola digunakan untuk menganalisis pola-pola masukkan dengan cara mencari kemiripan pola-pola masukan. Pemodelan sistem digunakan untuk pembuat simulasi sistem yang mampu menghasilkan keluaran dari suatu pola masukan yang akan disimulasikan. Sedangkan memori asosiasi digunakan untuk menganalisis pola masukan yang tidak lengkap, misalnya pola masukan memiliki derau, terpotong-potong, rusak dan hanya bisa tampil

  [1] sebagian .

  Gambar 3. Struktur jaringan syaraf tiruan umpan maju Struktur jaringan syaraf tiruan umpan maju terlihat pada Gambar 5. Proses matematis menggunakan persamaan sebagai berikut : _{( l ) ( l ) ( l P 1 )}

  −

  ( n ) w ( n ). y ( n ) (1)

  υ j = ji i ∑ _i

  =

  dengan : j = neuron pada lapisan tersembunyi ke-l l = lapisan tersembunyi Keluaran dari elemen proses di atas merupakan fungsi transfer yang umumnya

  [1,5,6]

  menggunakan fungsi sigmoid , persamaan umum sigmoid adalah sebagai berikut : _{( l )}

  1

  y

  (2)

  = ^{j ( l )}

• 1 exp( ( n ))

  − υ j Proses yang terjadi untuk masing-masing lapisan tersembunyi adalah : _{( )}

  y ( n ) x ( n ) _{j = j}

  (3) Untuk lapisan keluaran dimana l = L, maka : _{( L )}

  y ( n ) ( n ) _{j = j}

  (4)

  ο

  Nilai ralat dari sistem ini merupakan hasil pengurangan keluaran sistem terhadap

  [3,6]

  keluaran yang kita inginkan . Dengan demikian nilai ralat adalah sebagai berikut :

  e ( n ) d ( n ) ( n ) = −

  (5)

  ο j j j dengan d (n ) adalah elemen keluaran yang kita inginkan. _j

  Ralat ini adalah ralat untuk masing-masing parameter keluaran, sehingga dari persamaan (6) diperoleh ralat total : _{N y}

  1 ²

  d e _{k = ∑ j}

  (6)

  ( )

  2 j ¹

  =

  Proses belajar sistem jaringan syaraf tiruan ini menggunakan pelatihan perambatan ralat balik (backpropagation) seperti terlihat pada Gambar 8. Perhitungan perambatan ralat balik dimulai dari ralat keluaran sistem yang diumpankan ke belakang merambat sampai ke lapisan aktif terdepan. Perambatan ralat ke belakang ini berfungsi sebagai parameter pembanding dalam proses perbaikan nilai bobot yang telah diperoleh. Persamaan gradien lokal pada masing-masing lapisan jaringan dapat ditulis sebagai berikut : _{( l ) ( l ) ( l ) ( l 1 ) ( l 1 )}

• ( n ) y ( n ).

  1 y ( n ) . ( n ). w ( n ) (7)

  δ = − δ ^{j j j k kj} ∑

  ( ) _k

  dimana j menunjukkan posisi neuron pada lapisan tersembunyi l. Untuk lapisan keluaran dimana l = L, persamaan yang digunakan :

  ( L ) ( L ) ( n ) = e ( n ). ( n ).

  1 − ( n ) (8)

  δ j j ο j ο j ( ) dimana j adalah posisi neuron pada lapisan keluara L.

  Dengan demikian, perbaikan bobot yang akan dilakukan oleh jaringan syaraf tiruan tergantung pada hasil perhitungan gradien lokal yang melibatkan perambatan

  [1,7] Aliran proses generalisasi jaringan pada lapisan tersembunyi l adalah sebagai berikut :

  ( l ) ( l ) ( l ) ( l ) ( l ) ( l 1 ) − w ( n

  1 ) w ( n ) w ( n ) w ( n 1 ) ( n ). y ( n )

  = − − (9) + + +

α ηδ

ji ji ji ji j i

  ( )

  dimana : = nilai laju belajar (learning-rate),

  η = konstanta momentum (momentum constan). α

  Selanjutnya proses yang terjadi adalah proses iterasi dalam dengan syarat batas adalah nilai ralat yang sudah ditentukan.

PEMBAHASAN NILAI OPTIMAL

  Pada Gambar 4, terlihat bahwa jumlah neuron optimal adalah lebih dari 10 neuron. Penentuan daerah optimal berdasarkan jumlah iterasi yang paling sedikit dan jumlah neuron yang paling sedikit. Namun garis grafik yang curam di sebelah kiri perlu diperhatikan dalam menentukan daerah optimal. Karena semakin dekat dengan daerah curam, ruang ekspansi jaringan yang ditunjukkan oleh banyaknya neuron semakin sedikit, meskipun kecepatan proses lebih baik dari pada menggunakan neuron yang lebih banyak. Ruang ekspansi jaringan adalah parameter kemampuan jaringan dalam menyerap materi belajar. Bila ruang ekspansi jaringan rendah, jaringan akan sulit sekali mencapai konvergensi dalam proses pelatihan.

  Jumlah. Iterasi 14000 12000

  Ralat 0,001 Ralat 0,075 10000 8000

  6000 4000 2000

  8

  9

  10

  11

  12

  13

  14

  15

  16

  17

  18

  19

  20 JumlahNeuron

  Gambar 4. Jumlah Iterasi terhadap Jumlah Neuron Jumlah. Iterasi 14000 Ralat 0,001 12000 Ralat 0,075 10000

  8000 6000 4000 2000

  10

  20

  30

  40

  50

  60

  70

  80 90 100 Jumlah Neuron

  Gambar 5. Jumlah Iterasi terhadap Jumlah Neuron Ruang ekspansi jaringan yang lebih diperlukan bila dilakukan pelatihan baru dengan data yang lebih banyak. Semakin besar data tambahan untuk pelatihan baru, semakin banyak ruang ekspansi jaringan yang harus disediakan. Tapi semakin besar Ruang ekspansi jaringan, berarti semakin besar neuron yang harus disediakan dan ini berakibat proses pelatihan akan berlangsung lebih lama meskipun jumlah iterasinya relatif tidak banyak. Jumlah neuron yang cukup adalah optimal.

  Pada Gambar 4, daerah optimal yang relatif aman adalah titik dengan jumlah neuron lebih dari 17. Angka maksimal pada daerah optimal bersifat sangat relatif, karena menyangkut kecepatan proses pelatihan dimana besar kecepatan tergantung pada kecepatan sistem komputer secara keseluruhan. Sedangkan variasi parameter pelatihan ditunjukkan dalam Tabel 1 dan Tabel 2

  Tabel 1. Jumlah iterasi terhadap variasi momentum

  Ralat α

  0,0750 0,0500 0,0250 0,0100 0,0075 0,0050 0,0025 0,0010 0,00 502 507 533 656 730 888 1388 2920 0,05 607 626 709 860 958 1173 1744 3629 0,10 602 642 750 973 1097 1311 2036 4140 0,20 645 654 672 867 985 1222 2015 4307

  Tabel 2. Jumlah iterasi terhadap variasi laju belajar

  4 Rn57.dat AR 10 RN Kanan 000100

  7 Rn27.dat AR 10 RN Kiri 100000 98 12

  III

  6 Rn189.dat AR 03 RN Kanan 000100

  5 Rn27.dat AR 10 RN Kanan 000010

  4 Rn57.dat AR 10 RN Kanan 000100

  3 Rn52.dat AR 10 RN Kanan 001000

  2 Rn1.dat AR 09 RN Kanan 010000

  1 Rn150.dat AR 01 RN Kiri 100000

  6 Rn189.dat AR 03 RN Kanan 000100 98 10

  II

  5 Rn27.dat AR 10 RN Kanan 000010

  3 Rn52.dat AR 10 RN Kanan 001000

  Ralat η

  2 Rn1.dat AR 09 RN Kanan 010000

  1 Rn150.dat AR 01 RN Kiri 100000

  5 Rn27.dat AR 10 RN Kanan 000010 94 35

  I

  4 Rn57.dat AR 10 RN Kanan 000100

  3 Rn52.dat AR 10 RN Kanan 001000

  2 Rn1.dat AR 09 RN Kanan 010000

  1 Rn150.dat AR 01 RN Kiri 100000

  Kesalahan Identifikasi

  Konfigurasi No Nama File Disket Bagian Vektor Keberhasilan (%) Jumlah

  Tabel 3. Data-data pelatihan

  0,0750 0,0500 0,0250 0,0100 0,0075 0,0050 0,0025 0,0010

1,00 502 507 533 656 730 888 1388 2920

0,95 620 625 663 804 877 1062 1598 3186

0,90 541 546 597 828 937 1177 1913 4033

0,80 549 554 594 851 997 1247 2030 4303

  Pada Tabel 3 terlihat bahwa kemampuan identifikasi 100% sulit diperoleh karena spektrum grafik renogram untuk masing-masing kondisi memiliki kemiripan yang tinggi dan bersifat tidak spesifik. Adapun nilai kemampuan identifikasi ini diperoleh dari sistem yang telah mempelajari 6 data pelatihan saja. Penambahan 1 data pelatihan mampu meningkatkan kemampuan identifikasinya menjadi 98%. Data pelatihan untuk masing-masing konfigurasi ditunjukkan dalam Tabel 2. Penambahan 1 data pelatihan menjadi 7 data pelatihan pada konfigurasi III akan menambah jumlah kesalahan identifikasi meskipun tidak signifikan. Hal ini terjadi karena bobot yang sudah terbentuk ginjal pasien tidak spesifik ditunjukkan dengan kemiripan spektrum ginjal yang sangat tinggi, sehingga penambahan data pelatihan saat kemampuan identifikasinya mendekati maksimal memiliki resiko penurunan kemampuan identifikasi. Perubahan bobot yang bisa mengurangi kemampuan identifikasi ini bisa dihindari bila data yang ditambahkan memiliki hasil keluaran yang spesifik terhadap suatu kondisi yang mewakili dan jumlah kesalahan identifikasi terhadap data kondisi ginjal yang belum terwakili ini cukup banyak.

  KESIMPULAN

  Konfigurasi sistem istem jaringan syaraf tiruan yang optimal dalam mengidentifikasi grafik renogram adalah : Laju belajar = 1,00

  −

  Momentum = 0,00

  −

  Threshold = 0,10

  −

  Lapisan tersembunyi = 1

  −

  Jumlah neuron > 17

  −

  Persentase keberhasilan minimal sistem jaringan syaraf tiruan dalam mengidentifikasi grafik renogram adalah 94%. Kemampuan identifikasi yang dimiliki sebesar 98% dengan pola pelatihan optimal menggunakan 6 buah data ginjal pasien.

DAFTAR PUSTAKA

  1. Haykin, S., Neural Networks, Macmillan College Publishing Company, New York, 1994.

  2. Prajitno, Petunjuk Perangkat Lunak dalam buku Petunjuk Renograf Model BI- 756, PPNY–BATAN, Yogyakarta, 1996.

  3. Timothy, Advanced Algorithms for Neural Networks, John Wiley and Sons, Inc.

  New York, 1995.

  4. Harvey, R, Neural Network Principles, Prentice-Hall International, Inc, New Jersey, 1994.

  5. Kosko, B, Neural Networks and Fuzzy Systems, Prentice-Hall International, Inc., New Jersey, 1992

  6. Timothy, Signal and Image Processing with Neural Networks, John Wiley and Sons, Inc., New York, 1994.

  7. Nelson, M. M., dan Illingworth, W. T, A Practical Guide to Neural Nets, Addison- Wesley Publishing Company, Massachusetts, 1991.

  8. Rubenking, N., Delphi Programming Problem Solver, IDG Books Worldwide, Inc., Chicago, 1996.