View
216
Download
0
Category
Preview:
Citation preview
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
PREDIKSI WAKTU PERSALINAN PRIMIPARA SAAT USIA TUA
(PRIMITUA) DI RSUD DR. MOEWARDI SURAKARTA DENGAN
MENGGUNAKAN NEURAL NETWORK
oleh
DHINAR HESTININGSIH WIDAYATI
M0105032
SKRIPSI
ditulis dan diajukan untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Sains Matematika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET SURAKARTA
2010
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
1
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Angka kematian perinatal (periode sebelum persalinan) merupakan
indikator paling penting untuk melihat status kesehatan suatu negara bahkan untuk
mengukur tingkat kemajuan suatu bangsa. Angka kematian perinatal di Indonesia
masih cukup tinggi, yaitu 40 per 1000 kelahiran hidup. Angka Kematian Bayi
(AKB) dengan perhitungan tidak langsung sebesar 60 per 1000 (Susenas, 1995),
turun menjadi 49 per 1000 (Susenas, 1998), dan meningkat lagi menjadi 51 per
1000 (Susenas, 2001). Studi Mortalitas Survei Kesehatan Rumah Tangga (SKRT)
2001 menunjukkan penyebab utama kematian perinatal adalah asfiksia (keadaan
dimana seseorang terganggu pernapasannya karena terhambatnya saluran
pernapasan) 34%, premature dan Berat Badan Lahir Rendah 33%, kelainan
bawaan 4% dan kesehatan ibu yang mempengaruhi janin sebesar 3%.
Kematian perinatal merupakan masalah kesehatan yang penting pada saat
ini. Di negara-negara yang sedang berkembang termasuk Indonesia, masa-masa
perinatal merupakan masa yang paling kritis bagi kelangsungan hidup seorang
anak. Hal ini tampak pada tingginya angka kesakitan dan kematian pada masa-
masa tersebut. Kematian perinatal adalah kematian yang terjadi pada bayi dengan
lahir mati atau hidup kemudian meninggal dalam tujuh hari setelah persalinannya.
Pada tingkat tertentu, kematian perinatal berhubungan dengan umur dan paritas
(persalinan) ibu. Kematian perinatal paling tinggi terjadi pada persalinan pertama
ibu sangat muda dan kelahiran anak ke empat atau lebih. Paritas atau persalinan
pertama berisiko karena ibu belum siap secara medis (organ reproduksi) maupun
secara mental. Paritas atau persalinan ke-4, ibu secara fisik sudah mengalami
kemunduran untuk menjalani kehamilan yang tidak mudah (Sulistiyowati dkk,
2001). Kehamilan yang perlu diwaspadai, diantaranya: 1) Umur ibu kurang dari
20 tahun; 2) Umur ibu lebih dari 35 tahun; 3) Jumlah anak 4 orang atau lebih; 4)
Jarak dengan anak sebelumnya kurang dari 2 tahun (Badan Koordinasi Keluarga
Berencana, 2005).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
2
Metode statistik yang dapat digunakan untuk menentukan kondisi yang
memberikan pengaruh signifikan dibandingkan kondisi lain adalah pendekatan
parametrik. Tetapi, penggunaan metode ini membutuhkan syarat pemenuhan
asumsi. Jika syarat pemenuhan asumsi tersebut tidak dipenuhi, maka kesimpulan
yang diperoleh akan memberikan informasi yang tidak akurat. Sebagai alternatif,
metode yang akan digunakan adalah pendekatan neural network.
Model neural network yang dapat digunakan, antara lain : Perceptron,
ADALINE, Backpropagation dan lain-lain. Dalam penelitian ini dibatasi hanya
menggunakan model RBFNN (Radial Basis Function Neural Network). Model
RBFNN adalah model neural network yang mentransformasi input secara
nonlinear menggunakan fungsi aktivasi Gaussian pada lapisan unit tersembunyi
sebelum diproses secara linear pada lapisan output. RBFNN adalah jaringan dan
pelatihan hibrida yang mengkombinasi paradigma unsupervised-supervised dan
skema supervised learning, (Moody dan Darken, 1989). Sebagian dari penimbang
ditentukan dengan supervised learning dan sebagian lain diperoleh dari
unsupervised learning. RBFNN dilatih dengan aturan unsupervised pada lapisan
input, dan aturan supervised learning pada lapisan output.
Dalam menentukan waktu optimal persalinan, RBFNN dipilih karena
menurut penelitian sebelumnya, Zainuddin dan Kumar (2008), tentang aplikasi
RBFNN pada klasifikasi protein, RBFNN memiliki keuntungan dalam interpretasi
arsitektur dan efisiensi pelatihan. RBFNN memiliki kecepatan pelatihan
cenderung cepat karena memiliki dua lapisan bobot dan masing-masing lapisan
dapat ditentukan berangkaian. Sebagai pembanding, Probability Neural Network
(PNN) digunakan peneliti. PNN termasuk dalam jenis RBFNN yang cocok untuk
masalah klasifikasi, Budhi, Handayani, dan Adipranata (2008).
1.2. Perumusan Masalah
Berdasarkan latar belakang di atas, masalah yang akan dibahas dalam
penelitian ini adalah bagaimana ketepatan dan perbandingan model RBFNN dan
PNN dalam menentukan waktu persalinan pertama ibu-ibu hamil pada usia 35
tahun ke atas di RSUD Dr. Moewardi Surakarta.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
3
1.3. Batasan Masalah
Permasalahan dalam penulisan ini dibatasi oleh sampel yang digunakan
yaitu persalinan normal pertama ibu pada usia 35 tahun ke atas.
1.4. Tujuan dan Manfaat Penelitian
Tujuan yang hendak dicapai dalam penelitian ini adalah mengetahui
seberapa tepat RBFNN dan PNN bekerja sebagai pengenal pola dalam faktor-
faktor yang mempengaruhi waktu persalinan pertama ibu pada usia 35 tahun ke
atas di RSUD Dr. Moewardi Surakarta. Tujuan lain dari penelitian ini adalah
untuk membandingkan ketepatan model RBFNN dan PNN dalam menentukan
waktu persalinan pertama primitua.
Manfaat teoritis yang diperoleh adalah dapat mengetahui lebih mendalam
tentang penerapan model RBFNN dan PNN. Sedangkan manfaat praktis yang bisa
diperoleh dari penelitian ini adalah dapat memberikan informasi kepada RSUD
Dr. Moewardi mengenai waktu penanganan persalinan ibu usia 35 tahun ke atas di
RSUD Dr. Moewardi Surakarta.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
4
BAB II
LANDASAN TEORI
Pada landasan teori ini akan dibagi menjadi dua subbab, yaitu tinjauan
pustaka dan kerangka pemikiran.
2.1. Tinjauan Pustaka
Untuk mencapai tujuan penelitian, diperlukan pengertian dan teori-teori
yang melandasinya. Pada bab ini diberikan penjelasan tentang persalinan, neural
network, radial basis function neural network dan probabilistic neural network.
2.1.1. Persalinan
Partus atau persalinan adalah proses mendorong janin dan plasenta keluar
dari uterus oleh his miometrium yang terkoordinasi. Persalinan diawali dengan his
(kontraksi) persalinan, seperti ditunjukkan oleh perubahan servikal progresif, dan
berakhir dengan kelahiran plasenta (Midwifery, 2004). Gravida adalah seorang
wanita yang sedang hamil. Primigravida adalah seorang wanita yang hamil untuk
pertama kali. Para adalah seorang wanita yang pernah melahirkan bayi yang dapat
hidup (viable). Primipara adalah seorang wanita yang pernah melahirkan bayi
hidup untuk pertama kali. Multipara atau primipara adalah seorang wanita yang
pernah melahirkan bayi yang viable untuk beberapa kali (Wiknjosastro, 1999).
Grandemultipara adalah wanita yang pernah melahirkan bayi 6 kali atau lebih
hidup atau mati. Seorang wanita yang berusia di atas 35 tahun secara medis
dianggap tidak memenuhi kelayakan untuk melahirkan.
Asfiksia sebagai penyebab utama kematian perinatal dapat diakibatkan
oleh partus (persalinan) lama. Partus lama merupakan salah satu dari beberapa
penyebab kematian ibu dan bayi baru lahir. Partus lama terjadi jika lama
persalinan lebih dari 24 jam setelah wanita tersebut dirawat di rumah sakit.
Perasaan takut dan cemas dalam menghadapi kehamilan dan persalinan dapat
menimbulkan ketegangan jiwa dan fisik, yang dapat menyebabkan kakunya otot-
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
5
otot persendian sehingga persalinan berjalan tidak wajar (Kalbe Medical Portal,
2005).
Persalinan lama dapat menyebabkan komplikasi pada ibu dan anak serta
meninggikan angka kematian. Pada waktu bersalin, sering terjadi dehidrasi, tidak
jarang timbul infeksi dan risiko perdarahan postpartum meningkat. Persalinan
lama biasa terjadi terutama pada wanita yang baru menjalani persalinan anak
pertama. Para ibu baru yang menjalani persalinan pertamanya dengan sulit dan
lama mengatakan bahwa pengalaman tersebut akan mempengaruhi mereka untuk
selamanya. Secara keseluruhan, 60% wanita yang menjalani persalinan sulit
mengatakan bahwa pengalaman tersebut akan meninggalkan kesan pada mereka
sepanjang hidupnya, demikian tertulis dalam penelitian yang dipublikasikan oleh
Journal of Clinical Nursing. Oleh karena itu, penelitian ini dilakukan, yaitu untuk
membahas perbedaan lama persalinan antara primipara dengan multipara. Dalam
hal ini, faktor yang mempengaruhi lama persalinan dapat diketahui sehingga dapat
menambah kewaspadaan dan sekaligus menanganinya dengan baik, sehingga
persalinan dapat berjalan dengan baik dan sesuai yang diharapkan, baik oleh ibu
maupun penolongnya.
Ada tujuh faktor yang mempengaruhi jalannya persalinan normal, yaitu:
(i) emosi pasien
(ii) besarnya dan presentasi janin
(iii) kualitas dan jenis his persalinan
(iv) anatomi dan volume uterus
(v) arsitektur tulang panggul
(vi) keadaan fisik umum pra persalinan, dan
(vii) pendarahan.
Masing-masing faktor akan mempengaruhi persalinan, baik individual maupun
dalam hubungan yang saling berkaitan. Idealnya pasien memasuki persalinan
dalam keadaan fisik yang baik dan emosi yang sehat, serta dengan sikap positif
dalam menghadapi pengalaman tersebut. Keadaan fisik ini dapat dinilai dari status
gizi pasien. Pasien yang cemas akan meningkatkan kadar serotonin yang dapat
mempengaruhi kualitas serta efisiensi dari his persalinan. Batasan berat normal
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
6
bayi yang umum untuk bayi normal sebaiknya 2.5-4 kg. Presentasi janin yang
tersering adalah presentasi belakang kepala. Pada posisi tersebut, kepala janin
fleksi dan wajah janin menghadap punggung ibu. Hal ini memungkinkan diameter
anterior-posterior yang terpendek dari kepala janin bergerak melalui panggul dan
mengakibatkan kemajuan dalam penurunan kepala secara efisien. Kualitas his
paling lemah pada persalinan kala I dini, tetapi kemudian meningkat bersamaan
dengan majunya persalinan, serta terjadi pembukaan dan penurunan. Kekuatan his
persalinan berhubungan langsung dengan keadaan umum pasien. Pada awal
persalinan, serviks mungkin masih tebal dan belum menipis. Dengan bertambah
majunya persalinan dan semakin meningkatnya aktivitas otot uterus, serviks
menjadi lunak dan mendatar serta segmen bawah rahim menjadi terbentuk. Bila
serviks seluruhnya berada di segmen bawah rahim dan ketebalannya sudah tidak
ada lagi, maka dapat dikatakan bahwa serviks telah 100% atau sempurna menipis.
Arsitektur tulang panggul jenis ginekoid merupakan panggul paling baik untuk
wanita, bentuk pintu atas panggul hampir bulat, panjang diameter anteroposterior
kira-kira sama dengan diameter tranversa. Arsitektur tulang panggul jenis
ginekoid terdapat pada 45% wanita.
2.1.2. Neural Network
Neural network atau Jaringan syaraf tiruan merupakan salah satu
representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan
proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan
karena neural network ini diimplementasikan dengan menggunakan program
komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses
pembelajaran. Ada beberapa tipe neural network, namun demikian, hampir
semuanya memiliki komponen-komponen yang sama.
Seperti halnya otak manusia, neural network juga terdiri-dari beberapa
neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut
akan mentransformasikan informasi yang diterima melalui penghubung antar
neuron menuju ke neuron-neuron yang lain. Pada neural network, hubungan ini
dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
7
pada bobot tersebut. Jika kita lihat, neuron buatan ini sebenarnya mirip dengan sel
neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama
pula dengan neuron-neuron biologis. Informasi (disebut dengan: input) akan
dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh
suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang
datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai
ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input
tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan
diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan.
Apabila neuron tersebut diaktifkan, maka neuron tersebut akan
mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang
berhubungan dengannya. Demikian seterusnya. Pada jaringan syaraf, neuron-
neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan
lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan
dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan
input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan
dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output
melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan
tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya,
informasi tersebut akan dirambatkan secara mundur pada jaringan.
Jenis neural network yang digunakan dalam penelitian ini adalah jaringan
syaraf tiruan feedforward. Jenis ini mencakup semua model jaringan syaraf tiruan
yang bersifat acyclic, yaitu hanya bisa menyampaikan informasi searah dari
neuron input ke neuron output. Contoh model dari jenis ini adalah single layer
perceptron, multi-layer perceptron, ADALINE, RBF (Radial Basis Function) dan
Kohonen self-organizing map, (Astuti, 2009).
Pada setiap lapisan pada jaringan syaraf tiruan terdapat fungsi aktivasi.
Fungsi ini adalah fungsi yang akan digunakan untuk membawa input menuju
output yang diinginkan. Fungsi aktivasi inilah yang akan menentukan besarnya
bobot. Penggunaan fungsi aktivasi tergantung pada kebutuhan dan desired output.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
8
2.1.3. Radial Basis Function Neural Network
Radial basis function neural network biasanya membutuhkan neuron lebih
banyak jika dibandingkan dengan neural network yang lain. Menurut
Kusumadewi, 2004, pada RBFNN, input yang akan diolah oleh suatu fungsi
aktivasi bukan merupakan hasil penjumlahan terbobot dari data input, namun
berupa vektor jarak antara vektor bobot dan vektor input yang dikalikan dengan
bobot bias.
RBFNN mempunyai 3 lapisan, yaitu (i) input, (ii) tersembunyi, dan (iii)
output. Dilihat dari proses belajarnya, jaringan ini dilatih dalam 2 tahap. Tahap
pertama secara unsupervised pada lapisan tersembunyi, dimana sistem
pembelajarannya hanya didasarkan data input. Tahap kedua secara supervised
pada lapisan output, dimana sistem pembelajarannya menggunakan data input dan
target. Menurut Bishop, 1995, RBFNN diaplikasikan untuk menyelesaikan
masalah klasifikasi.
Desain dari model RBFNN untuk pendekatan suatu fungsi adalah sebagai
berikut :
Gambar 1. Struktur RBF network
Fungsi aktivasi yang digunakan adalah
fungsi ini memiliki nilai maksimum 1, terjadi apabila input yang diterima bernilai
0 (jarak bobot dengan input 0). Sehingga apabila jarak antara bobot dengan input
berkurang, fungsi ini akan memberikan output lebih besar.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
9
RBFNN terdiri atas 1 lapisan tersembunyi dengan fungsi aktivasinya
adalah radial basis function, dan lapisan output dengan fungsi aktivasi pureline.
Fungsi aktivasi pureline dirumuskan sebagai berikut
Misalkan, vektor input dan target dinotasikan dengan dan . Jumlah
vektor pasangan input-target adalah . Jumlah variabel input adalah . Jumlah
variabel target adalah . Algoritma pelatihan RBFNN (Kusumadewi, 2004),
adalah sebagai berikut :
1. Hitung , yaitu jarak antara input data ke- dengan data ke- ;
2. Hitung yaitu hasil aktivasi dengan radial basis function dari jarak data
dikalikan bias, menggunakan dengan . Jika
spread mendekati , neural network akan berjalan tanpa adanya perubahan
kondisi sebenarnya. Tiap elemen dari diambil elemen yang paling besar
dari tiap barisnya.
3. Hitung bobot lapisan dan bobot bias lapisan, dan , pada setiap
.
Caranya dengan menyelesaikan sistem persamaan linear berikut yang dapat
diselesaikan dengan metode least square.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
10
Untuk simulasi, output jaringan , pada setiap
adalah sebagai berikut :
2.1.4. Probabilistic Neural Network
Probabilistic neural network (PNN) dikembangkan pertama kali oleh
Donald Specht. PNN adalah suatu metode neural network yang menggunakan
pelatihan supervised. PNN biasanya digunakan untuk masalah klasifikasi. Secara
garis besar, PNN mempunyai tiga lapisan yaitu (Haykin, 1998):
(i) Lapisan input
Lapisan Input merupakan lapisan data input bagi PNN.
(ii) Lapisan tersembunyi
Lapisan tersembunyi menerima data dari lapisan input yang akan diproses
dalam PNN.
(iii) Lapisan output
Pada lapisan output, node output berupa binary yang menghasilkan
keputusan klasifikasi.
Struktur PNN lebih detail yang digunakan dalam penelitian ini terdiri dari
3 bagian yaitu lapisan input, lapisan radial basis, dan lapisan kompetitif. Lapisan
radial basis melakukan evaluasi jarak vektor antara vektor input dan vektor bobot
dalam matriks bobot. Jarak tersebut diskala oleh radial basis function nonlineary,
untuk membentuk pemetaan nonlinear dari variabel input ke unit lapisan
tersembunyi. Pada lapisan kompetitif dilakukan pencarian jarak terpendek dan
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
11
menemukan pola pelatihan dari pola input berdasarkan jaraknya (Sutijo, dkk,
2006).
Gambar 2. Struktur PNN
Algoritma PNN (Kusumadewi, 2004) adalah sebagai berikut :
1. Inisialisasi
a) Melakukan inisialisasi bobot awal pada lapisan radial basis yang
dilambangkan sebagai . Bobot awal biasanya sama dengan
input .
b) Melakukan inisialisasi bobot bias.
2. Menghitung jarak (distance) dari data input ( ) dengan bobot awal ( ),
dengan dan . Jarak antara data input dengan
bobot awal merupakan norma dari vektor input dan vektor bobot .
Vektor-vektor bobot diambil kolom-kolom dari matriks bobot .
dan
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
12
3. Menghitung nilai aktivasi dari jarak antara bobot awal dengan data input,
dengan menggunakan radial basis function. Bias dikalikan dengan
. Hasilnya ditunjukkan sebagai . Pada fungsi
transfer dalam PNN dibuat kriteria jarak dengan memberi respon ke
pusatnya, yang didefinisikan sebagai
Tiap elemen dari disubstitusi dan menghasilkan elemen , vektor
output dari lapisan radial basis, digambarkan elemen ke- dari sebagai
:
Tiap elemen dari diambil elemen yang paling besar dari tiap barisnya.
4. Mencari bobot baru dan bobot bias yang baru.
Caranya dengan menyelesaikan sistem persamaan linear berikut yang dapat
diselesaikan dengan metode least square.
5. Masuk ke dalam lapisan kompetitif, menghitung output . Vektor
dikalikan dengan matriks bobot lapisan ( ), menghasilkan vektor output
. Output jaringan merupakan maksimum dari .
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
13
2.1.5. Pengujian Neural Network
Perhitungan galat merupakan pengukuran bagaimana neural network dapat
belajar dengan baik. Perhitungan galat ini merupakan pengukuran ketepatan
neural network terhadap data target pembelajaran. Pada proses pembelajaran, data
yang menjadi pembanding adalah data pembelajaran, sedangkan pada proses
pengujian, data yang dipakai adalah data uji.
2.1.6. Aplikasi Neural Network
Neural network dapat diaplikasikan ke berbagai macam persoalan. Secara
umum, langkah pembuatan neural network untuk suatu aplikasi adalah seperti
pada Gambar 3 (Hermawan, 2006).
Gambar 3. Bagan Aplikasi Neural Network
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
14
Langkah pertama adalah pengumpulan data untuk pelatihan dan pengujian
neural network. Jika semakin banyak data dapat diperoleh, semakin baik jaringan
dapat menyelesaikan masalah. Data yang diperoleh dibagi menjadi 2 bagian pada
langkah ke dua, yaitu data pengujian dan data pelatihan. Selanjutnya, dilakukan
pemilihan struktur jaringan dan algoritma pelatihan. Banyaknya neuron masukan
dan neuron keluaran pada neural network disesuaikan dengan masalah yang akan
diselesaikan. Langkah berikutnya adalah untuk menentukan parameter neural
network seperti learning rate dan momentum. Selanjutnya dilakukan pelatihan
dengan menggunakan data pelatihan sampai menemukan titik konvergensinya.
Konvergensi ditandai dengan tercapainya galat yang diinginkan. Jika tidak dapat
mencapai konvergensi, maka dapat diulangi dari langkah 5.
Setelah dilakukan pengujian pada langkah ke-8, maka neural network
dapat diimplementasikan sebagai sebuah sistem untuk menyelesaikan masalah.
Jika pengujian menghasilkan kesimpulan bahwa neural network tidak memadai,
proses dapat diulang dari langkah-langkah sebelumnya:
1. Ulangi pelatihan (langkah 7)
2. Ganti parameter neural network dengan nilai lain (langkah 5)
3. Pilih algoritma pembelajaran yang lain (langkah 4)
4. Perbaharui struktur, misalnya dengan mengubah jumlah neuron
tersembunyi (langkah 3)
5. Pisahkan ulang data (langkah 2)
6. Perbanyak data (langkah 1)
2.2. Kerangka Pemikiran
Berdasarkan pada tinjauan pustaka yang sudah dijelaskan di atas, analisis
data yang akan digunakan dalam penelitian ini adalah RBFNN dan PNN. RBFNN
dan PNN akan diterapkan pada data kondisi dan waktu persalinan pertama ibu
pada usia 35 tahun ke atas dengan input kondisi ibu hamil dan output waktu
persalinan. Dari input dan output dapat dilakukan pelatihan neural network
kemudian dapat dilakukan pengujian neural network. Aplikasi neural network
dapat digunakan untuk menentukan waktu persalinan yang tepat dan cepat dalam
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
15
menangani persalinan. Kemudian dilakukan pengujian untuk menentukan
seberapa tepat neural network dapat memprediksikan waktu persalinan.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
15
BAB III
METODE PENELITIAN
Metode yang digunakan dalam penelitian skripsi ini adalah studi
kepustakaan dan studi kasus. Referensi dari buku maupun jurnal mengenai radial
basis function neural network (RBFNN) akan diterapkan pada data persalinan
primipara saat usia tua (primitua) di RSUD Dr. Moewardi Surakarta. Langkah-
langkah yang digunakan dalam penelitian ini adalah sebagai berikut.
3.1. Pengumpulan Data
Data dalam penelitian ini adalah data sekunder hasil pencatatan medis dari
RSUD Dr. Moewardi Surakarta. Teknik sampling yang digunakan adalah dengan
pendekatan campuran yaitu purposive random sampling. Ditentukan jumlah
sampel sebanyak 20 data ibu yang melahirkan pertama kali, yaitu 10 untuk data
pelatihan dan 10 untuk data pengujian, kemudian dipilih secara acak.
3.2. Analisis Data
Analisis data dilakukan dengan bantuan software MATLAB 7.7.0.
Langkah-langkah yang ditempuh untuk mencapai tujuan penelitian ini antara lain :
1. Pengumpulan data penelitian.
2. Memisahkan data untuk pelatihan dan pengujian.
3. Menentukan struktur jaringan.
4. Melakukan pelatihan data.
5. Melakukan pengujian.
6. Mengaplikasikan jaringan untuk mendapat waktu persalinan optimal.
7. Menarik kesimpulan.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
16
BAB IV
PEMBAHASAN
Ada banyak cara untuk mengklasifikasikan suatu kasus dengan
menggunakan neural network. Salah satu diantaranya adalah radial basis function
neural network (RBFNN). RBFNN itu sendiri dapat dikembangkan dengan
berbagai cara. Pembahasan dalam skripsi ini, RBFNN diterapkan pada data
persalinan usia tua di RSUD Dr. Moewardi Surakarta. Neural Network yang
digunakan adalah RBFNN dan PNN. Selanjutnya, dibandingkan hasil yang
terbaik dari kedua jaringan tersebut.
4.1. Deskripsi Data
Data yang digunakan dalam skripsi ini diperoleh dari rekam medis
persalinan usia tua di RSUD Dr. Moewardi Surakarta. Variabel yang diambil
adalah emosi pasien, besar dan presentasi janin, his persalinan, panjang uterus,
arsitektur tulang panggul, keadaan umum ibu pra persalinan, jumlah pendarahan,
dan waktu persalinan. Jumlah data untuk masing-masing variabel adalah 20. Data
yang digunakan untuk input adalah 10 data pertama, dan sisanya digunakan untuk
pengujian. Variabel yang digunakan untuk input adalah emosi pasien, besar dan
presentasi janin, his persalinan, panjang uterus, arsitektur tulang panggul, keadaan
umum ibu pra persalinan, dan jumlah pendarahan. Variabel yang digunakan untuk
output adalah waktu persalinan.
4.2. Neural Network
Persalinan primipara usia tua merupakan persalinan yang beresiko tinggi.
Untuk penanganan dalam kasus persalinan primipara usia tua dibutuhkan waktu
yang tepat dan optimal dan sesuai dengan keadaan sang ibu. Dengan
menggunakan jaringan syaraf tiruan, terutama RBFNN dan PNN, penelitian ini
dapat mengetahui waktu penanganan yang tepat dengan eksekusi seefisien
mungkin. Dalam neural network tidak dihasilkan model matematika, tetapi berupa
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
17
arsitektur jaringan yang cocok. RBFNN dan PNN merupakan neural network
yang dapat diaplikasikan untuk masalah klasifikasi.
4.2.1. Radial Basis Function Neural Network
Arsitektur yang akan digunakan adalah arsitektur RBFNN dengan tiga
lapisan, yaitu lapisan input, lapisan tersembunyi, dan lapisan output dengan arah
feedforward. Pada lapisan input digunakan 7 neuron, hal ini karena jumlah
variabel yang digunakan sebanyak 7 faktor persalinan. Pada lapisan tersembunyi
dibatasi penggunaannya, paling banyak 10 neuron, hal ini karena jumlah data
dalam pelatihan sebanyak 10. Sedangkan pada lapisan output digunakan satu
neuron, hal ini karena hanya akan dihasilkan satu output waktu yang dibutuhkan
dalam persalinan. Output waktu yang dibutuhkan dalam persalinan dibagi
kedalam tiga kelompok, yaitu waktu persalinan kurang dari 7 jam, antara 7 sampai
10 jam, dan lebih dari 10 jam. Persalinan yang berlangsung lama dapat
menimbulkan komplikasi-komplikasi baik terhadap ibu maupun terhadap anak,
dan akan meningkatkan angka kematian ibu dan anak (Mochtar, 1995). Partus
lama adalah persalinan yang berlangsung lebih dari 10 jam pada primitua; dan
lebih dari 7 jam pada persalinan normal.
Proses pelatihan dilakukan dengan menggunakan software Matlab 7.7.0,
fungsi yang dipakai untuk membangun standard RBFNN adalah newrb. Dengan
menggunakan fungsi ini, network yang terbentuk akan terdiri dari beberapa
neuron dengan fungsi aktifasi radbas dan jumlah neuron pada lapisan
tersembunyi sama dengan jumlah neuron pada lapisan input. Proses pelatihan
tersebut diterapkan pada data pelatihan dari 10 data kondisi ibu hamil primipara.
Input yang digunakan merupakan 7 faktor yang mempengaruhi jalannya
persalinan. Sedangkan output yang digunakan merupakan waktu yang dibutuhkan
dalam persalinan dalam satuan jam. Pada kasus ini, nilai spread yang digunakan
adalah .
Pada setiap neuron, diberikan bobot awal input. Bobot awal input diatur
sama dengan data input. Setelah melakukan pelatihan, diperoleh bobot input dan
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
18
bobot lapisan yang disajikan pada lampiran, sedangkan bobot bias input adalah
dan bobot bias lapisan adalah .
Hasil pengujian terhadap data pelatihan (data yang telah dilatih) adalah
sebagai berikut :
Tabel 1. Pengujian data pelatihan RBFNN
Data ke- Target Output 1 1 1 2 3 3 3 3 3 4 3 3 5 1 1 6 1 1 7 2 2 8 1 1 9 1 1 10 1 1
Semua Error (E) bernilai 0; berarti semua data pelatihan memiliki output sama
persis dengan targetnya.
Gambar 4. Hasil Pengujian Data Pelatihan RBFNN
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
19
Pada Gambar 4, output dan target sebagian besar sudah berdekatan
(hampir mendekati posisi yang sama). Hasil yang terbaik terjadi apabila posisi
output dan target betul-betul berada pada posisi yang sama.
Hasil pengujian terhadap data pengujian terdapat pada Tabel 2, sebagai
berikut.
Tabel 2. Pengujian data pengujian RBFNN
Data ke- Target Output 1 3 1 2 2 1 3 1 1 4 2 1 5 2 1 6 1 1 7 2 1 8 1 1 9 1 3 10 1 2
Pada Tabel 2, data ke-3, 6, dan 8 tidak terjadi error, maka dari prosedur
RBFNN dapat dilihat bahwa data pengujian memiliki tingkat ketepatan sebesar
30%.
Gambar 5. Perbandingan target dan output data pengujian RBFNN
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
20
Perbandingan antara target dengan output terlihat pada gambar 5. Pada
gambar 5 tersebut, ada beberapa output dan target sudah berdekatan (hampir
menempati posisi yang sama).
4.2.2. Probabilistic Neural Network
Arsitektur yang akan digunakan adalah arsitektur Probabilistic Neural
Network (PNN) dengan tiga lapisan, yaitu lapisan input, lapisan tersembunyi, dan
lapisan output dengan arah feedforward. Pada lapisan input digunakan 7 neuron,
hal ini karena jumlah variabel yang digunakan sebanyak 7 faktor persalinan. Pada
lapisan tersembunyi dibatasi penggunaannya, paling banyak 10 neuron, hal ini
karena jumlah data dalam pelatihan sebanyak 10. Sedangkan pada lapisan output
digunakan satu neuron, hal ini karena hanya akan dihasilkan satu output waktu
yang dibutuhkan dalam persalinan. Output waktu yang dibutuhkan dalam
persalinan dibagi kedalam tiga kelompok, yaitu waktu persalinan kurang dari 7
jam, antara 7 sampai 10 jam, dan lebih dari 10 jam.
Proses pelatihan dilakukan dengan menggunakan software Matlab 7.7.0,
fungsi yang dipakai untuk membangun PNN adalah newpnn. Dengan
menggunakan fungsi ini, network yang terbentuk akan terdiri dari beberapa
neuron dengan fungsi aktifasi radbas dan jumlah neuron pada lapisan
tersembunyi sama dengan jumlah neuron pada lapisan input. Proses pelatihan
tersebut diterapkan pada data pelatihan yang berupa 10 data kondisi ibu hamil
primipara. Input yang digunakan merupakan 7 faktor yang mempengaruhi
jalannya persalinan. Sedangkan output yang digunakan merupakan kelompok
waktu yang dibutuhkan dalam persalinan dalam satuan jam. Pada kasus ini, nilai
spread yang digunakan adalah .
Bobot-bobot input pada lapisan pertama akan bernilai sama dengan
transpose input, . Output lapisan pertama, , merupakan hasil aktivasi dari
jarak antara vektor input dengan bobot input dikalikan dengan bias. Nilai akan
mendekati 1 apabila vektor input mendekati vektor bobot, (jarak mendekati 0).
Apabila input vektor dekat dengan beberapa bobot input, maka akan ada beberapa
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
21
elemen yang dekat dengan 1. Output lapisan pertama akan menjadi input bagi
lapisan output.
Pada lapisan output, bobot-bobot lapisan akan dibuat sama dengan vektor-
vektor target. Tiap-tiap vektor target ini akan bernilai 1 hanya pada baris yang
berhubungan dengan vektor input tertentu, yang lainnya akan bernilai 0. Neuron
pada lapisan output akan menjumlahkan hasil perkalian antara bobot output
dikalikan dengan . Output jaringan akan bernilai 1 jika besar,
sebaliknya akan bernilai 0 jika kecil. (Kusumadewi, 2004)
Sebelum membentuk PNN, vektor target harus diubah dulu dari bentuk
indeks ke bentuk vektor. Setelah melakukan pelatihan, diperoleh bobot input dan
bobot lapisan yang disajikan pada lampiran, sedangkan bobot bias input adalah
.
Kemudian hasilnya akan disimulasikan, dengan input yang sama dengan
input data pelatihan. Simulasi juga akan dilakukan pada data pengujian, yang
hasilnya sebagai berikut :
Tabel 3. Hasil pengujian data pengujian PNN
Data ke- Target Output 1 3 3 2 2 1 3 1 2 4 2 1 5 2 1 6 1 1 7 2 1 8 1 2 9 1 1 10 1 1
Pada Tabel 3, data ke-1, 6, 9, dan 10 tidak terjadi error, maka dari prosedur
PNN dapat dilihat bahwa data pengujian memiliki tingkat ketepatan sebesar 40%.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
22
4.2.3. Perbandingan Radial Basis Function Neural Network dan
Probabilistic Neural Network
Arsitektur jaringan yang paling sesuai untuk kasus penentuan waktu
optimal persalinan adalah arsitektur yang memberikan error paling sedikit. Pada
subbab ini akan dibandingkan dua arsitektur jaringan yang masih termasuk dalam
RBFNN, yaitu RBFNN dan PNN.
Tabel 4. Perbandingan RBFNN dan PNN
Neural network RBFNN PNN Tepat 3 4
Tidak Tepat 7 6 Error 70 % 60 %
Ketepatan 30 % 40 %
Pada RBFNN dengan performance goal sebesar 0 dan spread sebesar 2
dapat disimpulkan bahwa neural network memiliki error sebesar 70% dan
ketepatan sebesar 30%. Sedangkan pada PNN dengan spread sebesar 0.2 memiliki
error sebesar 60% dan ketepatan sebesar 40%. Hal ini, terlihat pada Tabel 4. Jadi,
dapat disimpulkan bahwa PNN memiliki jaringan yang lebih cocok dibandingkan
dengan RBFNN.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
23
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Hasil analisis melalui dua jenis Radial Basis Function Neural Network
memberikan informasi mengenai waktu penanganan persalinan usia tua di RSUD
Moewardi Surakarta dengan menggunakan faktor-faktor yang mempengaruhi
persalinan. Berdasarkan dengan hasil pelatihan dan pengujian, dapat diambil
kesimpulan bahwa hasil pengujian RBFNN dengan performance goal sebesar 0
dan spread sebesar 2 dapat disimpulkan bahwa jaringan memiliki error sebesar
70% dan ketepatan sebesar 30%. Jadi, terdapat 30% ketepatan dalam
menggunakan RBFNN untuk menentukan waktu penanganan persalinan primitua.
Hasil pengujian PNN dengan performance goal sebesar 0 dan spread sebesar 0.2
terdapat 60% kesalahan dan 40% ketepatan ketika melakukan pengujian dengan
PNN. Jadi, PNN memiliki jaringan yang lebih baik dibandingkan dengan RBFNN
untuk menentukan waktu penanganan persalinan primitua.
5.2. Saran
Saran yang dapat diberikan penulis bagi para pembaca antara lain pembaca
dapat melakukan analisis dengan menggunakan neural network yang lain seperti
Multi layer perceptron dan Backpropagation.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
24
DAFTAR PUSTAKA
Astuti, Erna Dwi (2009). Pengantar Jaringan Syaraf Tiruan : Teori dan
Aplikasi. Wonosobo : Star Publishing.
Badan Koordinasi Keluarga Berencana Nasional. (2005). Merencanakan
Kehamilan yang Aman dan Sehat. http: //www.bkkbn.go.id. (8 Maret
2008).
Biro Pusat Statistik (1995). Survei Sosial Ekonomi Nasional (Susenas). BPS,
Jakarta.
Biro Pusat Statistik (1998). Survei Sosial Ekonomi Nasional (Susenas). BPS,
Jakarta.
Biro Pusat Statistik (2001). Survei Sosial Ekonomi Nasional (Susenas). BPS,
Jakarta.
Bishop, C. M. (1995). Neural Network for Pattern Recognition. Oxford :
Clarendon Press.
Haykin, Simon (1998). Neural networks a Comprehensive Foundation (2nd
ed.). Prentice Hall International, Inc, Hamilton.
Hermawan, Arif (2006). Jaringan Saraf Tiruan: Teori dan Aplikasi. Penerbit
ANDI.
Kalbe Medical Portal (2005). Persalinan yang Sulit Meninggalkan
Kekhawatiran pada Wanita.
http: //www.kalbe.co.id/templates/ipopeng.htm. (5 Maret 2008).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
25
Kusumadewi, Sri (2004). Membangun Jaringan Syaraf Tiruan (Menggunakan
MATLAB dan Excel Link). Yogyakarta : Graha Ilmu.
Midwifery V (2004). Ilmu Kebidanan. Edisi 3. Bandung: Sekeloa Publisher,
pp: 333-347.
Moody, J. E. and Darken, C. (1989). Fast learning in networks of locally-
tuned processing units. Neural Computation 1, pp. 281-294.
Mochtar R. (1995). Sinopsis Obstetri Jilid II. Jakarta: Kedokteran EGC, pp.
209-21.
Sulistiyowati N, Ronoatmodjo S, Tarigan L.H. (2001). Kematian perinatal
hubungannya dengan faktor praktek kesehatan ibu selama kehamilan di
kota Bekasi tahun 2001. Ekologi Kesehatan. Vol 2 no.1: 192-199.
Sutijo, B. Subanar dan Guritno, S. (2006). Pemilihan Hubungan Input-Node
pada Jaringan Syaraf Tiruan Fungsi Radial Basis. Surabaya : Jurusan
Statistika, Institut Teknologi Sepuluh November.
Wiknjosastro H, Saifuddin A.B., Rachimhadhi T., editor. (1999). Ilmu
Kebidanan. Jakarta: Bina Pustaka Sarwono Prawirohardjo, pp: 171-
191.
Zainuddin, Z, dan Kumar M, (2008). Radial Basis Function Neural Network
in Protein Sequence Classification. Malaysian Jurnal of Mathematical
Science 2(2) pp : 195-204.
Recommended