BAB IV PENGUJIAN DAN ANALISA DATA

Transkripsi

1 4.1 Training JST BAB IV PENGUJIAN DAN ANALISA DATA Dalam penelitian ini menggunakan metode penentuan bobot pada training jaringan syaraf tiruan yaitu Levenberg Marquad dengan struktur JST menggunakan MLP (Multi Layer Perceptron) dengan struktur input ARX (Auto Regresive external Input), dimana variabel Input JST mengandung input (U) dan output (Y) masa sekarang dan lampau. Gambar 4.2 adalah struktur input JST terdiri dari Usia, Jenis Kelamin, Berat Badan, Nadi,Tensi, Respirasi dan ouput terdiri dari dosis dengan history length 6. Input node terdiri dari 9 node (ditambah node bias), hidden node terdiri dari 2 node dan output node terdiri atas 1 node. Sehingga akan menghasilkan matrik W1fb = 2x43 yang merupakan bobot pengali antara layer input dengan layer hidden dan matrik W2fb = 1x3 yang merupakan bobot pengali antara layer hidden dengan layer output. Proses training pada dasarnya adalah untuk menentukan bobot antara layer input dan layer hidden serta bobot antara layer hidden dan layer output. Proses training JST ini dilakukan secara offline dan didapat hasil training JST gambar 4.2 dengan struktur JST pada gambar 4.1. Data set yang diambil untuk masing - masing node input seluruhnya berjumlah 62 data, yang terbagi atas 2 bagian yaitu 52 data digunakan untuk proses training dan 1 data digunakan untuk validasi model JST yang telah didapat. Kriteria pemodelan proses yang dihasilkan dinyatakan dalam RMSE (Root Mean Square Error) sebagaimana ditunjukkan pada persamaan 4.2. Dengan ketentuan semakin kecil RMSE yang dihasilkan (mendekati nilai ) akan menghasilkan prediksi output yang lebih baik. 24

2 25 RMSE = N i= 1 ( y yˆ ) i N i 2 (4.2) Selain menggunakan nilai RMSE dalam menyatakan kriteria model plant, juga dinyatakan dalam VAF (Variance Accounted For) dalam persen. Dengan ketentuan bahwa nilai VAF yang dihasilkan semakin besar semakin bagus (mendekati nilai 1). Umur Jenis Kelamin Berat Badan Nadi Awal Tensi Awal Respirasi Awal Dosis Nadi Post Tensi Post 1 Respirasi Post 1 Gambar 4.1 Struktur JST Kontroller

3 26 output proses output model Dosis % Gambar 4.2 Hasil Training JST Kontroller Dari uji coba tersebut di atas (proses training), didapat nilai RMSE serta VAF, yaitu RMSE untuk tiap-tiap output adalah RMSE = 1.2E-11 dan nilai VAF = 1. Gambar 4.3 Struktur Model

4 27 Struktur input pada pasien model adalah dosis, nadi awal, tensi awal, respirasi awal dan outputnya adalah nadi post, tensi post, respirasi post dengan history length 7. Input node terdiri dari 3 node (ditambah node bias), hidden node terdiri dari 3 node dan output node terdiri atas 4 node. Sehingga akan menghasilkan matrik W1fc = 3x5 yang merupakan bobot pengali antara layer input dengan layer hidden dan matrik W2fc = 3x4 yang merupakan bobot pengali antara layer hidden dengan layer output. Proses training JST ini dilakukan secara offline dan didapat hasil training JST gambar 4.4,4.5, 4.6, dengan struktur JST pada gambar 4.3. Nadi setelah dibius Nadi(BPM) Output Proses Output Model Gambar 4.4 Hasil Training Model Nadi setelah dibius Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah nadi setelah dibius.

5 28 Tensi setelah dibiius 15 Tensi(mmHg) Output Proses Output Model Gambar 4.5 Hasil Training Model Tensi setelah dibius Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah tensi setelah dibius. Respirasi setelah dibius Respirasi(permenit) Output Proses Output Model Gambar 4.6 Hasil Training Model Respirasi setelah dibius

6 29 Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah respirasi setelah dibius. Dari uji coba tersebut di atas (proses training), didapat nilai RMSE serta VAF, yaitu RMSE untuk tiap-tiap output adalah RMSE nadi = 4.68E-13; tensi = 1.69E-12; respirasi = 3.92E-13; dan nilai VAF nadi = 1; tensi = 1; respirasi = Pengujian JST Setelah proses training dilaksanakan dan menghasilkan nilai bobot kemudian dilakukan proses testing. Dimana bobotbobot hasil training digunakan dalam proses testing. Data input dalam proses testing adalah data yang tidak sama dengan data training sebelumnya. Hal ini bertujuan untuk mengetahui kehandalan dari JST yang telah dibangun, apakah mampu mengidentifikasi inputan yang belum pernah diterima sebelumnya (dalam proses training). Data yang digunakan untuk input-an JST yang akan digunakan dalam proses testing dapat dilihat pada Tabel 4.2 dimana input tersebut belum pernah ditraning-kan sama sekali pada jaringan syaraf tiruan yang telah dibangun dan Tabel 4.3 adalah hasil pengujian dari proses testing. Sedangkan gambar 4.6 adalah grafik perbandingan dari pengujian JST Kontroller.

7 3 Tabel 4.2 Data yang di testing Jenis ke Usia Jenis Kelamin Berat Badan Nadi Tensi Respirasi Dosis % ( perempuan ) ( perempuan ) ( laki - laki ) Data ( perempuan ) ( perempuan ) ( laki - laki ) ( laki - laki ) ( laki - laki ) ( perempuan ) ( perempuan ) Tabel diatas adalah data pasien yang akan di lakukan pengujian terhadap JST kontroller, dimana data pasien tersebut belum di training sebelumnya. Tabel 4.3 Hasil yang di testing Jenis ke Usia Jenis Kelamin Berat Badan Nadi Tensi Respirasi Dosis % ( laki - laki ) ( perempuan ) ( laki - laki ) JST ( perempuan ) Kontroller ( perempuan ) ( laki - laki ) ( laki - laki ) ( laki - laki ) ( perempuan ) ( perempuan ) Jika dilihat dari hasil testing yang dilakukan, maka jaringan syaraf tiruan sudah mampu mengidentifikasi proses yang belum pernah diterimanya pada saat training.

8 31 Dosis % Data JST Kontroller Gambar 4.6 Grafik perbandingan dari pengujian JST Kontroller Selanjutnya pengujian pada model pasien dimana input tersebut belum pernah di-traning-kan sama sekali pada jaringan syaraf tiruan yang telah dibangun. Tujuan dari testing pada pasien model ini adalah dengan membuktikan bahwa dengan pemberian dosis sekian % apakah pasien benar dalam keadaan tidak sadar. Pada Tabel 4.4 adalah data testing dimana data tersebut belum pernah di training sebelumnya, dan pada tabel 4.4 merupakan hasil dari proses testing, pada gambar 4.7, 4.8, 4.9 adalah grafik perbandingan dari pengujian model pasien. Tabel 4.4 Data yang di testing Jenis ke Dosis % Nadi Tensi Respirasi Awal stlh dibius Awal stlh dibius Awal stlh dibius Data

9 32 Tabel diatas adalah data pasien yang akan di lakukan pengujian terhadap JST kontroller, dimana data pasien tersebut belum di training sebelumnya. Tabel 4.5 Hasil yang di testing Dosis % Nadi Tensi Respirasi ke Awal stlh dibius Awal stlh dibius Awal stlh dibius Model JST Dari hasil testing pada Tabel 4.5 dimana output dari pasien model adalah nadi setelah dibius, tensi setelah dibius, respirasi setelah dibius, jika dibandingkan dengan data pasien yang belum di training sebelumnya maka dapat kita analisa bahwa ada perbedaan dari hasil testing tersebut dengan data pasien, perbedaan itu dapat kita maklumi dikarenakan bahwa dalam kenyataannya bahwa pasien yang sebenarnya juga mempunyai nadi, tensi, yang berfluktuasi ( naik turun ).

10 33 Nadi(BPM) Nadi setelah di bius Data Model Gambar 4.7 Grafik perbandingan dari pengujian model pasien pada nadi setelah dibius Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah nadi setelah dibius. Tensi setelah dibius Tensi(mmHg) Data Model Gambar 4.8 Grafik perbandingan dari pengujian model pasien pada tensi setelah dibius

11 34 Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah tensi setelah dibius. 2 Respirasi setelah dibius Respirasi (permenit) Data Model Gambar 4.9 Grafik perbandingan dari pengujian model pasien pada respirasi setelah dibius Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah respirasi setelah dibius. 4.3 Simulasi Plant Jika dilihat dari hasil testing yang dilakukan, dimana nilai RMSE dan VAF sudah bagus, karena jaringan syaraf tiruan sudah mampu mengidentifikasi proses yang belum pernah diterimanya pada saat training. Langkah selanjutnya adalah proses pengujian JST kontroller dilakukan secara online simulasi, dimana dari hasil pemodelan dalam hal ini adalah bobot training W1fb, W2fb dan

12 35 W1fc, W2fc digunakan untuk proses pengujian JST kontroller secara online simulasi. Gambar 4.1 : Struktur Simulasi online Dimana dalam proses online ini dengan memasukkan data input yang berbeda beda seperti usia, jenis kelamin, berat badan, nadi awal, tensi awal, respirasi awal maka akan dapat diketahui secara langsung dosis yang akan diberikan dan perubahan dari nadi, tensi, respirasi setelah diberi dosis. Tabel 4.5 Hasil pengujian JST kontroller Tabel 4.5 diatas merupakan hasil dari simulasi online. Dimana output dari JST Kontroller adalah dosis, nadi, tensi, respirasi ( post = setelah dibius ).

13 36 Tabel 4.6 Data pasien Dari hasil pengujian pada Tabel 4.5 dimana output dari JST Kontroller online simulasi yaitu nadi setelah dibius, tensi setelah dibius dan respirasi setelah dibius. Nadi setelah dibius Nadi(BPM) Data Simulasi Gambar 4.1 Grafik perbandingan dari pengujian online simulasi pada nadi setelah dibius Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah nadi setelah dibius.

14 37 Tensi setelah dibius Tensi(mmHg) Data Simulasi Gambar 4.11 Grafik perbandingan dari pengujian online simulasi pada tensi setelah dibius Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah tensi setelah dibius. Respirasi setelah dibius Respirasi(permeni t) Data Simulasi Gambar 4.12 Grafik perbandingan dari pengujian online simulasi pada respirasi setelah dibius

15 38 Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah respirasi setelah dibius. Dosis % Dosis % Data Simulasi Gambar 4.13 Grafik perbandingan dari pengujian online simulasi pada dosis Dari grafik perbandingan diatas bahwa hasil dari online simulasi berhimpit dengan data pasien yang belum ditraining, dalam arti JST mampu menentukan dosis dari data pasien yang diujikan. Dimana dari kesemua output itu JST mampu memodelkan pasien, saat pasien model diberi dosis maka nadi, tensi dan respirasi pada pasien akan menjadi tidak sadar dilihat dari perbedaan dari nadi awal, tensi awal, dan respirasi awal. Dengan menggunakan Jaringan Syaraf Tiruan mampu menentukan dosis anesthesia serta mampu memodelkan pasien setelah mendapat dosis anesthesia.

16 39