perpustakaan.uns.ac.id digilib.uns.ac.id prediksi waktu ... filejarak dengan anak sebelumnya kurang...

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


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).


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.


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.


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-


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


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


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.


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.


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.


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


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


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 .


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


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


commit to user

15

menangani persalinan. Kemudian dilakukan pengujian untuk menentukan

seberapa tepat neural network dapat memprediksikan waktu persalinan.


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.


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


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


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


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


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


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


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


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%.


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.


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.


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.


Jakarta.


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).


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.

perpustakaan.uns.ac.id digilib.uns.ac.id prediksi waktu ... filejarak dengan anak sebelumnya kurang...

Documents