BAB II LANDASAN TEORI

BAB II

LANDASAN TEORI

2.1 Jaringan Syaraf Tiruan

2.1.1. Latar Belakang

Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.

2.1.2 Pengertian Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran [Smith,2003] Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

2.1.3 Inspirasi Biologi

Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur low-level dari otak.

Universitas Sumatera Utara

Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang (threshold).

Gambar 2.1 Susunan Syaraf Manusia

2.1.4 Perbandingan Jaringan Syaraf Tiruan dengan Konvensional

Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.


Jaringan Syaraf Tiruan dan suatu algoritma komputer konvensional tidak saling bersaing namun saling melengkapi satu sama lain. Pada suatu kegiatan yang besar, sistim yang diperlukan biasanya menggunakan kombinasi antara keduanya (biasanya sebuah komputer konvensional digunakan untuk mengontrol Jaringan Syaraf Tiruan untuk menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan tidak memberikan suatu keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang luarbiasa.

Gambar 2.2 Sebuah Sel Syaraf Sederhana

2.1.5 Konsep Dasar Jaringan Syaraf Tiruan

Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (Post Synaptic Potential dari sel syaraf). Signal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf.

Biasanya tahapan fungsi jarang digunakan dalan Jaringan Syaraf Tiruan. Fungsi aktivasi (f(.)) dapat dilihat pada Gambar 2.3


Gambar 2.3 Fungsi Aktifasi

Bagaimana sel syaraf saling berhubungan? Jika suatu jaringan ingin digunakan untuk berbagai keperluan maka harus memiliki input (akan membawa nilai dari suatu variabel dari luar) dan output (dari prediksi atau signal kontrol). Input dan output sesuai dengan sensor dan syaraf motorik seperti signal datang dari mata kemudian diteruskan ke tangan, Dalam hal ini terdapat sel syaraf atau neuron pada lapisan tersembunyi berperan pada jaringan ini. Input, lapisan tersembunyi dan output sel syaraf diperlukan untuk saling terhubung satu sama lain. Berdasarkan dari arsitektur (pola koneksi), Jaringan Syaraf Tiruan dapat dibagi kedalam dua kategori :

2.1.5.1 Struktur Feed forward

Sebuah jaringan yang sederhana mempunyai struktur feed forward dimana signal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit output (mempunyai struktur perilaku yang stabil). Tipe jaringan feed forward mempunyai sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan beberapa unit dari lapisan sebelumnya atau terhubung semuanya dengan baik.


Gambar 2.4 Jaringan Syaraf Tiruan Feed forward Yang termasuk dalam struktur feedforward : a) Single-layer perceptron b) Multilayer perceptron c) Radial-basis function networks d) Higher-order networks e) Polynomial learning networks

2.1.5.2 Struktur Recurrent (Feed back)

Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam Jaringan Syaraf Tiruan, namun sejauh ini struktur feedforward sangat berguna untuk memecahkan masalah. Yang termasuk dalam struktur recurrent (feed back) : a) Competitive networks b) Self-organizing maps c) Hopfield networks d) Adaptive-resonanse theory models


Gambar 2.5 Jaringan Syaraf Tiruan Feed Back

Ketika sebuah Jaringan Syaraf digunakan. Input dari nilai suatu variabel ditempatkan dalam suatu input unit.dan kemudian unit lapisan tersembunyi dan lapisan output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.

2.1.6 Lapisan pada Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan biasanya mempunyai 3 group atau lapisan yaitu unit-unit lapisan input yang terhubung dengan lapisan tersembunyi yang selanjutnya terhubung dengan lapisan output. a)

Aktifitas unit-unit lapisan input menunjukkan informasi dasar yang kemudian digunakan dalam Jaringan Syaraf Tiruan.

b) Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unitunit input dan bobot dari koneksi antara unit-unit input dan unit-unit lapisan tersembunyi c)

Karakteristik dari unit-unit output tergantung dari aktifitas unit-unit lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit-unit output


2.1.7 Perceptron

Perceptron termasuk kedalam salah satu bentuk Jaringan Syaraf Tiruan yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada dasarnya perceptron pada Jaringan Syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif. Perceptron dapat dilihat di gambar 2.6

Gambar 2.6 Bentuk Perceptron

2.1.8. Proses Pembelajaran

Umumnya, jika menggunakan Jaringan Syaraf Tiruan, hubungan antara input dan output harus diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu model. Hal lain yang penting adalah proses belajar hubungan input/output dilakukan dengan pembelajaran. Ada dua tipe pembelajaran yang dikenal yaitu pembelajaran terawasi dan pembelajaran tak terawasi. Pada pembelajaran terawasi, metode ini digunakan jika output yang diharapkan telah diketahui sebelumnya. Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada.


Pada metode pembelajaran yang tidak terawasi, tidak memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti apa yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran seperti ini biasanya sangat cocok untuk pengelompokkan (klasifikasi) pola.

2.1.9 Fungsi Transfer

Karakter dari Jaringan Syaraf Tiruan tergantung atas bobot dan fungsi input - output (fungsi transfer) yang mempunyai ciri tertentu untuk setiap unit. Fungsi ini terdiri dari 3 katagori yaitu : 1. Linear Units, Aktifitas output adalah sebanding dengan jumlah bobot output. 2. Threshold Units, Output diatur satu dari dua tingkatan tergantung dari apakah jumlah input adalah lebih besar atau lebih kecil dari nilai ambang. 3. Sigmoid Units, Output terus menerus berubah-ubah tetapi tidak berbentuk linear. Unit ini mengandung kesamaan yang lebih besar dari sel syaraf sebenarnya dibandingkan dengan linear dan threshold unit, namun ketiganya harus dipertimbangkan dengan perkiraan kasar.

Untuk membuat Jaringan Syaraf Tiruan agar dapat melakukan beberapa kerja khusus. Harus dipilih unit-unit yang akan dihubungkan antara satu dengan yang lain dan harus bisa mengatur bobot dari hubungan tersebut secara tepat. Hubungan tersebut akan menentukan apakah mungkin suatu unit mempengaruhi unit yang lain. Bobot menentukan kekuatan dari pengaruh tersebut. pembelajaran Dapat dilakukan terhadap 3 lapisan pada Jaringan Syaraf Tiruan yang melakukan kerja khusus dengan menggunakan prosedur dibawah ini : 1. Memperkenalkan Jaringan Syaraf Tiruan dengan contoh pembelajaran yang terdiri dari sebuah pola dari aktifitas untuk unit-unit input bersama dengan pola yang diharapkan dari aktifitas untuk unit-unit output. 2. Menentukan seberapa dekat output sebenarnya dari Jaringan Syaraf Tiruan sesuai dengan output yang diharapkan.


3. Mengubah bobot setiap hubungan agar Jaringan Syaraf Tiruan menghasilkan suatu perkiraan yang lebih baik dari output yang diharapkan

Ilustrasi dari prosedur pembelajaran diatas dapat dilihat dibawah ini Diasumsikan bahwa suatu Jaringan Syaraf Tiruan dapat mengenali digit dari tulisan tangan. Dapat digunakan suatu array dengan 256 sensor, setiap sensor merekam ada tidaknya tinta pada suatu digit. Jaringan Syaraf Tiruan memerlukan 256 unit-unit input (satu untuk setiap sensor), 10 unit-unit output (satu untuk setiap digit) dan sebuah nomor dari unit-unit tersembunyi. Untuk setiap digit yang direkam oleh sensor, Jaringan Syaraf Tiruan akan menghasilkan aktifitas yang tinggi pada unit output yang cocok dan aktifitas yang rendah pada unit-unit output yang lain. Untuk pembelajaran Jaringan Syaraf Tiruan, ditampilkan sebuah gambar dari sebuah digit dan membandingkan aktifitas sebenarnya dari 10 unit-unit output dengan aktifitas yang diharapkan. Kemudian menghitung error, dimana ditentukan sebagai persegi yang berbeda antara aktifitas sebenarnya dan aktifitas yang diharapkan. Selanjutnya mengubah obot setiap hubungan untuk mengurangi error. Hal ini dilakukan berulang-ulang dengan banyak gambar yang berbeda Untuk mengimplementasikan prosedur ini diperlukan perhitungan error derivative untuk bobot (EW) supaya perubahan bobot oleh sebuah jumlah yang sesuai pada nilai dimana error berubah karena bobot diubah. Suatu cara untuk menghitung EW adalah mengubah bobot sedikit dan meneliti bagaimana error dapat berubah. Namun metode ini kurang efisien karena membutuhkan gangguan yang berbeda untuk setiap dari sekian banyak bobot. Cara lain yang sering digunakan untuk menghitung EW adalah dengan menggunakan algoritma back-propagation. Saat ini merupakan metode yang penting untuk pembelajaran Jaringan Syaraf Tiruan. Metode ini dikembangkan secara mandiri oleh 2 tim yaitu Fogelman-Soulie, Gallinari dan Le Cun dari Prancis dan Rumelhart, Hinton dan Williams dari Amerika.

2.2. Backpropagation

Backpropagation merupakan salah satu dari beberapa metode yang digunakan dalam JST dan yang paling sering digunakan dalam berbagai bidang aplikasi, seperti pengenalan pola, peramalan dan optimisasi. Hal ini dimungkinkan karena metode ini menggunakan pembelajaran yang terbimbing. Pola masukan dan target diberikan


sebagai sepasang data. Bobot-bobot awal dilatih dengan melalui tahap maju untuk mendapatkan error keluaran yang selanjutnya error ini digunakan sebagai tahap mundur untuk memperoleh nilai bobot yang sesuai agar dapat memperkecil nilai error sehingga target keluaran yang dikehendakinya tercapai. Tujuan dari model ini adalah untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama proses pelatihan berlangsung serta kemampuan jaringan memberikan respon yang benar terhadap pola masukan yang berbeda dengan pola masukan pelatihan.

2.2.1 Arsitektur Backpropagation

Di dalam jaringan propagasi balik, setiap unit yang berada di lapisan input terhubung dengan setiap unit yang ada pada lapisan tersembunyi. Hal serupa pula berlaku pada lapisan tersembunyi. Setiap unit yang ada pada lapisan tersmbunyi terhubung dengan setiap unit yang ada di lapisan output. Jaringan saraf tiruan propagasi balik terdiri dari banyak lapisan (Multi Layer Network): 1. Lapisan input (1 buah). Lapisan input terdiri dari neuron-neuron atau unit-unit input, mulai dari unit input 1 sampai unit input n. 2. Lapisan tersembunyi (minimal 1). Lapisan tersembunyi terdiri dari unit-unit tersembunyi mulai dari unit tersembuyi 1 sampai unit tersembunyi p. 3. lapisan output (1 buah). Lapisan output terdiri dari unit-unit output mulai dari unit output 1 sampai unit output m. n, m, p.

Struktur Jaringan Syaraf Tiruan multi layer dapat dilihat Gambar berikut :


Gambar 2.7 Struktur Jaringan Syaraf Tiruan Multi layer Seperti

yang

diperlihatkan

pada

gambar

diatas

bahwa

jaringan

Backpropagation terdiri dari 3 sel neuron pada lapisan input x 1 , x 2 dan x 3 sedangkan pada lapisan tersembunyi terdapat 2 sel neuron yaitu z1 dan z 2 serta 1 sel neuron pada lapisan output yaitu y. Nilai bias b1 yang diberikan pada lapisan tersembunyi bertujuan untuk mengolah data input ditambah bobot v ij yang masuk ke dalam sel-sel pada lapisan tersembunyi dengan bantuan fungsi aktifasi. Begitupula dengan nilai bias

b1 yang diberikan pada lapisan keluaran adalah untuk mengolah data yang berasal dari keluaran sel pada lapisan tersembunyi ditambah bobot w ij yang masuk kedalam lapisan keluaran dengan bantuan fungsi aktifasi. Algoritma Backpropagation adalah sebagai berikut : 1.

Inisialisasi bobot (random yang kecil, -0.5 s/d 0.5 atau –1 s/d 1.

2.

Tetapkan maksimum epoch, target error dan learning rate (α)

3.

Inisialisasi: Epoch=0, MSE =1

4.

Berikan harga-harga masukan dan keluaran target yang menjadi paket pelatihan. x i = [x1 , x 2 , x 3 ,...., x n ]T t k = [t1 , t 2 , t 3 ,...., t n ]T

Feedforward 1.

Hitung jumlah data yang masuk ke lapisan tersembunyi


n

Z i = b1 j + ∑ X i .Vij i =1

2.

Hitung keluaran dari sel lapisan tersebunyi dengan menggunakan fungsi aktivasi yang telah ditetapkan. Z j = f (Z i )

3.

Hitung jumlah data yang masuk ke lapisan keluaran n

Yi = b 2 k + ∑ X i .W jk i =1

4.

Hitung sinyal keluaran dari sel lapisan output dengan menggunakan fungsi aktivasi yang telah ditetapkan Yk = f (Yi )

Backpropagation 1.

Hitung informasi error dari sel pada lapisan output dengan menggunakan data target yang telah diterima. a). Error sel pada lapisan output : ∂ 2 k = (t k − y k ). f ' ( y k − α ) b). Error sel pada lapisan hidden-output : ϕ 2 k = ∂ 2 k .Z j − α c). Error pada sel bias ouput : β 2 k = ∂ 2 k − 1

2.

Hitung koreksi bobot dan bias , pada tiap sel lapisan hidden-output ∆w jk = α .ϕ 2 jk ∆b 2 k = α .β 2 k

3. Hitung jumlah data yang masuk dari setiap sel lapisan output ke lapisan hidden m

∂ _ in j = ∑ ∂ 2 k .W jk k =1

4. Hitung informasi error nya a). Error sel pada lapisan hidden

: ∂1 j = ∂ _ in j . f ' (Z j − α )

b). Error sel pada lapisan input-hidden : ϕ1ij = ∂1 j . X i c). Error pada sel bias hidden

: β 2 j = ∂1 j − 1

5. Hitung koreksi bobot dan bias, dari tiap sel pada lapisan input-hidden.


∆Vij = α .ϕ1ij ∆b1 j = α .β 1 j 6. Perbaiki bobot dan bias pada lapisan hidden-output.

W jk (baru ) = W jk (lama ) + ∆W jk b2 k (baru ) = b2 k (lama ) + ∆b2 k 7. Perbaiki bobot dan bias pada lapisan input-hidden. Vij (baru ) = Vij (lama ) + ∆Vij b1 j (baru ) = b1 j (lama ) + ∆b1 j

2.3 DBD (Demam Berdarah Dengue)

2.3.1

Pengenalan DBD (Demam Berdarah Dengue)

DBD (Demam Berdarah Dengue) yang lebih dikenal masyarakat dengan “demam berdarah” merupakan penyakit infeksi yang dapat berakibat fatal. Dalam waktu yang relatif singkat, penyakit ini dapat merenggut nyawa penderitanya jika tidak ditangani secepatnya. Demam berdarah dengue dikarenakan oleh virus dengue dari famili Flaviviridae dan genus Flavivirus. Virus ini mempunyai empat serotipe yang dikenal dengan DEN-1, DEN-2, DEN-3, dan DEN-4. Keempat serotipe ini menimbulkan gejala yang menyebabkan infeksi paling berat di Indonesia, yaitu DEN-3. Demam berdarah dengue tidak menular melalaui kontak manusia dengan manusia. Virus dengue sebagai penyebab demam berdarah hanya dapat ditularkan melalui nyamuk. Oleh karen itu, penyakit ini termasuk dalam kelompok athopod borne diseases. Virus dengue berukuran 35-45 mm. Virus ini dapat terus tumbuh dan berkembang dalam tubuh manusia dan nyamuk. Nyamuk betina menyimpan virus tersebut pada telurnya. Nyamuk jantan akan menyimpan virus pada nyamuk betina pada saat melakukan kontak seksual. Selanjutnya nyamuk betina tersebut akan menularkan virus kepada manusia melalui gigitan. Selain itu,nyamuk dapat mengambil virus dengue dari manusia yang mempunyai virus (viremeia) tersebut Virus masuk ke dalam lambung nyamuk. Selanjutnya, virus memperbanyak diri dalam tubuh nyamuk dan menyebar ke seluruh jaringan tubuh,


termasuk kelenjar air liurnya. Jika nyamuk yang tercemar virus ini menggit orang sehat maka akan mengeluarkan air liurnya agar darah tidak membeku. Bersama air liur tersebut, virus ditularkan. Siklus semacam ini layaknya lingkaran setan sulit ditemukan ujung pangkalnya. Salah satu upaya untuk memutus rangkaian ini, yaitu dengan memberantas nyamuk yang dapat menularkan virus dengue. Nyamuk yang paling sering menimbulkan wabah demam berdarah, yaitu nyamuk Aedes aegypti sub genus Stegomyia. Nyamuk jenis lain, seperti Ae.albopictus, Ae.polynesiensis, anggota dari Ae. Scutellaris complex, dan Ae (Finlaya) niveus juga dapat menyebarkan virus demam berdarah. Hanya nyamuk Aedes aegypti betina yang menggit dan menularkan virus dengue. Umumnya,nyamuk ini menggit di siang hari ( pukul 09.00 – 10.00) atau sore hari (pukul 16.00-17.00). Nyamuk jenis itu senang berada di tempat yang gelap dan lembab. Penampilan nyamuk ini sangat khas, yaitu memiliki bintik-bintik putih dan ukurannya lebih kecil dibandingkan nyamuk biasa. Pada malam hari, nyamuk ini bersembunyi di tempat gelap atau diantara benda-benda yang tergantung, seperti baja atau tirai. Namun tidak semua nyamuk jenis ini dapat mengakibatkan demam berdarah. Hanya nyamuk yang mengandung virus dengue-lah yang dapat menimbulkan penyakit. Selain itu virus dengue yang sudah masuk ke dalam tubuh pun tidak selalu dapat menimbulkan infeksi , jika daya tahan tubuh cukup kuat maka dengan sendirinya virus tersebut dapat dilawan oleh tubuh


2.3.2

Proses Timbulnya Penyakit DBD

Adapun proses atau fase

timbulnya penyakit DBD dapat dijelaskan sebagai

berikut : 1. Demam Dengue Demam dengue adalah Penyakit demam akut selama 2-7 hari dengan dua atau lebih manifestasi sebagai berikut : nyeri kepala, nyeri perut (abdomen) mialgia, ruam kulit, manifestasi perdarahan dan leukopenia.

2. Demam Berdarah Dengue Pada awal perjalanan penyakit, DBD dapat menyerupai kasus DD dengan kecenderungan pendarahan dengan satu manifestasi klinis atau lebih yaitu : a) Uji tourniquet positif b) Petekia, ekimosis atau purpura c) Pendarahan mukosa ( epistaksis, pendarahan gusi) d) Hematemesis atau melena e) Trombositopenia ( jumlah trombosit < 100.000 / mm3)

3. Sindrom Syok Dengue (SSD) Kriteria yang telah disebutkan di atas, ditambah dengan manifestasi kegagalan sirkulasi yaitu nadi lemah dan cepat, tekanan nadi menurun ( < 20 mmHg) , hipotensi (sesuai umur), kulit dingin dan lembab, dan pasien tampak gelisah.

2.3.3

Derajat Penyakit DD/DBD

Untuk menentukan tatalaksana yang kuat, maka pasien DD/DBD perlu diklarifikasi menurut derajat ringan penyakit. Dengan demikian, dapat direncanakan apakah seorang pasien dapat berobat jalan, perlu observasi di Puskesmas atau di ruang rawat sehari di rumah sakit tipe C, ataukah harus segera dirujuk ke rumah sakit yang mempunyai fasilitas kesehatan yang lebih lengkap. Derajat penyakit DD/DBD diklasifikan sebgai berikut :


Tabel 2.1 Klasifikasi infeksi virus dengue (DD/DBD)

DD/DBD

Derajat

Gejala

Keterangan

DD

I

Demam disertai satu atau lebih Rawat Jalan gejala: nyeri kepala, nyeri retro orbital, mialgia, artralgia

DBD

II

Gejala

tersebut

diatas, Rawat Observasi

ditambah pendarahan spontan

di Puskesmas/rumah sakit tipe D/C

DBD

III

Syok berat disertai tekanan Rawat darah dan nadi tak terukur

inap

Puskesmas

di /

rumah sakit tipe D/C DBD

IV

Syok berat disertai tekanan Rawat di rumah darah dan nadi tak terukur sakit B/A tetapi lebih berat dari Derajat III


BAB II LANDASAN TEORI

Recommend Documents