BAB III PERANCANGAN DAN METODOLOGI Setelah bab sebelumnya membahas tentang teori – teori yang mendasari perancangan dalam Tugas Akhir ini, maka pada bab ini akan dijelaskan mengenai bentuk perancangan Jaringan Syaraf Tiruan untuk penentuan kadar anesthesia. 3.1 Tahap – tahap penelitian 3.1.1 Identifikasi pasien Proses pengidentifikasian pasien dilakukan melalui proses pengumpulan data pasien di Rumah Sakit Umum Sidoarjo. Adapun data pasien yang diambil diperlukan untuk pemodelan pasien menggunakan Jaringan Syaraf Tiruan, yang meliputi : usia, jenis kelamin, berat badan, denyut nadi, tensi ( systolik ), pernafasan. Dari data tersebut juga mendasari dokter anesthesia memberikan dosis anesthesi. Ada beberapa tahapan yang perlu dilakukan untuk sistem identifikasi. Dibawah ini adalah bagan untuk langkah-langkah dalam sistem identifikasi.
Gambar 3.1 Langkah – langkah dalam sistem identifikasi
16
17 Keterangan : • Eksperimen/ Pengambilan Data meliputi input sequence design. Eksperimen dilakukan untuk mendapatkan serangkaian data input – output yang menerangkan perilaku proses pada suatu range daerah operasi tertentu. • Pemilihan Struktur Model meliputi structure selection, noise modelling. Pemilihan struktur model menyangkut jumlah sinyal input – output (regressor) yang digunakan sebagai masukan bagi model dalam menghasilkan output prediksi. • Estimasi Model meliputi parameter estimation. Jika struktur model telah ditentukan, maka tahap berikutnya adalah melakukan estimasi terhadap parameter model agar mampu memberikan hasil yang baik berdasarkan kriteria tertentu. • Validasi Model. Validasi model diperlukan untuk mengetahui apakah model yang telah diperoleh mampu memenuhi kebutuhan yang diperlukan.
3.1.2
Perancangan Jaringan Syaraf Tiruan Pemilihan Struktur Model
Dalam penelitian ini struktur model yang digunakan adalah JST - MLP (Multi Layer Percepton) dengan struktur NNARX (Neural Network AutoRegressive, eXternal input) dimana variabel input JST mengandung input (U) dan output (Y) masa sekarang dan lampau. Persamaan output model Yˆ dapat ditulis sebagai berikut :
Yˆ = f (Y1 , Y2 , U 1 , U 2 ) dimana : Yˆ = [ yˆ1 (k + 1) yˆ 2 (k + 1)]T Y1 = [ y1 (k ), y1 (k − 1), L , y1 (k − ny 1 )]
…………… (3.1)
18 Y2 = [y 2 (k ), y 2 (k − 1), L , y 2 (k − ny 2 )] U 1 = [u 1 (k ), u 1 (k − 1), L , u 1 (k − nu 1 )] U 2 = [u 2 (k ), u 2 (k − 1), L , u 2 (k − nu 2 )]
dimana ny dan nu adalah history length untuk output dan input proses yang berperan sangat penting, dari data sebelumnya/data lampau (k-1, k-2, ...) dan juga data waktu sekarang (k) berpengaruh dalam penentuan prediksi output proses. Data tersebut digunakan untuk training dari Jaringan Syaraf Tiruan, yaitu menggunakan struktur jaringan Multilayer Perseptron (MLP) dengan jumlah layer sebanyak tiga, yaitu input layer, hidden layer dan output layer. Metode training yang digunakan adalah Levenberg Marquardt sehingga didapat bobot training yang akan digunakan untuk proses testing dan validasi model proses. Gambar 3.1, merupakan gambar struktur model NARX (Neural Network AutoRegresive with eXogenous input). Pada blok Model merupakan blok dimana Jaringan Syaraf Tiruan bekerja untuk menentukan model dari proses.
Gambar 3.2 Series-Paralel/NARX Model
19
Pemodelan Kontroller JST dan Model Pasien Tujuan dari di bangunnya pemodelan kontroller JST dalam penelitian ini adalah untuk menentukan dosis anesthesia. Untuk mendapatkan model JST tidak bisa dilakukan secara online simulasi karena akan membutuhkan beban komputasi yang sangat berat dan kemungkinan besar tidak efektif. Sebagai alternatif, proses training untuk mendapatkan model JST harus dilakukan secara offline. Umur Jenis Kelamin
Kontroller Berat Badan Nadi Awal
Dosis
Tensi Awal Respirasi Awal Nadi Post
Tensi Post Respirasi Post
Gambar 3.3 : Kontroller JST offline Jaringan yang di latih pada gambar 3.2 dengan pasangan pola masukan ( 9 ) dan pola keluaran ( 1 ) , informasi yang masuk melalui lapisan masukan akan mengalir menuju lapisan keluaran yang hasilnya merupakan tanggapan jaringan
20 terhadap informasi yang masuk. Apabila masih terdapat perbedaan antara keluaran jaringan saat itu dengan keluaran yang diinginkan bobot koneksi akan disesuaikan mulai dari lapisan keluaran menuju lapisan masukan sampai perbedaan tersebut seminimal mungkin sesuai dengan target error yang diinginkan terpenuhi dan interasi maksimal tercapai. Dosis Nadi Awal Tensi Awal
Nadi stlh dibius
Model Pasien
Tensi stlh dibius Respirasi stlh dibius
Respirasi Awal
Gambar 3.4 Model Pasien Off line Tujuan dari di bagunnya model pasien adalah untuk mengetahui dengan pemberian dosis akan didapat nadi, tensi, dan respirasi yang berbeda dengan nadi, tensi, respirasi sebelum diberi dosis, dimana perbedaan itu bertujuan bahwa pasien dalam kondisi tidak sadar. Model pasien pada gambar 3.3 dilakukan secara off line dengan jaringan yang di latih dengan pasangan pola masukan ( 4 ) dan pola keluaran ( 3 ). Agar jaringan dapat mengenali suatu pola tertentu , maka pola tersebut harus dilatihkan ( trained ) terlebih dahulu. Untuk mengetahui karakteristik jaringan dalam mengangani masalah ini, perlu dilakukan proses training secara berulang – ulang dengan variasi pada parameter – parameter JST nya agar di dapatkan suatu bobot awal pada proses pengujian. Untuk melihat keberhasilan training, maka digunakan acuan parameter nilai RMSE (Root Mean Square Error). RMSE merupakan akar rata - rata total kuadrat error yang terjadi antara
21 output proses dan output target, makin kecil nilai RMSE maka makin besar tingkat keberhasilan training. Persamaan RMSE dapat dituliskan sebagai berikut : N
∑ (y RMSE =
i
− yˆ i )
2
i =1
(3.1)
N
Jika nilai RMSE telah sesuai yang diinginkan, maka model JST yang didapat diuji secara offline dengan data set input yang berbeda dengan dataset input training. Validasi ini bertujuan untuk melihat keberhasilan training dalam mengenali dan memetakan pola input yang diberikan menuju target yang tepat. Parameter acuan keberhasilan sama dengan proses training yaitu nilai RMSE. Jika proses validasi secara offline telah berhasil, maka model JST ini siap untuk di integrasikan dengan model pasien dan dioperasikan secara online simulasi.
r(t)
Kontroller JST
u(t)
y(t) Model Pasien
ŷ(t) Gambar 3.5 : Kontroller dan Model Pasien secara on line simulasi
22
Gambar 3.6 : Blok Kontroller JST dan Blok Model Pasien secara on line simulasi Cara kerja system online disini adalah kita masukkan input seperti umur, jenis kelamin, berat badan, nadi awal, tensi awal, dan respirasi awal, yang selanjutnya output kontroller berupa dosis, dosis disini sebagai manipulated variabel yang masuk sebagai input pada pasien model dan kemudian output dari pasien model tersebut berupa nadi, tensi, respirasi setelah dibius sebagai process variabel . Dimana set point dalam system online ini adalah nadi, tensi, respirasi setelah dibius.
23 3.2
Diagram Alir Metodologi Penelitian Mulai
Merancang diagram blok kontrol Dan pasien model
Memasukkan data input
Pemodelan & Trainning offline ( kontroller & pasien model )
Validasi model & kontroller
Toleransi diterima
Ya Pengujian JST Kontroller
Analisa Hasil Simulasi
Selesai
Tidak
24
25
26
