ANALISIS ODOR URINE UNTUK MENDETEKSI INFEKSI SALURAN KEMIH DENGAN MENGGUNAKAN SENSOR QUARTZ CRYSTAL MICROBALANCE (QCM) DAN SELF ORGANIZING MAP (SOM)

ANALISIS ODOR URINE UNTUK MENDETEKSI INFEKSI SALURAN KEMIH DENGAN MENGGUNAKAN SENSOR QUARTZ CRYSTAL MICROBALANCE (QCM) DAN SELF ORGANIZING MAP (SOM) Delima Ayu Saraswati1,2, Muhammad Rivai1, 1 Jurusan Teknik Elektro ITS Surabaya 2 Universitas Airlangga Surabaya 1,2 [email protected] , [email protected] Abstrak Infeksi saluran kemih adalah keadaan dimana bakteri tumbuh dan berkembang biak di dalam saluran kemih dengan jumlah tertentu. Metabolisme suatu bakteri dapat menghasilkan enzim, yang apabila bercampur dengan urine akan dapat menghasilkan odor. Pada penelitian ini, dilakukan identifikasi odor urine yang mengandung bakteri dengan menggunakan deret sensor gas Quartz Crystal Microbalance (QCM) yang dilapis dengan membrane kimia yang berbeda yaitu OV-101, OV-1701, OV-25, OV-225, PEG-20M. Frekuensi resonansi akan berubah jika ada gas yang terserap pada permukaan sensor sehingga deret sensor menghasilkan pola respon yang berbeda untuk setiap jenis gas. Data yang didapat dari deret sensor QCM ini dianalisa menggunakan metode Principle Component Analysis (PCA) untuk mengetahui tingkat selektivitas masingmasing sensor secara visual. Neural Network yang digunakan dalam penelitian ini adalah metode Self Organizing Map (SOM) Kohonen yang dalam proses pelatihannya tidak memerlukan pengawasan. Metode ini berfungsi untuk mengenali, memetakan dan mengelompokkan pola urin berdasarkan karakteristik data yang diperoleh sehingga hasil pengujian menunjukkan tingkat keberhasilan sebesar 90%. Kata kunci : Saluran Kemih, Sensor QCM, PCA, SOM Kohonen

1. Pendahuluan Penelitian dibidang teknologi hidung elektronik semakin banyak dilakukan. Selain dapat diaplikasikan dibidang industri, juga dapat diaplikasikan dibidang medis dan obat - obatan. Beberapa peneliti sebelumnya melakukan penelitian tentang pendeteksian odor buah – buahan, makanan hingga urin. Beberapa penelitian dibidang teknologi hidung elektronik dikerjakan dengan berbagai metode. Mulai dari penggunaan sensor yang berbeda seperti QCM (Quartz Crystal Microbalance), SAW (Surface Acustic Wafe), hingga metode analisa menggunakan metode PCA ( Principle Component Analysis ), extended normalized radial basis function (ENRBF). Dari beberapa pendapat, peneliti merancang sistem alat penganalisa odor urin untuk mendeteksi infeksi saluran kemih dengan menggunakan sensor QCM dan metode PCA serta SOM ( Self Organizing Map ) sebagai penganalisanya. Pada penelitian ini, akan di identifikasi odor urine dengan menggunakan teknologi hidung elektronik. Identifikasi urine dalam penelitian ini, yang mengandung bakteri. Pada uji klinik (uji kultur) diperlukan waktu 5 – 7 hari untuk dapat mengetahui bakteri yang terkandung dalam urine tersebut. Dengan teknologi hidung elektronik yang menggunakan sensor gas Quartz Crystal Microbalance (QCM) dapat membantu mengatasi permasalahan dalam mendeteksi adanya bakteri yang terdapat pada urin dengan lebih cepat, tepat,

specifik dan sensitif. (Vassilis S. Kodogiannis, John N. Lygouras, Andrzej Tarczynski, Hardial S. Chowdrey, 2008). Sistem pendeteksian urin dengan metode PCA dan SOM Kohonen memerlukan waktu 10 menit untuk mendapatkan hasil kandungan bakteri di dalam urin. 1.1 Sistem Saluran Kemih Sistem saluran kemih terbagi menjadi empat bagian seperti terlihat pada gambar 1, yaitu : ginjal, ureter, kandung kemih dan uretra

Gambar 1 Sistem Urin (Human body, 2006) Infeksi saluran kemih adalah keadaan dimana kuman tumbuh dan berkembang biak dalam saluran kemih dalam jumlah yang bermakna. Infeksi saluran kemih ini dapat berlangsung dengan gejala (simtomatis) atau tanpa gejala (asimtomatis).

1-1

1.2 Quartz Crystal Microbalance

1.4 Rangkaian Clock

Pertama kali kristal kuarsa di perkenalkan oleh Sauerbrey yang mempunyai sensitivitas pada gasgas yang melalui elektrode-elektrode kristal kuarsa dimana didalamnya terdapat pizoelektrik yang akan mengubah frekuensi osilasi dari kristal kuarsa, sehingga Sauerbrey merumuskan bahwa :

Rangkaian clock 1 detik menggunakan mikrokontroler ATTiny 2313. kegunaan clock ini untuk pengambilan data di frekuensi counter. Clock yang digunakan mempunyai frekuensi 0.5 hz.

⎛ 2f ⎞ ⎟Δm Δf = −⎜ ⎜ ρ SiO vA ⎟ 2 ⎝ ⎠ 2

Keterangan : ∆f adalah perubahan frekuensi yang diamati (Hz). ∆m adalah perubahan massa per unit area, dalam g/cm2 . ρ adalah kerapatan kristal. v adalah kecepatan propagasi akustik pada kristal. A adalah luas elektroda. Gambar 2 menunjukkan beberapa konfigurasi elektroda pada Quartz Crystal Microbalance

1.5 Pencacah Frekuensi Frequency counter atau yang lebih dikenal sebagai pencacah frekuensi mempunyai fungsi untuk mencacah frekuensi yang dihasilkan oleh suatu osilator atau oleh pembangkit frekuensi(signal generator). Dengan kata lain alat ini dipakai untuk mengetahui atau mengukur nilai frekuensi yang dihasilkan. Untuk mengambil data berupa frekuensi resonansi dari QCM yang beroperasi sebesar 20 MHz atau 20.000.000 Hz dan dapat terbaca seluruhnya maka dibutuhkan pencacah sebesar 32 bit atau 232=4.294.967.296.

Gambar 4 Rangkaian counter 32bit

Gambar 2. Quartz Crystal Microbalance Pada penelitian ini, deret sensor gas Quartz Crystal Microbalance (QCM) dilapisi dengan membran kimia yang berbeda. Yaitu OV-101, OV1701, OV-25, OV-225, PEG-20M. Hal ini diperlukan untuk meningkatkan sensitivitas dan selektivitasnya. 1.3 Rangkaian Osilator Rangkaian osilator yang digunakan adalah model osilator pierce seperti pada gambar 3

Gambar 3 Rangkaian Osilator

Pada alat ini terdapat 5 sensor, dimana setiap sensor menggunakan pencacah frekuensi sebesar 32 bit. Untuk data sebesar 32 bit ini diperlukan 4 buah IC 74HC590. jadi terdapat 20 buah IC 74HC590 untuk mendeteksi 5 buah sensor. IC pencacah 74HC590 mempunyai 8 bit register sehingga digunakan 4 buah IC tersebut untuk membentuk pencacah 32 bit. 4 buah IC Counter digabung secara cascade sehingga sinyal RCO (ripple carrier output) IC pertama dimasukkan ke sinyal CCLK (clock input) IC kedua, dan sinyal RCO IC kedua dimasukkan ke sinyal CCLK (clock input) IC ketiga sedangkan sinyal RCO IC ketiga dimasukkan ke sinyal CCLK (clock input) IC keempat. Dan untuk sinyal CCLK IC pertama digunakan sebagai input atau dengan kata lain dihubungkan dengan output rangkaian osilator. Jadi untuk cara kerjanya, ketika penghitung IC pertama telah mencapai data fullscale maka akan memberikan sinyal detak kepada IC kedua. Ketika penghitung IC kedua telah mencapai fullscale maka akan memberikan sinyal detak kepada IC ketiga, begitu pula dengan IC keempat. Setiap 8 bit (D0-D7) data dari IC disambung satu sama lain secara paralel , jika terjadi pengambilan data maka OE (Output Enable ) dari IC tersebut akan diaktifkan. Jadi terdapat 4 data pada setiap sensor. Pada IC Inverter 74HC14 seperti gambar 5 digunakan untuk menguatkan sinyal-sinyal kontrol dari mikrokontroler ke masing-masing IC kounter, sehingga sinyal tersebut tidak akan drop karena membebani 8 buah IC. Selain itu juga untuk

1-2

menginverter sinyal detak 1 detik. Jika sinyal detak mempunyai logic high maka akan mengaktifkan sinyal CCLK (count-enable) kounter karena menjadi logic low. Kemudian sinyal detak 1 detik juga menjadi inputan interupt pada mikrokontroler sebagai umpan balik untuk proses pembacaan data.

Gambar 5 Inverter untuk sinyal kontrol IC kounter 1.6 Demultiplexer Untuk mengontrol pembacaan data dari masing-masing IC kounter digunakan IC demux 74HC154. Dimana IC ini mempunyai 4 buah input dan 2 buah control (chip-enable) yang berfungsi untuk mengaktifkan IC demux ini. IC ini mempunyai 16 buah output jadi untuk mengontrol 32 IC counter diperlukan 2 buah IC multiplexer. IC ini berfungsi untuk mengaktifkan Output Enable (OE) dari setiap IC counter, sehingga data 8 bit yang telah dipindah ke dalam register kounter akan dapat diambil jika OE diberi sinyal aktif low dari empat buah input maka akan dihasilkan 16 buah output. Ini merupakan kombinasi 24=16.

Gambar 6 Demux untuk mengaktifkan OE IC counter 1.7 Rangkaian Mikrokontroler Rangkaian mikrokontroler berupa minimum sistem untuk mikrokontroler ATMega 32 dengan Xtal yang dipergunakan 12,000 MHz.

1.8 Principal Component Analysis Metode Principal Component Analysis (PCA) merupakan teknik analisa multivariat yang dilakukan untuk visualisasi hasil klasifikasi pada sistim identifikasi. Metoda ini merupakan penurunan dari teknik factor analysis yang bertujuan untuk mengidentifikasi struktur dari banyak variable menjadi data yang lebih sederhana. Metoda ini juga dikenal sebagai transfomasi Karhunen-Loève atau transformasi Hotelling. PCA biasanya digunakan untuk mengurangi dimensi dari himpunan data tetapi juga mempertahankan karakteristik dari himpunan data tersebut dengan menjaga beberapa principle component yang tinggi prioritasnya dan membuang beberapa principle component yang rendah prioritasnya. [3,4] Prosedur PCA dengan menggunakan metoda covariance adalah sebagai berikut: a) Menghimpun data eksperimen X(M,N) yang memiliki dimensi tertentu yang berkesesuaian dengan variabel atau jumlah sensor yang digunakan (M) dan jumlah data (N). b) Mengurangkan setiap data X dengan nilai mean X m untuk masing-masing variable atau sensor (m). c) Mendapatkan matriks covariance (C) d) Mendapatkan eigenvalue (λ) dan eigenvector (V) dari matrik covariance e) Mendapatkan principle component (PC) 1.9 Self Organizing Map Self Organizing Map (SOM) adalah salah satu tipe dari artificial neural network (ANN), termasuk tipe pembelajaran tanpa bimbingan (unsupervised learning), juga termasuk competitive learning. Neuron-neuronnya biasanya dibuat beberapa dimensi, tapi yang dipakai dalam penelitian ini adalah 1 dimensi. Model SOM sebagai ANN diperkenalkan oleh Professor Teuvo Kohonen dari Finlandia, sehingga SOM juga sering disebut Kohonen map. Adapun algoritma SOM adalah sebagai berikut : Langkah 1 : Menentukan inisialisasi bobot input dan bobot bias Langkah 2: Mengatur parameter –parameter learning rate Langkah 3: Mengatur epoh Langkah 4: Menghitung jarak antara input dengan setiap node menggunakan euclidian distance Langkah 5: Menetukan node pemenang yaitu yang memiliki jarak terpendek Langkah 6: Mengupdate nilai bobot yang menuju ke neuron dan bobot bias

1-3

2.

Metode Penelitian

Pada penelitian ini telah dibuat sistem pendeteksian uap odor yang diakibatkan oleh bakteri pada urine. Diagram penelitian dalam penelitian ini adalah seperti pada gambar 7. Pembacaan Data Urine dengan Sensor QCM Transformasi Data dengan PCA Pendeteksian Jenis Bakteri dalam Urine dengan SOM Kohonen Melakukan Evaluasi Sistem Secara Keseluruhan

3. Hasil dan Pembahasan Pengujian sistem yang dilakukan pada penelitian ini adalah seperti gambar 4. Pertama sensor-sensor gas dibersihkan terlebih dahulu dengan menggunakan gas N2. Bahan yang akan diujikan ditempatkan pada tempat uji sampel, kemudian dipompa agar masuk kedalam sel detektor. Sensor-sensor gas resonator kuarsa yang telah dilapisi bahan-bahan polimer memberikan perubahan frekuensi dari masing-masing sensor oleh sistem sensor gas (osilator, counter, mux, serial dan ADC) yang kemudian data dikirim ke komputer untuk diidentifikasi jenis bahan yang telah diuji dengan menggunakan metode PCA dan SOM.

Gambar 7. Diagram Penelitian Sistem yang dibangun adalah dimulai dari sistem pembacaan data dari lima sensor QCM dengan frekuensi 20 MHz, rangkaian pencacah frekuensi dan rangkaian minimum sistem mikrokontroler ATMega32 seperti ditunjukkan pada gambar 8.

Gambar 9 Pengujian pada sistem sensor gas 3.1 Pengujian Sensor

Gambar 8. Diagram Pendeteksian Data Urine Secara Keseluruhan Data hasil pembacaan sensor yang diambil secara serial ditampilkan dengan bentuk informasi berupa grafik dan teks, kemudian dilakukan analisa dengan menggunakan metode Principal Component Analysis atau PCA dan Self Organizing Map atau SOM untuk menentukan jenis bakteri yang ada pada urine terbaca. PCA berfungsi untuk melakukan transformasi dan reduksi data, sehingga data dari tiga sensor terbaca hanya digunakan dua saja yang dianggap mempunyai kontribusi sehingga menjaga keutuhan informasi sebuah data. SOM Kohonen digunakan untuk melakukan pendeteksian jenis bakteri dalam urine. Data masukan pada SOM Kohonen adalah data utama hasil pengolahan PCA yaitu PC1 dan PC2, yang dianggap mempunyai kontribusi terbesar untuk sebuah informasi.

Pengujian dilakukan dengan proses pengambilan data dari kelima sensor. Pengambilan data dilakukan dengan pengurangan nilai referensi sample dikurangi dengan nilai referensi udara. Data yang didapat diplot dengan grafik sehingga karakteristik dari sample yang diuji dapat dilihat seperti pada gambar 10. Karakteristik dari setiap gas memiliki pola yang berbeda dari masing – masing sampel urin.

Gambar 10 Respon Frekuensi dari 5 Deret Sensor

1-4

3.2 Pengujian dengan PCA Pola perubahan frekuensi yang berbeda dari masing – masing gas dinormalisasi. Data inilah yang kemudian dijadikan data awal atau data mentah dalam mereduksi data dengan menggunakan metode PCA. Gambar hasil pengujian PCA dapat dilihat pada gambar 11.

sehat

e.coli

klebsiella citrobacter Gambar 11. Hasil pengujian PCA

3.3 Pengujian dengan PCA dan SOM Hasil pengolahan data menggunakan metode PCA kemudian dianalisa kembali dengan menggunakan jaringan syaraf tiruan SOM. Analisa tersebut digunakan untuk mendapatkan klasifikasi informasi berdimensi tinggi ke dimensi yang lebih rendah dengan hasil visualisasi yang lebih jelas. Hasil pelatihan menggunakan jaringan syaraf tiruan metode SOM kohonen ditunjukkan pada gambar 12

Hasil klasifikasi SOM Gambar 12. Hasil pengujian PCA dan SOM Dari hasil pelatihan menggunakan jaringan syaraf tiruan metode SOM kohonen dapat diketahui bahwa setiap jenis sample urin membentuk suatu cluster atau kelompok. Dengan tingkat pengklasifikasiannya sebesar 93% dari hasil tes secara kimiawi 4. Kesimpulan Telah dibuat alat penganalisa odor urin untuk mengetahui penyakit infeksi saluran kemih dan jenis penyakit ginjal. Menggunakan deret sensor QCM yang dilapisi dengan material polimer yang berbeda. Masing – masing jenis penyakit dipetakan

secara terpisah oleh metode PCA. Jaringan syaraf tiruan dengan metode SOM digunakan untuk mengidentifikasi secara otomatis. Hasil pelatihan dari metode SOM ini dapat mengetahui jenis penyakit dengan tingkat identifikasi sebesar 93% Daftar Pustaka Blandy J.P : ‘Lecture Notes on Urology’, 3th ed, Blackwell-Scientific Publications, 1983: 159221 Dyono Septian Rochma, “Identifikasi Gas Amonia Menggunakan QCM dengan Neural Network yang Diimplementasikan Pada Mikokontroller”, Tugas Akhir, Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember, Surabaya. 2010 Delima Ayu Saraswati, Muhammad Rivai. (2010): “ Analisis Odor Urin untuk Mendeteksi Infeksi Saluran Kemih dengan Menggunakan Sensor Quartz Crystal Microbalance (QCM) dan Self Organizing Map (SOM)”, MEETAS 2010, Universitas Maranatha, Bandung. Erkki Oja & Samuel Kaski (1999), Kohonen Map, Elsevier, 1999 Ida A. Casalinuvo, Donato Di Pierro, Massimilano Coletta dan Paolo Di Francesco (2006) Application of Electronic Noses for Disease Diagnosis and Food Spoilage Detection Sensors 2006, 6, 1428-1439 M Rivai, ”Pengaruh Principle Component Analysis Terhadap Tingkat Identifikasi Neural Network Pada Sistem Sensor Gas”, TELKOMNIKA Vol. 5, No. 3, Desember 2007 : 159 - 167 ISSN 1693-6930 Purnomo B.B ; ‘Dasar-dasar Urologi’, CV.Infomedika, Jakarta, 2000: 200-214. Smith LI, “A Tutorial on Principle Component Analysis”, Cornell University, 2005. Susan King Strasinger, Marjorie Schaub Di Lorenzo, Urinalysis and Body Fluids. T.C. Pearce, S.S Schiffman, H.T. Nagle, and J.W. Gardner, (2003), Handbook of Machine olfaction Turek PJ, Savage EB ; ‘Kidney and Urinary Tract Physiology’ in ‘Essensials of Basic Science in Surgery’, Edited by: Savage EB, et.al, J.B Lippicott Company, 1993: 264-280. Thomas Bachinger and Carl-Fredrik Mandenius, “Searching for process information in the aroma of cell cultures”2000 Vassilis S. Kodogiannis, John N. Lygouras, Andrzej Tarczynski, Hardial S. Chowdrey,” Artificial Odour Discrimination System Using Electronic Nose and Neural Networks for the Identification of Urinary Tract Infection”,IEEE Trans. Information Technology in Biomedicine, 12(6).pp. 707-713, November 2008

1-5