Jurnal Cybermatika | Vol. 1 No.

2 | Desember 2013 | Artikel 6 29

Pendekatan Algoritma Heuristik dan Neural Network
untuk Screening Test pada Urinalysis

Abidatul Izzah
1)
, R.V. Hari Ginardi
2)
, Ahmad Saikhu
3)

Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya
1
)aza.syaifa@gmail.com,
2
)hari@its.ac.id,
3
)saikhu@its-sby.edu


ABSTRAK
Uji makro kandungan urin menggunakan dipstick urin telah
dimanfaatkan untuk mengetahui potensi penyakit yang diderita
oleh seorang pasien. Namun, pembacaan hasil tes dipstick urin
masih sulit dipahami oleh sebagian masyarakat. Oleh karena
itu perlu adanya suatu alat bantu untuk memberi informasi dari
hasil yang diperoleh dipstick urin. Pada makalah ini, digunakan
suatu metode yang mampu memberikan sebuah indikasi sebagai
hasil screening test dari dipstick urin menggunakan pendekatan
komputasi cerdas. Metode yang digunakan pada makalah ini
adalah algoritma heuristik Gravitational Search Algorithm
(GSA) dan Artificial Neural Network (ANN). GSA digunakan
sebagai algoritma pembelajaran sehingga diperoleh kombinasi
bobot dan bias pada arsitektur ANN. Digunakan pula operator
disruption untuk menghindari konvergensi dini sebagai
kekurangan yang dimiliko oleh GSA. Metode ini
diimplementasikan untuk melakukan screening test pada
penyakit Infeksi Saluran Kemih (ISK) pada data urinalysis dari
90 pasien. Data ini diperoleh dari hasil pemeriksaan urinalysis
di Laboratorium Klinik Utama Popular, Surabaya sejak Januari
2012 sampai dengan September 2013. Hasil yang diperoleh
menunjukkan bahwa dengan menggunakan metode yang
diusulkan dapat memberikan hasil yang lebih baik daripada
metode pembandingnya dengan nilai sensivitas dan spesifisitas
yang menghasilkan nilai sebesar 100% dan sebesar 77%.
Kata Kunci
Gravitational Search Algorithm, Artificial Neural Network,
Urinalysis, Disruption

1. PENDAHULUAN
Pemeriksaan kesehatan berdasarkan urin atau yang sering
disebut dengan urinalysis berdasarkan pada kandungan urin
dapat menunjukkan potensi kelainan pada pasien. Variasi warna
urin dapat disebabkan oleh jenis makanan atau obat yang
dikonsumsi oleh pasien. Beberapa manfaat urinalysis adalah
dapat digunakan untuk mengetahui adanya potensi gangguan
hati, diabetes mellitus, infeksi pada ginjal atau saluran kemih.
Uji urinalysis terdiri dari dua macam, yaitu uji makroskopik dan
uji mikroskopik. Tes mikroskopik dilakukan dengan memutar
(centrifuge) urin lalu mengamati endapan urin di bawah
mikroskop. Sedangkan tes makroskopik dilakukan dengan cara
visual yakni, pemeriksaan urin meliputi penaksiran dari
kenampakan, bau, keadaan, dan fisik. Saat ini metode paling
umum pada urinalysis adalah uji menggunakan dipstick urin.
Uji ini dapat menunjukkan rentang kandungan kimia yang ada
pada urin. Uji ini menggunakan reagen strip yang dicelupkan ke
dalam urin lalu mengamati perubahan warna yang terjadi pada
strip dan membandingkannya dengan grafik warna standar. Dari
pengujian ini diperoleh sepuluh zat yang dikandung urin antara
lain pH, berat jenis, glukosa, protein, bilirubin, urobilinogen,
darah, keton, nitrit, dan lekosit. Dengan melakukan uji
urinalysis menggunakan dipstick ini, pasien akan memperoleh
nilai kandungan zat pada urin namun terkadang tidak
mengetahui makna dari nilai yang ditunjukkan. Jika pasien
mengetahui bahwa kondisi urin memiliki kecenderungan
abnormal, maka pasien bisa merubah dan memperbaiki pola
hidup.
Penelitian tentang pemanfaatan dipstick urin untuk
mengindikasikan suatu penyakit yang diderita pasien telah
banyak dilakukan. Salah satunya adalah dipstick sebagai
diagnosis untuk trypsin inhibitor (urinstatin) pada urin dan
plasma pasien yang terinfeksi saluran kemih (Pugia, 2004).
Pemeriksaan awal menggunakan dipstick urin sangat membantu
untuk mengetahui apakah pasien perlu melakukan pemeriksaan
tambahan. Namun, penerjemahan hasil kenampakan warna
dipstick urin masih sulit dipahami oleh para penggunanya.
Oleh karena itu diperlukan sebuah alat bantu untuk
menerjemahkan hasil pemeriksaan dipstick urin.
Di sisi lain, berkembangnya ilmu pengetahuan dan teknologi di
bidang analisis data dapat dimanfaatkan dalam bidang
kesehatan dalam pengambilan sistem pendukung keputusan.
Data Mining (DM) adalah suatu disiplin ilmu yang melakukan
pendekatan dalam analisis data dan penemuan informasi pada
dataset yang kompleks (Yeh, 2012). Salah satu permasalahan
yang dapat diatasi dalam pengolahan data adalah pemberian
label dalam mendeskripsikan analisis komputasi yakni
klasifikasi. Klasifikasi data merupakan proses pelabelan pada
suatu dataset berdasarkan pembelajaran pada dataset
sebelumnya (Mastrogiannis dkk, 2009). Metode yang
digunakan untuk klasifikasi salah satunya adalah Neural
Network (ANN). ANN adalah algoritma yang diinspirasi dari
sistem syaraf manusia, dimana sistem syaraf manusia terdiri
dari beberapa neuron yang menerima rangsangan dari luar
tubuh untuk diteruskan menuju otak melalui dendrit. Algoritma
ini merupakan algoritma supervised learning yang yang banyak
digunakan dalam memecahkan permasalahan linear maupun
non linear (Dias dkk, 2004). Di samping itu algoritma heuristik
sebagai algoritma pencarian juga mengalami perkembangan
yang pesat, salah satunya ditemukan Gravitational Search
Algorithm (GSA) yakni algoritma yang diinspirasi dari hukum
gravitasi dan hukum perpindahan benda menuju pada posisi
seimbang. Sebagai algoritma heuristik, GSA memiliki
kemampuan yang bagus dalam pencarian global. Namun jika
konvergensi terlalu dini terjadi, algoritma ini kehilangan
kemampuannya dalam pencarian (Sarafrazi, 2011). Untuk
memperbaiki kemampuan GSA ditambahkan sebuah operator
baru yakni disruption untuk lebih mengeksplorasi solusi yang
didapatkan oleh GSA. Izzah (2013) telah melakukan uji coba
pada GSA dengan penambahan operator disruption sebagai
metode pembelajaran pada ANN untuk klasifikasi data. Hasil
yang diperoleh menunjukkan bahwa metode ini memberikan
hasil yang lebih baik daripada ANN dengan pembelajaran GSA
(ANN-GSA) dan ANN dengan pembelajaran Genetic
Algorithm (ANN-GA).
Paper ini bertujuan untuk melakukan klasifikasi data urinalysis
menggunakan metode ANN dengan pembelajaran GSA dan
disruption. Klasifikasi pada data urinalysis dapat digunakan
30 Abidatul Izzah, R. V. Hari Ginardi, Ahmad Saikhu
sebagai screening test pada uji dipstick urin sehingga pasien
dapat mengetahui apakah ia memiliki potensi mengidap
penyakit Infeksi Saluran Kemih (ISK).
2. LANDASAN TEORI
2.1 Uji Urinalysis
Urine analysis (analisa terhadap kandungan urin) merupakan
salah satu tes klinis yang paling sering dilakukan pada dunia
pediatri. Hal ini didasari pada kemudahan pengumpulan urin
dan kesederhanaan prosedur tes yang harus dilakukan (Whiting,
2006). Tes urin dapat digunakan untuk mendeteksi beberapa
gangguan kesehatan. Deteksi ini dilakukan dengan menganalisa
kandungan kimia yang terdapat pada urin. Beberapa kandungan
kimia yang umum dianalisa adalah kandungan darah, protein,
glukosa, leukosit esterase, nitrit, dan -HCG. Beberapa
kandungan lain juga dianalisa namun jarang dilakukan adalah
kandungan keton, urobilin, bilirubin, berat jenis, dan pH
(Barrat, 2007). Pada uji urinalysis menggunakan reagent strips,
sepuluh kandungan urin yang terdeteksi antara lain: berat jenis,
pH, leukosit, hemoglobin, nitrit, keton, bilirubin, urobilinogen,
protein, dan glukosa. Warna yang dihasilkan oleh dipstick akan
dibandingkan dengan urin chart sehingga dapat diperoleh
estimasi nilai dari masing-masing warna. Gambar 1
memperlihatkan chart warna yang dihasilkan saat melakukan
tes makroskopis urinalysis.


Gambar 1. Bagan Warna Dipstick Urinalysis

Beberapa manfaat urinalysis adalah dapat digunakan untuk
mengetahui adanya potensi gangguan hati, diabetes mellitus,
infeksi pada ginjal atau saluran kemih. Infeksi saluran kemih
adalah infeksi yang terjadi di sepanjang jalan saluran kemih,
termasuk ginjal itu sendiri akibat proliferasi suatu
mikroorganisme. Untuk menyatakan adanya infeksi saluran
kemih harus ditemukan bakteri di dalam urin. Suatu infeksi
dapat dikatakan jika terdapat 100.000 atau lebih bakteri/ml urin,
namun jika hanya terdapat 10.000 atau kurang bakteri/ml urin,
hal itu menunjukkan bahwa adanya kontaminasi
bakteri.Bakteriuria bermakna yang disertai gejala pada saluran
kemih disebut bakteriuria bergejala. Sedangkan yang tanpa
gejala disebut bakteriuria tanpa gejala.
Dalam pemeriksaan laboratorium, pasien yang berpotensi
mengidap ISK dapat dilihat dari hasil urinalisis yang meliputi
Leukosuria (ditemukannya leukosit dalam urin) dimana
dinyatakan positif jika terdapat 5 atau lebih leukosit (sel darah
putih) per lapangan pandang dalam sedimen urin dan
Hematuria (ditemukannya eritrosit dalam urin) yakni
petunjuk adanya infeksi saluran kemih jika ditemukan eritrosit
(sel darah merah) 5-10 per lapangan pandang sedimen urin.
Hematuria bisa juga karena adanya kelainan atau penyakit lain,
misalnya batu ginjal dan penyakit ginjal lainnya. Di sisi lain,
dengan memanfaatkan uji makroskopis, pasien mendapatkan
informasi ada tidaknya kandungan zat pada urin. Majid (2010)
menunjukkan bahwa pada urin pasien yang mengandung nitrit
berindikasi mengidap penyakit ISK. Hal ini disebabkan adanya
nitrit merupakan hasil perubahan asam nitrat oleh bakteri.
Dengan demikian potensi mengidap ISK dapat diteliti dari ada
atau tidaknya kandungan nitrit pada urin pasien.

2.2 Artificial Neural Network
ANN merupakan algoritma supervised learning yang
memetakan data input terhadap target output dimana ANN
mampu memodelkan permasalahan non linier kompleks yang
sulit dipecahkan dengan menggunakan persamaan matematis
biasa. Rojas (1996) menjelaskan bahwa secara biologis, sebuah
informasi dapat disimpan pada titik-titik kontak antara neuron
(sinapsis). Dalam arsitektur ANN, sebuah node adalah suatu
elemen komputasi yang mengintrepretasikan suatu neuron.
Informasi yang dikandung dalam node akan dilanjutkan ke node
yang lain layaknya sinapsis pada jaringan syaraf manusia.
Arsitektur ANN terdiri dari lapisan input, lapisan hidden, dan
lapisan output. Jaringan syaraf yang tidak memiliki lapisan
hidden disebut dengan ANN satu layer, sedangkan jaringan
yang memiliki banyak lapisan hidden disebut dengan ANN
multi layer. Masing-masing node antar lapisan dihubungkan
dengan bobot

dan dipengaruhi oleh bias

. ANN ditentukan
oleh 3 hal, yakni pola hubungan antar neuron (disebut arsitektur
jaringan), metode untuk menentukan bobot penghubung
(disebut metode training/learning/algoritma), dan fungsi
aktivasi (fungsi transfer). Contoh arsitektur jaringan ANN dapat
dilihat pada Gambar 2. Sedangkaan macam-macam fungsi
aktivasi dapat dilihat pada Gambar 3.


(a)

(b)
Gambar 2. Arsitektur Neural Network
(a) ANN Satu Layer (b) ANN Multi Layer


(a)

(b)
(c)

(d)
Gambar 3. Fungsi Aktivasi
(a)Linear (b)Threshold (c)Sigmoid Biner (d)Sigmoid
Bipolar

Jurnal Cybermatika | Vol. 1 No. 2 | Desember 2013 | Artikel 6 31
2.3 GSA dan Disruption
GSA adalah algoritma heuristik yang ditemukan oleh Rashedi
(2009). Algoritma ini diinspirasi dari fenomena alam yakni
hukum gravitasi dan tarik menarik massa. Hukum gravitasi
menyatakan bahwa setiap partikel yang memiliki massa
menarik satu sama lain dengan gaya gravitasi sehingga
menyebabkan perpindahan partikel menuju massa yang lebih
besar. Fenomena gravitasi yang menyebabkan perpindahan
suatu benda menuju keseimbangan telah diadopsi menjadi
sebuah algoritma yang disebut dengan GSA. Dalam GSA,
posisi partikel yang memiliki massa merepresentasikan solusi
permasalahan.
Gravitasi adalah kecenderungan sebuah benda untuk melakukan
tarik-menarik dengan benda lain yang memiliki massa. Gaya ini
adalah salah satu interaksi dasar di alam selain gaya
elektromagnetik, gaya nuklir lemah, dan gaya nuklir kuat.
Dalam hukum gravitasi Newton, setiap partikel menarik
partikel lain dengan gaya gravitasi dan percepatan partikel
ditentukan oleh gaya dan massa partikel tersebut (Rashedi,
2009). Konsep gaya tarik menarik antar benda dapat dilihat
pada Gambar 4.

Gambar 4. Konsep gaya tarik menarik antar partikel

Dari Gambar 4 dapat dilihat bahwa tarikan oleh massa yang
lebih besar mampu mendominasi resultan gaya yang dialami
sebuah benda (F1 sebagai resultan gaya yang dialami M1
menuju M3 dimana M3 adalah massa yang paling besar).
Semakin besar massa yang ditarik maka semakin besar gaya
yang dibutuhkan. Di sisi lain, jika kedua benda dipisahkan
semakin jauh, maka gaya yang ditimbulkan semakin kecil.
Hukum gravitasi menyatakan bahwa setiap partikel yang
memiliki massa saling menarik satu sama lain dengan gaya
gravitasi sehingga menyebabkan perpindahan menuju massa
yang lebih besar.
Rashedi (2009) menjelaskan bahwa langkah pertama dalam
GSA adalah inisialisasi N solusi (agen) awal dengan m dimensi
secara random. Posisi agen direpresentasikan sebagai berikut:

= (

1
, ,

, ,

)

dimana i = 1, 2, , N dan

adalah posisi agen ke-i dimensi

ke-d. Untuk setiap iterasi, total gaya interaksi setiap agen F
dengan agen yang lain dihitung dengan persamaan (1) dan (2):

() = ()

()

()

()
(

()

()) (1)

() =

()

(2)

dimana () adalah konstanta gravitasi pada saat t, Mi(t)
adalah massa agen i,

() merupakan jarak euclid antar agen

yang dihitung dengan persamaan (3):

() =

(),

()
2
(3)

Update nilai G(t) yang berubah pada setiap iterasi yang dihitung
dengan persamaan (4):

() = (
0
, ) (4)

dimana (
0
) adalah konstanta gravitasi pada interval kuantum
kosmik pada saat t0.
Untuk menghitung massa Mi(t) tiap agen dihitung melalui
persamaan (5) dan (6):

() =

() ()
() ()
(5)

() =

()

()

=1
(6)

Agen best dan worst dipilih berdasarkan nilai fitness. dimana
jika fungsi minimasi, best(t) dan worst(t) ditentukan sebagai
berikut:

() = min
{1,,}

() (7)
() = max
{1,,}

() (8)

Namun, jika fungsi maksimasi ditentukan sebagai berikut:

() = max
{1,,}

() (9)
() = min
{1,,}

() (10)

Langkah selanjutnya adalah menghitung kecepatan dan
percepatan yang dialami oleh agen dengan persamaan (11) dan
(12).

() =

()

()
(11)

( +1) =

() +

() (12)

Langkah terakhir adalah update posisi agen menggunakan
persamaan (13).

( + 1) =

() +

( + 1) (13)

Prosedur ini diulang sampai batas iterasi maksimum atau telah
memenuhi kriteria tertentu. Gambar 5 menunjukkan diagram
alir GSA. Sebagai algoritma heuristik, GSA memiliki
kemampuan yang bagus dalam pencarian global. Namun
32 Abidatul Izzah, R. V. Hari Ginardi, Ahmad Saikhu
Sarafrazi (2011) menyebutkan bahwa jika konvergensi terlalu
dini terjadi, algoritma ini kehilangan kemampuannya dalam
pencarian. Untuk memperbaiki kemampuan GSA, ditambahkan
sebuah operator baru yakni disruption untuk lebih
mengeksplorasi solusi.
Disrupsi gaya gravitasi yang diinspirasi dari ilmu astronomi
merupakan fenomena terjadinya guncangan pada sekumpulan
partikel yang ada dibawah pengaruh gaya gravitasi. Disrupsi
terjadi secara tiba-tiba pada sekumpulan partikel yang berada
dalam medan gravitasi. Hal ini terjadi ketika gaya gravitasi
tidak mampu memberikan keseimbangan. Konsep astronomi
tentang gaya gravitasi menyatakan bahwa ketika sekumpulan
partikel memiliki total massa (m) terlalu mendekati objek yang
sangat besar (M), sekumpulan cenderung terpisah (Harwit,
1998).
Fenomena disrupsi dalam komputasi disimulasikan dengan
solusi terbaik (partikel dengan massa yang paling besar) yang
menjadi pusat partikel massa pada medan gravitasi. Dibawah
pengaruh gaya gravitasi tersebut, solusi-solusi yang lain
berpotensial untuk terguncang atau tersebar dalam ruang
keadaan. Untuk menjaga diversitas dan bertambahnya
kompleksitas, disruption dibatasi dengan persamaan (14).

,
< (14)
dimana
,
adalah jarak euclid antara partikel i dengan
sekitarnya sedangkan
,
adalah jarak euclid antara partikel i
dengan best. Disrupsi terjadi ketika rasio jarak antara partikel i
dengan partikel disekitarnya (
,
) dan jarak antara partikel i
dengan best (
,
) kurang dari suatu ambang batas.
Berdasarkan konsep pencarian, dua solusi yang terlalu mirip
tidak berguna dalam populasi. Oleh karena itu jika jarak
tersebut terlalu dekat, operator disruption dijalankan. Gambar 6
menunjukkan diagram alir IGSA

Sarafrazi (2011) menjelaskan simulasi komputasi fenomena
disruption secara sederhana dapat dilakukan sebagai berikut:
a) Hitung rasio jarak antara partikel i dengan partikel
disekitarnya (
,
) danjarak antara partikel i dengan best
(
,
)menggunakan persamaan (14).
b) Update posisi setiap partikel menggunakan persamaan
berikut
= {

,
. (0.5,0.5) jika
,
1
1 + . (0.5,0.5) untuk yang lain


dengan (0.5,0.5) adalah bilangan acak uniform pada
interval [-0.5,0.5].
c) Update xi(old)
Operator disruption akan mengeksplorasi dan mengeksploitasi
solusi tergantung pada nilai D. Jika nilai
,
sangat besar
maka solusi akan dieksplorasi sedangkan jika nilai
,
kecil
dilakukan eksploitasi.

Gambar 5. Prosedur GSA


Gambar 6. Prosedur GSA dengan Operator Disruption

3. ANN DAN IGSA UNTUK SCREENI NG
TEST PADA URINALYSIS
GSA dengan penambahan operator disruption yang kemudian
disebut Integrated GSA (IGSA) pada ANN digunakan sebagai
metode pembelajaran untuk menemukan bobot dan bias yang
optimal. Langkah pertama adalah melakukan preprocessing data
dan membagi data menjadi data latih dan data uji. Data tersebut
Bangkitkan Populasi
Update kecepatan dan posisi
Terminate ?
Solusi terbaik
Disruption
Evaluasi
Update G, best, worst
Hitung M dan a
Bangkitkan Populasi
Evaluasi
Update kecepatan dan posisi
Terminate ?
Solusi terbaik
Update G, best, worst
Hitung M dan a
Jurnal Cybermatika | Vol. 1 No. 2 | Desember 2013 | Artikel 6 33
kemudian dinormalisasi sehingga bernilai pada interval [0,1].
Parameter yang digunakan dalam ANN-IGSA adalah G, ,
jumlah agen, dan maxEpoh.
Dalam paper ini, struktur jaringan yang digunakan adalah ANN
double layer dengan jumlah node input sebanyak fitur data.
Struktur jaringan ANN yang digunakan dapat dilihat pada
Gambar 7. Langkah selanjutnya adalah membangkitkan agen
yang merupakan kombinasi bobot dan bias. Node i di lapisan
input dengan node j di lapisan hidden layer dihubungkan
dengan bobot wij. Sedangkan node-node di hidden layer
dipengaruhi dengan

.
Pengkodean bobot dan bias yang digunakan adalah pengkodean
matriks dimana agen i menyatakan solusi ke-i yang terdiri dari

1
= [

13

23

14

24

15

25
] merupakan bobot dari layer input ke layer
hidden,
2
= [

36

46

56
] adalah bobot dari layer hidden ke layer
output,
1
= [

3
] adalah bias pada layer input dan
2
=
4

merupakan bias pada layer hidden. Struktur agen dapat dilihat
pada Gambar 8.


Gambar 7. Struktur Jaringan

1

1

2

2


([

13

23

14

24

15

25
])
([

3
])
([

36

46

56
])
(
4
)
Gambar 8. Struktur Agen

. Fungsi aktivasi yang digunakan di hidden layer adalah fungsi
sigmoid sesuai dengan Persamaan (16).
(

) =
1
1 +
(

)
; (16)
dimana

= (

), = 1,2, , , n adalah jumlah

node input,

adalah bobot dari node i ke j,

adalah data
instance ke i fitur ke j,

adalah bias node ke-j.

Sedangkan fungsi fitness yang digunakan adalah
meminimumkan nilai Minimum Square Error (MSE) yang
sesuai dengan persamaan (17).
=
(

)
2

=1

=1
(17)
dimana q adalah jumlah data training,

adalah output ke i
pada data training ke k, dan bias pada layer input dan
2
=
4

merupakan bias pada layer hidden.
Jika

adalah output dari perhitungan aadalah sebagai berikut:

= (

=1
(18)
dimana k=1,2,, m.

4. HASIL DAN PEMBAHASAN
4.1 Data
Data yang digunakan dalam penelitian ini adalah data primer
yang diambil dari hasil pemeriksaan urinalysis 90 pasien di
Laboratorium Klinik Utama Popular, Surabaya sejak Januari
2012 sampai dengan September 2013. Fitur yang diambil
adalah sepuluh kandungan urin yang diperoleh dari hasil uji
dipstick urin dan beberapa data pribadi seperti usia, jenis
kelamin, dan penampakan warna urin. Karakteristik sampel data
pasien dan fitur data urinalysis dari 90 pasien tersebut dapat
dilihat pada Tabel 1 dan Tabel 2.
Tabel 1. Sebaran Sampel Data
Data Sebaran Sampel Data
Usia Min = 0; Max = 98; Mean = 49.1; StdDev = 19.4
Jenis Kelamin Wanita = 52; Pria = 38
Kekeruhan Jernih = 43; Agak Keruh = 25; Keruh = 22
Warna Kuning Muda = 78; Kuning Tua = 12

Tabel 2. Sebaran Fitur Data
Fitur
Sebaran Fitur Data
M
i
n
i
m
u
m

M
a
k
s
i
m
u
m

N
e
g
a
t
i
f

P
o
s
i
t
i
f

P
o
s
i
t
i
f
(
1
+
)

P
o
s
i
t
i
f
(
2
+
)

P
o
s
i
t
i
f
(
3
+
)

P
o
s
i
t
i
f
(
4
+
)

PH 5 8
Berat Jenis 1.01 1.03
Protein 65 1 8 11 4 1
Glukosa 71 1 3 6 7 2
Urobilin 83 5 2
Bilirubin 84 3 2 1
Keton 83 7
Nitrit 45 45
Eritrosit 69 21
Lekosit 44 46

Data yang diperoleh dari Laboratorium Klinik Utama Popular
adalah data yang tidak berlabel. Oleh karena itu, berdasarkan
kajian dari Majid (2010) pelabelan dilakukan berdasarkan rule
sebagai berikut:
IF Nitrit = Positif THEN ISK = YES
ELSE ISK = NO
4.2 Hasil Percobaan
Pengujian pada makalah ini menggunakan ANN double layer
dengan struktur jaringan n-s-1, dengan n adalah jumlah node
input dan s adalah jumlah node pada hidden layer. Parameter
34 Abidatul Izzah, R. V. Hari Ginardi, Ahmad Saikhu
GSA yang digunakan adalah G = 100, = 20, dan maxEpoh =
100. Nilai batas C yang digunakan berdasarkan pada persamaan
(18) sedangkan G(t) dihitung dengan persamaan (19)
= (1

max
) (18)
() =
0

max
(19)
dengan nilai = 100.
Uji coba klasifikasi dataset urinalysis untuk screening test ISK
dilakukan menggunakan metode 3 fold cross validation. Dalam
setiap pengujian, dataset dibagi menjadi tiga kelompok untuk
kemudian digunakan sebagai data latih dan data uji dengan
komposisi 2:1. Gambaran mengenai 3 fold cross validation
dalam pengujian ini dapat dilihat pada Gambar 9. Hasil dari tiga
kali pengujian menggunakan 3 fold cross validation kemudian
akan dicari rataan, simpangan baku, dan nilai terkecil. Masing-
masing cross validation diterapkan dengan menggunakan
kombinasi parameter nagen = 10, 30, dan 50 dan struktur
jaringan yang digunakan menggunakan neuron hidden s = 3,5,
dan 7. Hasil uji coba klasifikasi untuk skenario pengujian ini
dapat dilihat pada Tabel 3.









Gambar 9. Pembagian dataset untuk uji 3 fold cross
validation

Tabel 3. Komputasi NN-IGSA untuk Klasifikasi Urinalysis
Parameter
Neuron
Hidden
Mean Square Error Akurasi
(%) Mean Std. Dev Best
nagen = 10
3 0.189 0.051 0.133 86.667
5 0.100 0.033 0.067 93.333
7 0.278 0.139 0.167 83.333
nagen = 30
3 0.278 0.084 0.200 80.000
5 0.033 0.058 0.000 100.000
7 0.156 0.117 0.033 96.667
nagen = 50
3 0.031 0.186 0.300 100.000
5 0.200 0.088 0.100 90.000
7 0.289 0.158 0.167 83.333

Hasil uji coba pada skenario pengujian ini menujukkan bahwa
hasil terbaik diperoleh pada saat nagen = 30 pada arsitektur 10-5-
1 dan nagen = 50 pada arsitektur 10-3-1. Nilai simpangan baku
dari 3 replikasi cross validation menunjukkan angka yang relatif
kecil, sehingga nilai rataan tersebut memiliki keagaman kecil.
Pengujian selanjutnya adalah dengan membandingkan performa
ANN-IGSA urinalysis untuk screening test ISK dengan ANN-
GSA. Parameter yang digunakan pada ANN-IGSA dan ANN-
GSA adalah jumlah agen = 10, G = 100, = 20, dan maxEpoh
= 100. Uji coba klasifikasi dataset urinalysis untuk screening
test ISK juga dilakukan dengan menggunakan metode 3 fold
cross validation dengan parameter yang telah ditentukan.
Masing-masing cross validation dilakukan kombinasi struktur
jaringan yang digunakan menggunakan neuron hidden s = 3, 5,
dan 7 Hasil uji coba klasifikasi dapat dilihat pada Tabel 4.
Dari hasil tersebut, dapat dilihat bahwa rata-rata nilai MSE
paling kecil dari 3 fold cross validation diperoleh menggunakan
metode ANN-IGSA pada setiap neuron hidden yang berbeda.

Tabel 4. Perbandingan Komputasi NN-IGSA
Neuron
Hidden
Metode
Mean Square
Error
Akurasi
(%)
3 ANN IGSA 0.166 83.333
ANN GSA 0.326 67.407
5 ANN IGSA 0.111 88.889
ANN GSA 0.230 77.037
7 ANN IGSA 0.241 75.926
ANN GSA 0.292 78.519

Pada IGSA, adanya operator disruption untuk mengatasi
kelemahan GSA menujukkan hasil yang baik pada klasifikasi
dataset urinalysis untuk screening test ISK. Hasil komputasi
IGSA memberikan nilai MSE minimum yang lebih cepat
sekaligus terhindar dari konvergensi dini. Gambar 10
menunjukkan hasil komputasi pada ANN-IGSA dan ANN-GSA
dengan parameter jumlah solusi = 30.

Gambar 10. Konvergensi ANN-IGSA dan ANN-GSA

Selain itu evaluasi juga dilakukan dengan menghitung
sensitivitas dan spesifisitas dari sistem dalam memberikan hasil
screening test hasil penyakit ISK. Sensitivitas adalah ukuran
keakuratan tes yaitu seberapa besar kemungkinan tes untuk
mendeteksi positif orang-orang yang memiliki penyakit atau
kondisi, sedangkan spesifisitas adalah ukuran statistik mengenai
akurasi tes, yaitu seberapa baik tes mengidentifikasi negatif
orang-orang yang tidak memiliki penyakit atau kondisi. Hasil
komputasi dengan parameter nagen = 30 dan s = 7 memberikan
nilai seperti pada Tabel 5. Dari hasil tersebut diperoleh nilai
sensitivitas sebesar 100% dan spesifisitas sebesar 77%.

Tabel 5. Matriks Confussion
Data Pasien
Screen Test Sistem
Positif ISK Negatif ISK
Positif ISK
45
(TP)
13
(FN)
Negatif ISK
0
(FP)
32
(TN)

ANN-GSA
ANN-GSA
0
0.05
0.1
0.15
0.2
0.25
0.3
1 11 21 31 41 51 61 71 81 91
M
S
E
Epoch
Konvergensi Komputasi ANN-IGSA
Lth
Lth
Uji
Lth
Uji
Lth
Uji
Lth
Lth
Pengujian 1 Pengujian 2 Pengujian 3
Dataset
Jurnal Cybermatika | Vol. 1 No. 2 | Desember 2013 | Artikel 6 35
5. KESIMPULAN
Pada makalah ini, digunakan suatu metode yang mampu
memberikan sebuah indikasi sebagai hasil screening test dari
dipstick urin menggunakan pendekatan komputasi cerdas untuk
penyakit ISK. Metode yang digunakan pada makalah ini adalah
algoritma heuristik Gravitational Search Algorithm (GSA) dan
Artificial Neural Network (ANN) dengan penambahan operator
disruption. Uji coba klasifikasi dilakukan menggunakan 3 fold
cross validation dengan parameter yang telah ditentukan. Hasil
uji coba pada skenario pengujian ini menujukkan bahwa hasil
terbaik diperoleh ketika nagen = 30 pada arsitektur 10-5-1 dan
nagen = 50 pada arsitektur 10-3-1. Hasil evaluasi juga
menggunakan sensivitas dan spesifisitas yang menghasilkan
nilai sebesar 100% dan sebesar 77%.
Untuk penelitian selanjutnya, dapat dikembangkan screening
tes pada penyakit lain yang memanfaatkan data urinalysis.
Selain itu dapat pula dikembagkan ANN-GSA dengan konsep
gerak dalam fisika seperti tumbukan dan momentum.

6. REFERENSI

Barrat, J., What to do with patients with abnormal dipstick
urinalysis, Elsevier Ltd., 2007
Dias, F., Antunes, A., Mota A., Artificial neural networks: a
review of commercial hardware, Engineering Applications of
Artificial Intelligence, Vol. 17, 945952, December 2004
Harwit, M. The Astrophysical Concepts, 3rd ed., NewYork,
1998
Izzah, A., Ginardi, R.V.H, Sarno, R., Gravitational Search
Algorithm dengan Operator Disruption sebagai Optimasi pada
Artificial Neural Network untuk Klasifikasi Data, Prosiding
KNIF ITB, Vol 3, 102-107, November 2013
Majid, F.A., Buba, F., The Predictive and Discriminant Values
of Urine Nitrites in Urinary Tract Infection, Biomedical
Research, Vol 21(3), 297-299, 2010
Mastrogiannis, N., Boutsinasa, B., Giannikos, I., A method for
improving the accuracy of data mining classification
algorithms, Computers & Operations Research, Vol. 36,
28292839, October 2009
Pugia, The uristatin dipstick is useful in distinguishing upper
respiratory from urinary tract infections, Clinica Chimica Acta,
341, 7381, 2004
Rashedi, E., Nezamabadi-pour, H., Saryazdi, S., GSA: A
Gravitational Search Algorithm, Information Science, Vol.
179, 22322248, March 2009
Rojas, R., Neural Networks : A Systematic Introduction,
Springer, Berlin, 1996
Sarafrazi S., Nezamabadi-pour H., Saryazdi S. Disruption: A
new operator in gravitational search algorithm, Scientia Iranica
D, Vol. 18(3), 539548, February 2011
Whiting, P. Westwood, M. Bojke, L. dkk., Clinical
effectiveness and cost-effectiveness of tests for the diagnosis
and investigation of urinary tract infection in children: a
systematic review and economic model. Health Technol
Assess; 10. iii-iv, xi-xiii, 1-154, 2006
Yeh, W. Novel swarm optimization for mining classification
rules on thyroid gland data, Information Sciences, Vol. 197,
6576, February 2012