. 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
() = ()
()
()
()
(
()
()) (1)
() =
()
(2)
dimana () adalah konstanta gravitasi pada saat t, Mi(t)
adalah massa agen i,
() =
(),
()
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
= (
adalah data
instance ke i fitur ke j,
)
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
= (
=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