• Tidak ada hasil yang ditemukan

BAB IV PENGUJIAN DAN ANALISA DATA

N/A
N/A
Protected

Academic year: 2021

Membagikan "BAB IV PENGUJIAN DAN ANALISA DATA"

Copied!
16
0
0

Teks penuh

(1)

24 4.1 Training JST

Dalam penelitian ini menggunakan metode penentuan bobot pada training jaringan syaraf tiruan yaitu Levenberg–

Marquad dengan struktur JST menggunakan MLP (Multi Layer

Perceptron) dengan struktur input ARX (Auto Regresive eXternal

Input), dimana variabel Input JST mengandung input (U) dan

output (Y) masa sekarang dan lampau.

Gambar 4.2 adalah struktur input JST terdiri dari Usia, Jenis Kelamin, Berat Badan, Nadi,Tensi, Respirasi dan ouput terdiri dari dosis dengan history length 6. Input node terdiri dari 9 node (ditambah node bias), hidden node terdiri dari 2 node dan output

node terdiri atas 1 node. Sehingga akan menghasilkan matrik W1fb = 2x43 yang merupakan bobot pengali antara layer input dengan layer hidden dan matrik W2fb = 1x3 yang merupakan bobot pengali antara layer hidden dengan layer output. Proses

training pada dasarnya adalah untuk menentukan bobot antara

layer input dan layer hidden serta bobot antara layer hidden dan

layer output.

Proses training JST ini dilakukan secara offline dan didapat hasil training JST gambar 4.2 dengan struktur JST pada gambar 4.1. Data set yang diambil untuk masing - masing node input seluruhnya berjumlah 62 data, yang terbagi atas 2 bagian yaitu 52 data digunakan untuk proses training dan 10 data digunakan untuk validasi model JST yang telah didapat.

Kriteria pemodelan proses yang dihasilkan dinyatakan dalam RMSE (Root Mean Square Error) sebagaimana ditunjukkan pada persamaan 4.2. Dengan ketentuan semakin kecil RMSE yang dihasilkan (mendekati nilai 0) akan menghasilkan prediksi output yang lebih baik.

(2)

(

)

N y y RMSE N i i i

= − = 1 2 ˆ (4.2)

Selain menggunakan nilai RMSE dalam menyatakan kriteria model plant, juga dinyatakan dalam VAF (Variance

Accounted For) dalam persen. Dengan ketentuan bahwa nilai VAF yang dihasilkan semakin besar semakin bagus (mendekati nilai 100).

Gambar 4.1 Struktur JST Kontroller Berat Badan Nadi Awal Tensi Awal Respirasi Awal Jenis Kelamin 1 Umur Nadi Post Tensi Post Respirasi Post 1 Dosis

(3)

0 0.5 1 1.5 2 2.5 1 6 1 1 1 6 2 1 2 6 3 1 3 6 4 1 4 6 5 1 Pasien D o s is %

output proses output model

Gambar 4.2 Hasil Training JST Kontroller

Dari uji coba tersebut di atas (proses training), didapat nilai RMSE serta VAF, yaitu RMSE untuk tiap-tiap output adalah RMSE = 1.02E-11 dan nilai VAF = 100.

(4)

Struktur input pada pasien model adalah dosis, nadi awal, tensi awal, respirasi awal dan outputnya adalah nadi post, tensi post, respirasi post dengan history length 7. Input node terdiri dari 3 node (ditambah node bias), hidden node terdiri dari 3 node dan

output node terdiri atas 4 node. Sehingga akan menghasilkan matrik W1fc = 3x50 yang merupakan bobot pengali antara layer

input dengan layer hidden dan matrik W2fc = 3x4 yang merupakan bobot pengali antara layer hidden dengan layer

output.

Proses training JST ini dilakukan secara offline dan didapat hasil training JST gambar 4.4,4.5, 4.6, dengan struktur JST pada gambar 4.3.

Nadi setelah dibius

0 50 100 150 200 1 11 21 31 41 51 Pasien N a d i( B P M ) Output Proses Output Model

Gambar 4.4 Hasil Training Pasien Model Nadi setelah dibius Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah nadi setelah dibius.

(5)

Tensi setelah dibiius 0 50 100 150 1 11 21 31 41 51 Pasien T e n s i( m m H g ) Output Proses Output Model

Gambar 4.5 Hasil Training Pasien Model Tensi setelah dibius Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah tensi setelah dibius.

Respirasi setelah dibius

0 5 10 15 20 1 11 21 31 41 51 Pasien R e s p ir a s i( p e rm e n it ) Output Proses Output Model

(6)

Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah respirasi setelah dibius.

Dari uji coba tersebut di atas (proses training), didapat nilai RMSE serta VAF, yaitu RMSE untuk tiap-tiap output adalah RMSE nadi = 4.68E-13; tensi = 1.69E-12; respirasi = 3.92E-13; dan nilai VAF nadi = 100; tensi = 100; respirasi = 100.

4.2 Pengujian JST

Setelah proses training dilaksanakan dan menghasilkan nilai bobot kemudian dilakukan proses testing. Dimana bobot-bobot hasil training digunakan dalam proses testing. Data input dalam proses testing adalah data yang tidak sama dengan data

training sebelumnya. Hal ini bertujuan untuk mengetahui kehandalan dari JST yang telah dibangun, apakah mampu mengidentifikasi inputan yang belum pernah diterima sebelumnya (dalam proses training). Data yang digunakan untuk

input-an JST yang akan digunakan dalam proses testing dapat dilihat pada Tabel 4.2 dimana input tersebut belum pernah

di-traning-kan sama sekali pada jaringan syaraf tiruan yang telah dibangun dan Tabel 4.3 adalah hasil pengujian dari proses testing. Sedangkan gambar 4.6 adalah grafik perbandingan dari pengujian JST Kontroller.

(7)

Tabel 4.2 Data yang di testing

Tabel diatas adalah data pasien yang akan di lakukan pengujian terhadap JST kontroller, dimana data pasien tersebut belum di training sebelumnya.

Tabel 4.3 Hasil yang di testing

Jika dilihat dari hasil testing yang dilakukan, maka jaringan syaraf tiruan sudah mampu mengidentifikasi proses yang belum pernah diterimanya pada saat training.

Jenis Pasien ke Usia Jenis Kelamin Berat Badan Nadi Tensi Respirasi Dosis %

1 48 2 ( perempuan ) 50 100 124 16 2 2 47 2 ( perempuan ) 50 98 118 16 2 3 7 1( laki - laki ) 19 121 120 20 1 Data 4 25 2 ( perempuan ) 48 109 135 16 1 Pasien 5 15 2 ( perempuan ) 52 80 120 18 1.5 6 56 1( laki - laki ) 68 105 120 16 2 7 70 1( laki - laki ) 45 100 124 16 1.5 8 88 1( laki - laki ) 45 70 218 16 1.5 9 24 2 ( perempuan ) 50 90 120 16 1.5 10 4 2 ( perempuan ) 23 120 105 20 1

Jenis Pasien ke Usia Jenis Kelamin Berat Badan Nadi Tensi Respirasi Dosis %

1 48 1( laki - laki ) 50 100 124 16 1.984 2 47 2 ( perempuan ) 50 98 118 16 1.9995 3 7 1( laki - laki ) 19 121 120 20 1.0098 JST 4 25 2 ( perempuan ) 48 109 135 16 1.1268 Kontroller 5 15 2 ( perempuan ) 52 80 120 18 1.4963 6 56 1( laki - laki ) 68 105 120 16 2.0128 7 70 1( laki - laki ) 45 100 124 16 1.537 8 88 1( laki - laki ) 45 70 218 16 1.5176 9 24 2 ( perempuan ) 50 90 120 16 1.4905 10 4 2 ( perempuan ) 23 120 105 20 1.0991

(8)

0 0.5 1 1.5 2 2.5 0 1 2 3 4 5 6 7 8 9 10 11 Pasien D o s is % Data Pasien JST Kontroller

Gambar 4.6 Grafik perbandingan dari pengujian JST Kontroller Selanjutnya pengujian pada model pasien dimana input tersebut belum pernah di-traning-kan sama sekali pada jaringan syaraf tiruan yang telah dibangun. Tujuan dari testing pada pasien model ini adalah dengan membuktikan bahwa dengan pemberian dosis sekian % apakah pasien benar dalam keadaan tidak sadar. Pada Tabel 4.4 adalah data testing dimana data tersebut belum pernah di training sebelumnya, dan pada tabel 4.4 merupakan hasil dari proses testing, pada gambar 4.7, 4.8, 4.9 adalah grafik perbandingan dari pengujian model pasien.

Tabel 4.4 Data yang di testing

Jenis Pasien ke Dosis %

Awal stlh dibius Awal stlh dibius Awal stlh dibius

1 2 100 85 124 106 16 14 2 2 98 87 118 107 16 14 3 1 121 110 120 115 20 18 Data 4 1 109 96 135 108 16 14 Pasien 5 1.5 80 75 120 101 18 16 6 2 105 80 120 108 16 14 7 1.5 100 95 124 101 16 14 8 1.5 70 60 218 110 16 14 9 1.5 90 83 120 110 16 14 10 1 120 112 105 95 20 18

(9)

Tabel diatas adalah data pasien yang akan di lakukan pengujian terhadap JST kontroller, dimana data pasien tersebut belum di

training sebelumnya.

Tabel 4.5 Hasil yang di testing

Dari hasil testing pada Tabel 4.5 dimana output dari pasien model adalah nadi setelah dibius, tensi setelah dibius, respirasi setelah dibius, jika dibandingkan dengan data pasien yang belum di training sebelumnya maka dapat kita analisa bahwa ada perbedaan dari hasil testing tersebut dengan data pasien, perbedaan itu dapat kita maklumi dikarenakan bahwa dalam kenyataannya bahwa pasien yang sebenarnya juga mempunyai nadi, tensi, yang berfluktuasi ( naik – turun ).

Pasien Dosis %

ke Awal stlh dibius Awal stlh dibius Awal stlh dibius

Model 1 2 100 80.1776 124 101.9892 16 13.0952 Pasien 2 2 98 82.7184 118 99.5221 16 14.8655 JST 3 1 121 102.544 120 111.0275 20 16.0122 4 1 109 97.9945 135 118.0692 16 14.9599 5 1.5 80 76.1903 120 108.1051 18 15.9272 6 2 105 78.4849 120 112.0378 16 14.9689 7 1.5 100 89.6423 124 101.3756 16 15.277 8 1.5 70 65.4719 218 107.6556 16 14.1098 9 1.5 90 84.4891 120 117.3847 16 13.9272 10 1 120 112.2798 105 101.4751 20 14.7667

(10)

Nadi setelah di bius 0 20 40 60 80 100 120 0 1 2 3 4 5 6 7 8 9 10 11 Pasien N a d i( B P M ) Data Pasien ModelPasien

Gambar 4.7 Grafik perbandingan dari pengujian model pasien pada nadi setelah dibius

Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah nadi setelah dibius.

Tensi setelah dibius

0 30 60 90 120 150 0 1 2 3 4 5 6 7 8 9 10 11 Pasien T e n s i( m m H g ) Data Pasien ModelPasien

Gambar 4.8 Grafik perbandingan dari pengujian model pasien pada tensi setelah dibius

(11)

Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah tensi setelah dibius.

Respirasi setelah dibius

0 5 10 15 20 0 1 2 3 4 5 6 7 8 9 1011 Pasien R e s p ir a s i (p e rm e n it ) Data Pasien Model Pasien

Gambar 4.9 Grafik perbandingan dari pengujian model pasien pada respirasi setelah dibius

Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah respirasi setelah dibius.

4.3 Simulasi Plant

Jika dilihat dari hasil testing yang dilakukan, dimana nilai RMSE dan VAF sudah bagus, karena jaringan syaraf tiruan sudah mampu mengidentifikasi proses yang belum pernah diterimanya pada saat training. Langkah selanjutnya adalah proses pengujian JST kontroller dilakukan secara online simulasi, dimana dari hasil pemodelan dalam hal ini adalah bobot training W1fb, W2fb dan

(12)

W1fc, W2fc digunakan untuk proses pengujian JST kontroller secara online simulasi.

Gambar 4.10 : Struktur Simulasi online

Dimana dalam proses online ini dengan memasukkan data input yang berbeda – beda seperti usia, jenis kelamin, berat badan, nadi awal, tensi awal, respirasi awal maka akan dapat diketahui secara langsung dosis yang akan diberikan dan perubahan dari nadi, tensi, respirasi setelah diberi dosis.

Tabel 4.5 Hasil pengujian JST kontroller

Tabel 4.5 diatas merupakan hasil dari simulasi online. Dimana output dari JST Kontroller adalah dosis, nadi, tensi, respirasi ( post = setelah dibius ).

(13)

Tabel 4.6 Data pasien

Dari hasil pengujian pada Tabel 4.5 dimana output dari JST Kontroller online simulasi yaitu nadi setelah dibius, tensi setelah dibius dan respirasi setelah dibius.

Gambar 4.10 Grafik perbandingan dari pengujian online simulasi pada nadi setelah dibius

Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah nadi setelah dibius.

Nadi setelah dibius

0 20 40 60 80 100 120 0 1 2 3 4 5 6 7 8 9 10 11 Pasien N a d i( B P M ) Data Pasien Simulasi

(14)

Tensi setelah dibius 0 50 100 150 0 1 2 3 4 5 6 7 8 9 10 11 Pasien T e n s i( m m H g ) Data Pasien Simulasi

Gambar 4.11 Grafik perbandingan dari pengujian online simulasi pada tensi setelah dibius

Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah tensi setelah dibius.

Respirasi setelah dibius

0 5 10 15 20 0 1 2 3 4 5 6 7 8 9 10 11 Pasien R e s p ir a s i( p e rm e n i t) Data Pasien Simulasi

Gambar 4.12 Grafik perbandingan dari pengujian online simulasi pada respirasi setelah dibius

(15)

Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah respirasi setelah dibius.

Gambar 4.13 Grafik perbandingan dari pengujian online simulasi pada dosis

Dari grafik perbandingan diatas bahwa hasil dari online simulasi berhimpit dengan data pasien yang belum ditraining, dalam arti JST mampu menentukan dosis dari data pasien yang diujikan.

Dimana dari kesemua output itu JST mampu memodelkan pasien, saat pasien model diberi dosis maka nadi, tensi dan respirasi pada pasien akan menjadi tidak sadar dilihat dari perbedaan dari nadi awal, tensi awal, dan respirasi awal. Dengan menggunakan Jaringan Syaraf Tiruan mampu menentukan dosis anesthesia serta mampu memodelkan pasien setelah mendapat dosis anesthesia.

Dosis % 0 0.5 1 1.5 2 2.5 0 1 2 3 4 5 6 7 8 9 10 11 Pasien D o s is % Data Pasien Simulasi

(16)

Gambar

Gambar 4.1 Struktur JST Kontroller Berat Badan Nadi Awal Tensi Awal Respirasi Awal Jenis Kelamin 1 Umur Nadi Post Tensi Post Respirasi Post 1  Dosis
Gambar 4.3 Struktur Pasien Model
Gambar 4.4 Hasil Training Pasien Model Nadi setelah dibius  Dari  hasil  grafik  training  model  pasien  diatas,  didapat  model  pasien  menggunakan  JST  mampu  mengenali  data  pasien  sesungguhnya yang outputnya adalah nadi setelah dibius
Gambar 4.5 Hasil Training Pasien Model Tensi setelah dibius  Dari  hasil  grafik  training  model  pasien  diatas,  didapat  model  pasien  menggunakan  JST  mampu  mengenali  data  pasien  sesungguhnya yang outputnya adalah tensi setelah dibius
+7

Referensi

Dokumen terkait

Puji syukur alhamdulillah penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi dengan judul

PENYUSUNAN LAPORAN PELAKSANAAN KEGIATAN

Tahap awal dalam penelitian ini akan dimulai dengan mencari dan menentukan tanda-tanda yang merepresentasikan komunikasi empat pasangan calon Pemilihan Gubernur dan

Pada saat ini, public relations (PR) dapat dinyatakan sangat menentukan kelangsungan hidup suatu lembagaatau perusahaan, karena public relations berperan untuk menumbuhkembangkan

“wahana untuk mengembangkan dan melestarikan nilai luhur dan moral yang berakar pada budaya bangsa Indonesia yang diharapkan dapat diwujudkan dalam bentuk

Berdasarkan parameter penurunan kandungan beta karoten, umur simpan sari wortel yang disimpan pada suhu dingin (10 °C) adalah 62 hari dan pada suhu ruang ( ±27 °C) adalah 38

Dokumen dan bahan lain yang diperiksa Daftar nilai, absensi siswa, catatan kemampuan siswa Tanggapan Penilai terhadap dokumen dan/atau keterangan guru.. - Guru mengetahui

Setelah dilakukan serangkaian anailisis statistika pada data pesepsi ten- tang tingkat kepentingan dan tingkat kepuasan konsumen terhadap produk obat sakit kepala ayng beredar