Fakultas Ilmu Komputer
Universitas Brawijaya
989
Sistem Identifikasi Penyakit Gagal Ginjal melalui Bau Mulut, Warna Urine dan Tekanan Darah dengan Metode Support Vector Machine
Lia Safitri1, Rizal Maulana2, Eko Setiawan3
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Tubuh manusia memiliki sepasang ginjal yang bentuknya seperti biji kacang polong. Walaupun memiliki bentuk yang tidak begitu besar namun ginjal mempunyai fungsi yang penting pada tubuh manusia. Salah satu fungsi ginjal adalah detosifikasi yakni membuang sampah sisa metabolisme yang akan mejadi racun jika tidak dikeluarkan dari dalam tubuh. Penyakit yang dapat menyerang organ ginjal salah satunya adalah gagal ginjal. Kondisi saat ginjal tidak bisa melakukan fungsinya dan bekerja dengan baik disebut gagal ginjal. Kesehatan ginjal tidak boleh disepelekan, maka dari itu dibutuhkan sebuah sistem yang dapat mengidentifikasi kondisi ginjal sedini mungkin untuk mengantisipasi adanya kerusakan ginjal dalam tubuh manusia. Pada penelitian ini digunakan tiga parameter untuk menentukan apakah ginjal berada dalam kondisi normal atau tekena gagal ginjal. Pertama, menghitung kadar dari gas amonia yang dihasilkan oleh bau mulut dengan sensor MQ-135. Kedua menghitung nilai RGB pada warna urine dengan sensor TCS3200 dan yang ketiga, mengukur tekanan darah dengan sensor MPX5700AP. Ketiga parameter tersebut dipilih karena dapat diidentifikasi menggunakan sensor.
Arduino Uno digunakan untuk melakukan pengolahan data. Selain itu, Metode klasifikasi yang dipilih yaitu metode support vector machine (SVM). Setelah dilakukan pengujian 10 kali terhadap 20 data latih yang diinputkan. Tingkat akurasi dari pengujian yang telah dilakukan ini sebesar 80% dan untuk rata- rata waktu komputasi yang dibutuhkan sekitar 37,10 detik.
Kata kunci: gagal ginjal, bau mulut, warna urine, tekanan darah, support vector machine Abstract
The human body has a pair of kidneys that are shaped like the seed of a pea. Although it has a shape that is not so big, the kidneys have some crucial function in the human body. One of the functions of the kidneys is detoxification, which is removing metaboic waste that will become toxic if not removed from the body. One of the diseases that can attack the kidneys is kidney failure. Kidney failure is a condition when the kidneys cannot perform their functions and work properly. Kidney health should not be underestimated, then we need a system that can identify kidney conditions as early as possible to anticipate kidney damage in the human body. In this study, there are three parameters used to determine whether the kidneys are in normal condition or have kidney failure. First. To calculate the level of ammonia gas from bad breath with the MQ-135 sensor. Second, to calculated the RGB value of urine color using TCS3200 sensor and thridly, to measure blood pressure using the MPX5700AP sensor.
These three parameters were choosen because they can beidentified using sensors. The data processing system in this system uses Arduino Uno. In addition, the selected classification method is support vector machine (SVM). After testing 10 times on 20 input training data. The level of accuracy of the test that have been done is 80% and the average computation time required is around 37.10 second.
Keywords: kidney failure, halitosis, urine color, blood pressure, support vector machine
1. PENDAHULUAN
Gagal ginjal merupakan kondisi Ketika ginjal dalam tubuh manusia tidak dapat menjalankan fungsinya dengan baik. Ginjal
berbentuk seperti biji kacang polong dengan Panjang 11 cm dan lebar 6 cm, meskipun bentuknya kecil ginjal memiliki fungsi yang sangat penting dalam tubuh diantaranya adalah detoksifikasi. Detoksifikasi merupakan proses
yang dilakukan untuk membuang sampah sisa metabolisme dari dalam tubuh (VitaHealth, 2007). Sampah sisa metabolisme ini harus dikeluarkan, jika tidak maka akan menjadi racun bagi tubuh kita.
Persentase data penderita gagal ginjal kronik sebanyak 12,5% pada tahun 2006 dari keseluruhan penduduk Indonesia dilansir dari PENEFRI (Persatuan Nefrologi Indonesia) (Winda Wahyuti et al., 2018). Pada tahun 1990 tingkat kematian yang diakibatkan oleh gagal ginjal menempati peringkat ke-27, sedangkan pada tahun 2010 menempati peringkat ke-18 (KemenkesRI, 2017). Gagal ginjal dijuluki sebagai silent killer. Hal ini dikarenakan perkembangan dari penyakit ini tidak disertai dengan adanya gejala sebagai sebuah peringatan (VItaHealth, 2007). Diperlukan adanya upaya pencegahan gagal ginjal sedini mungkin dari setiap individu. Hal ini bertujuan untuk menekan naiknya angka penderita gagal ginjal dan meningkatkan pola hidup sehat. Sudah ada beberapa penelitian yang dilakukan untuk mendeteksi kondisi ginjal salah satunya yaitu penelitian (Winda Wahyuti et al., 2018) yakni mendeteksi kondisi ginjal melalui warna urine dan bau mulut melalui aplikasi android dengan menggunakan metode forward chaining berbasis if-then rule. Terdapat 16 rule dalam penelitian ini dengan jumlah pertanyaan yang diajukan sebanyak 41. Penelitian ini menghasilkan dua nilai akurasi. Pertama tingkat akurasi 100%
diperoleh dari uji black box sedangkan tingkat akurasi 83,8% diperoleh dari user acceptance.
Kedua fitur dalam penelitian ini akan digunakan juga dalam penelitian yang akan dilakukan.
Penelitian yang dijadikan rujukan kedua adalah penelitian (Lipika Samal et al., 2017) yakni membuat sistem menggunakan API (Application Programming Intervace) berbasis web dan C-CDA (Consolidate Clinical Document Architecture) untuk mendiagnosa gagal ginjal kronik stadium 3, 4 dan 5. Tidak ada nilai akurasi yang diperoleh dari penelitian ini.
Penelitian ini akan menyarankan pasien berdasarkan dari tingkat resiko yang dihasilkan sistem. Jika tingkat resiko dari sistem yang dihasilkan >10% maka disarankan untuk melakukan rujukan pada ahli nefrologi. Tetapi jika tingkat resiko yang dihasilkan >1,5%
disarankan untuk melakukan tes laboratorium ulang untuk setiap hasil tes yang hilang.
Pada penelitian yang akan dilakukan ini akan dibuat suatu sistem pendeteksi gagal ginjal melalui tiga parameter yang digunakan yaitu
level dari gas amonia yang dihasilkan melalui bau mulut, nilai RGB dari warna urine dan nilai sistole dan diastole dari tekanan darah. Terdapat empat komponen perangkat keras utama dalam sistem ini diantaranya adalah arduino uno, sensor gas MQ-135, sensor warna TCS3200 dan sensor tekanan MPX5700AP. Sedangkan metode yang digunakan adalah SVM (Support Vector Machine) kernel linier. Output dari sistem yang dihasilkan akan diklasifikasikan kedalam dua kelas yaitu kelas normal dan gagal ginjal.
2. PERANCANGAN DAN IMPLEMENTASI
Dalam bab ini akan dijelaskan gambara umum sistem, perancangan sistem dan implementasi dari sistem yang sudah dirancang sebelumnya.
2.1 Gambaran Umum Sistem
Sistem ini digunakan untuk mendeteksi kondisi ginjal sebagai upaya pencegahan dini terhadap penyakit gagal ginjal. Sistem ini menggunakan empat komponen perangkat keras yaitu Arduino Uno sebagai pengolahan data, sensor gas MQ-135 sebagai pendeteksi level dari gas amonia yang dihasilkan oleh bau mulut, sensor warna TCS3200 sebagai pendeteksi nilai RGB yang dihasilkan oleh warna urine dan sensor tekanan MPX5700AP sebagai pendeteksi dari nilai sistole dan diastole pada tekanan darah.
Kemudian hasil klasifikasi dari pengolahan setiap data ini dapat dilihat melalui LCD 16x2.
Dalam Gambar 1 dijelaskan diagram proses dari keseluruhan sistem yang dibuat.
Gambar 1. Diagram Proses Sistem
2.2 Perancangan Sistem
Perancangan dari sistem meliputi perancangan prototipe sistem, perancangan perangkat keras sistem dan perancangan perangkat lunak pada sistem.
2.2.1 Perancangan Prototipe Sistem
Gambar 2. Perancangan Prototipe Sistem
Pada Gambar 2 merupakan perancangan dari prototipe sistem yang memiliki bentuk box kotak berukuran 15 cm untuk panjang, lebar dan tingginya. Kotak ini berbahan arkilik berwarna hitam. Tujuan dari digunakannya warna hitam adalah untuk menghindari intervensi cahaya pada sensor TCS3200 dalam mendeteksi warna urine. Pada bagian depan box terdapat tempat untuk menaruh LCD 16x2 dan tombol.
Sedangkan dibagian atas terdapat tempat untuk sensor gas MQ-135, di bawahnya terdapat tempat untuk menampung gas dari mulut dan tempat menaruh botol urine, karena sensor warna TCS3200 ditaruh dalam box. Untuk sensor MPX5700AP ditaruh di dalam box, karena sensor ini terhubung dengan 3 komponen seperti mini pump, solenoid valve dan selang arm cuff.
2.2.2 Perancangan Perangkat Keras Dalam melakukan perancangan ini dibutuhkan aplikasi fritzing untuk menyatukan setiap komponen sistem menjadi sebuah kesatuan. Pada Gambar 3, Setiap pin dari sensor MQ-135, sensor TCS3200, sensor MPX5700AP, LCD 16x2, pushbutton, relay, minipump dan solenoid valve dihubungkan pada Arduino Uno. Kemudian port USB dari Arduino akan dihubungkan pada laptop untuk memasukkan kode program yang telah dibuat pada software Arduino IDE.
Gambar 3. Perancangan Perangkat Keras Sistem
2.2.3 Perancangan Perangkat Lunak Diagram alir pada Gambar 4 menjelaskan tentang perancangan program utama sistem.
Tahap awal yang dijalankan oleh sistem adalah melakukan proses inisialisasi pada setiap pin dan variabel yang ada, kemudian melakukan pengolahan pada data latih menggunakan metode SVM dengan kernel linier yang sudah diinputkan dalam sistem. Setelah pengolahan selesai, sistem akan melakukan pengecekan pada tombol. Jika diberikan trigger pada tombol kemudian sistem akan mulai menjalankan proses pengambilan data melalui setiap sensor. Jika data yang dibutuhkan sudah didapatkan data tersebut akan diklasifikasikan menjadi kelas
“Normal” atau “Gagal Ginjal”.
Gambar 4. Diagram Alir Program Utama
Proses kedua yang dilakukan sistem adalah memproses data latih menggunakan SVM. Alur dari pemrosesan ini dijelaskan pada Gambar 6.
Vapink, Bernard Boser dan Isabelle Guyon merupakan orang yang pertama kali memperkenalkan metode SVM (Alven dan Endah, 2018). Metode SVM menggunakan hyperplane sebagai batas yang memisahkan antara kelas support vector satu dengan lainnya.
Visualisasi hyperplane pada SVM terdapat dalam Gambar 5.
Gambar 5. Pencarian Hyperplane Terbaik
Sumber: (Alven dan Endah, 2018) Untuk mendapatkan rumus hyperplane maka perlu dicari dahulu bobot 𝑤 dari setiap data fitur yang diinputkan. Persamaan 2.1 digunakan untuk mencari bobot dari setiap data.
𝑤̅. 𝑥̅ + 𝑏 = 0 (1)
𝑤 ̅ adalah bobot, 𝑥̅ adalah nilai data fitur, 𝑏 adalah bias. Kemudian dicari nilai dari fungsi loss. Fungsi loss merupakan nilai kerugian yang dilihat dari nilai bobot pada setiap kelas asli dari data latih. Persamaan
2 digunkan untuk mencari nilai dari fungsiloss.
𝑙𝑜𝑠𝑠 = {1+(𝑤̅ .𝑥̅+𝑏),𝑦=−1 1−(𝑤̅ .𝑥̅+𝑏),𝑦=1
(2)
Jika nilai fungsi loss sudah didapatkan, akan dilakukan pencarian untuk mendapatkan nilai fungsi cost. Fungsi cost adalah rerata yang didapatkan melalui perhitungan yang dihasilkan oleh setiap fungsi loss. Persamaan 3 digunakan untuk mencari fungsi cost𝑐𝑜𝑠𝑡 =𝑙𝑜𝑠𝑠1+⋯+𝑙𝑜𝑠𝑠𝑛−1+𝑙𝑜𝑠𝑠𝑛
𝑛
(3)
Kemudian menghitung nilai bobot diferensial untuk mendapatkan nilai derivative yang digunakan untuk menentukan bobor dari hyperplane menggunakan rumus pada Persamaan 4 dan Persamaan 5.
𝑑𝑤 = −𝑤. 𝑦
(4)
𝑑𝑏 = −𝑏. 𝑦
(5)
Dalam metode svm terdapat berbagai jenis kernel. Kernel ini berfungsi untuk mengalikan data yang sudah diinputkan pada kelas fitur yang ada. Penelitian ini menggunakan kernel linear.
Terdapat jenis kernel lain seperti kernel gaussian RBF, Sigmoid dan lainnya. Kernel linear dijelaskan pada Persamaan 6.
𝐾(𝑥, 𝑦) = 𝑥. 𝑦
(6)
Gambar 6. Pemrosesan Data Latih Dengan SVM
Pengambilan data pada sensor MQ-135 dapat dilihat pada Gambar 7. Pengambilan data ini dimulai dengan menginisialisai setiap variabel dan pin sensor. Ketika sensor mendeteksi kadar gas amonia dari bau mulut seseorang, nilai awal yang didapatkan berupa nilai analog, setelah itu dilakukann perhitungan nilai tegangan output sensor atau VRL dengan Persamaan 7.
𝑉𝑅𝐿 = 𝑛𝑖𝑙𝑎𝑖 𝑠𝑒𝑛𝑠𝑜𝑟 × 5.00
1024
(7)
Nilai 5.00 merupakan tegangan referensi, sedangkan 1024 merupakan nilai yang didapatkan untuk melakukan konversi data analog menjadi data digital sebesar 10-bit.
Setelah nilai VRL diketahui, dilakukan perhitungan untuk mencari nilai RS (Resistansi sensor) dengan Persamaan 8.
𝑅𝑠 = ( 5.00
𝑉𝑅𝐿−1) × 𝑅𝑙
(8)
Nilai 5.00 yang digunakan dalam persamaan di atas adalah nilai tegangan input pada sensor. kemudian nilai RS dan RO digunakan untuk menghitung rasio pada Persamaan 9. nilai RO didapatkan dari prehear yang dilakukan pada sensor selama 1 jam yakni sebesar 4,94.
𝑅𝑎𝑠𝑖𝑜 =𝑅𝑠
𝑅𝑜
(9)
Setelah nilai rasio didapatkan, baru dilakukan perhitungan untuk mendapatkan nilai ppm yang dibaca sensor menggunakan Persamaan 10. variabel 𝑎 merupakan scaling vactor dan variabel 𝑏 merupakan nilai eksponen.
𝑝𝑝𝑚 = 𝑎 × (𝑅𝑠
𝑅𝑜)𝑏
(10)
Gambar 7. Pengambilan Data Sensor MQ-135
Diagram alir pada Gambar 8 menunjukkan tahapan proses pengambilan data dari sensor TCS3200. Semua variabel dan pin dari sensor warna akan diinsialisasi terlebih dahulu, kemudian dilakukan scaling frekuensi pada pin S0 dan S1 sebesar 20%. Setelah itu, dilakukan pengaturan tipe photodioda dengan mengatur logika HIGH dan LOW pada pin S2 dan S3.
Setelah itu dilakukan mapping frekuensi untuk nilai RGB dengan range 0 sampai 255. Setelah nilai RGB dari warna urine didapatkan akan ditampilkan hasilnya pada LCD 12x6.
Gambar 8. Pengambilan Data Sensor TCS3200
Setelah nilai ppm dan RGB didapatkan, kemudian dilakukan pengambilan nilai sistole dan diastole dari tekanan darah. Diagram alir pada Gambar 9 menunjukkan proses pengambilan nilai tekanan darah oleh sensor MPX5700AP. Seriap variabel dan pin yang digunakan akan diinisialisasi terlebih dahulu.
Koneksi pin pada rangkaian tekanan darah ini harus dihubungkan juga pada relay, minipump, solenoid valve dan arm cuff. Kemudian setelah itu, dilakukan pembacaan nilai sistole dan diastole ketika relay bernilai active low. Nilai sistole dan diastole yang didapatkan akan ditampilkan pada LCD 16x2.
Gambar 9. Pengambilan Data Sensor MPX5700AP
Setelah semua data sudah diperoleh, akan dilakukan proses klasifikasi menggunakan SVM alurnya dijelaskan pada diagram alir dari Gambar 10. Proses awal yang dikerjakan adalah mengnisialisasi semua variabel untuk melakukan klasifikasi. Kemudian menghitung waktu awal mulai program. Setelah itu dilakukan pembacaan variabel dari data uji SVM. Setelah proses pembacaan selesai bobot dan nilai y (kelas) akan dihitung. Jika nilai y yang dihasilkan <= -1, maka data uji yang dihasilkan dari proses klasifikasi SVM termasuk kelas
“Normal”. Sedangkan, jika nilai y yang dihasilkan >= 1 maka data uji termasuk kelas
“Gagal Ginjal”. Kemudian waktu selesainya proses klasifikasi akan dicatat dan akan dihitung selisih dari waktu mulai dan selesai untuk mendapatkan lamanya waktu komputasi sistem.
Digunakan LCD 16x2 untuk menampilkan hasil klasifikasinya.
Gambar 10. Proses Klasifikasi SVM Pada Data Uji
Sebelum proses klasifikasi data dilakukan, perlu dilakukan proses normalisasi data latih.
Normalisasi data ini dilakukan agar data yang didapatkan memiliki kualitas yang baik yang sesuai dengan data aslinya. Normalisasi dilakukan dengan menggunakan rumus pada Persamaan 11.
𝑉𝑎𝑙𝑢𝑒 =(𝑟𝑎𝑤𝑉𝑎𝑙−𝑟𝑎𝑤𝐿𝑜𝑤)∗𝑅𝑒𝑓𝑟𝑎𝑛𝑔𝑒
𝑟𝑎𝑤𝑅𝑎𝑛𝑔𝑒 + 𝑟𝑒𝑓𝑙𝑜𝑤 (1 1)
Keterangan:
𝑉𝑎𝑙𝑢𝑒 = 𝑛𝑖𝑙𝑎𝑖 𝑑𝑎𝑟𝑖 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 𝑟𝑎𝑤𝑉𝑎𝑙 = 𝑛𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎𝑠𝑖𝑠𝑡𝑒𝑚 𝑟𝑎𝑤𝐿𝑜𝑤 = 𝑑𝑎𝑡𝑎 min 𝑠𝑖𝑠𝑡𝑒𝑚
𝑅𝑒𝑓𝑟𝑎𝑛𝑔𝑒 = 𝑑𝑎𝑡𝑎 𝑚𝑎𝑥 − 𝑑𝑎𝑡𝑎 min 𝑟𝑒𝑓𝑒𝑟𝑒𝑠𝑖 𝑟𝑎𝑤𝑅𝑎𝑛𝑔𝑒 = 𝑑𝑎𝑡𝑎 𝑚𝑎𝑥 − 𝑑𝑎𝑡𝑎 min 𝑠𝑖𝑠𝑡𝑒𝑚 𝑟𝑒𝑓𝐿𝑜𝑤 = 𝑑𝑎𝑡𝑎 𝑚𝑖𝑛 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑠𝑖
Setelah proses normalisasi dilakukan, akan dilakukan proses kalibrasi. Kalibrasi ini digunakan untuk membandingkan output yang dihasilkan dari pembacaan sistem dengan alat ukut konvensional untuk mengetahaui tingkat akurasi dari sistem melalui nilai error yang dihasilkan. Nilai error dan akurasi sistem akan ditampilkan pada bagian pengujian dan analisis.
2.3 Implementasi Sistem
2.3.1 Implementasi Prototipe Sistem Implementasi dari prototipe sistem yang sudah dibuatterdapat dalam Gambar 11 dan Gambar 12. Penempatan komponen sistem dalam box tidak jauh berbeda dengan penempatan komponen dalam prototipe yang sudah dibuat. Komponen sensor TCS3200 yang awalnya berada di dalam box, mengelami perubahan. Bagian led dari sensor TCS3200 berada diluar untuk memudahkan proses pengambilan data pada urine. Pada bagian depan juga terdapat lubang untuk tempat selang arm cuff. Di belakang terdapat lubang untuk tempat port usb power supply dan pada bagian kiri terdapat lubang untuk port usb Arduino Uno.
Gambar 11. Box Alat Tampak Luar
Gambar 12. Box Alat Dari Atas 2.3.2 Implementasi Perangkat Keras
Pada Gambar 13. dapat dilihat rangkaian dari sistem yang sudah dibuat untuk mendeteksi gagal ginjal. Komponen yang terdapat dalam box ini yaitu arduino uno, jack USB arduino, sensor gas MQ-135, sensor warna TCS3200, sensor tekanan MPX5700AP, minipump, dua buah relay, solenoid valve, arm cuff, jack USB power supply, breadboard dan LCD 16x2.
Gambar 13. Rangkaian Dalam Sistem.
3. PENGUJIAN DAN ANALISIS 3.1. Sensor Gas MQ-135
Terdapat banyak jenis sensir gas, tetapi pada penelitian ini sensor gas yang digunakan adalah sensor gas MQ-135 untuk mendeteksi level dari gas amonia yang dihasilkan melalui bau mulut. Tujuan dari pengujian ini adalah untuk membuktikan apakah penjelasan mengenai karakter sensor yag terdapat dalam datasheet sesuai dengan karakter sensor aslinya dengan melakukan perbandingan nilai ppm yang
dihasilkan dari pembacaab sensor dengan vout.
Table 1 berisi tentang hasil pengujian pada sensor MQ-135 yang sudah dilakukan.
Tabel 1. Hasil Pengujian Sensor Gas MQ-135
no ppm vout
1 2 3 4 5 6 7 8 9 10
0,09 0,1 0,42 0,43 0,52 0,61 0,75 1,17 1,69 1,97
0,97 1,01 1,53 1,54 1,63 1,69 1,79 2 2,18 2,26
Setelah dilakukan pengujian, didapatka kesimpulan bahwa terdapat korelasi antara nilai ppm dengan nilai vout. Hal ini ditunjukkan melalui pengujian yang dilakukan yakni jika level dari amonia yang dideteksi tinggi maka nilai vout akan semakin tinggi pula. Jika nilai resistansi sensor tinggi maka level amonia yang dideteksi semakin rendah. Sesuai dengan rumus 𝑉 = 𝐼 × 𝑅 karena nilai resistansi yang tinggi akan berdampak pada arus tetapi tidak berdampak pada nilai tegangan. Pada Gambar 14 dijelaskan hubungan antara ppm dengan vout dalam sebuah grafik
Gambar 14. Grafik relasi ppm dengan vout
Dari grafik dengan trendline model power tersebut nilai y sebesar 0,094x0,3793. Sedangkan nilai R yang dihasilkan menunjukan besarnya korelasi antara ppm dengan vout yakni 0,9439 atau 94,39%. Nilai 94,39% tersebut merupakan besarnya persentase pengaruh dari vout terhadap nilai ppm yang dihasilkan.
3.2. Pengujian Sensor Warna TCS3200 Sensor TCS3200 merupakan sensor warna yang digunakan untuk mengukur besarnya nilai RGB yang dihasilkan oleh warna urine. Tujuan dilakukannya pengujian terhadap sensor TCS3200 ini supaya fungsi dari sensor ketika melakukan pengukuran dapat diketahui.
Kemudian akan dilakukan perbandinga antara nilai RGB yang didapatkan melalui pembacaan sensor dengan nilai RGB yang terdeteksi pada aplikasi Adobe Photoshop CS6 dengan fungsi eyedropper untuk mengetahui presentasi errornya. Hasil perbandingan tersebut terdapat pada Tabel 2 beserta nilai error yang dihasilkan dari setiap pembacaan pada data.
Tabel 2. Hasil Pengujian Sensor Warna TCS3200
3.3 Pengujian Sensor MPX5700AP
Sensor tekanan MPX5700AP pada penelitian ini dibutuhkan dalam melakukan pengukuran nilai sistole dan diastole dari tekanan darah. Pengujian ini bertujuan untuk mengetahui apakah sensor MPX5700AP melakukan pengukuran tekanan darah dengan tepat. Tekanan darah yang dihasilkan oleh pembacaan sensor akan dibandingkan dengan tekanan darah dari tensimeter manual.
Pengguaan tensimeter manual ini membutuhkan bantuan dari tenaga medis. Hal ini untuk mengetahui persentase error dari hasil pembacaan sensor. Pada Tabel 3 dan Tabel 4 dijelaskan hasil dari pengujian sensor MPX5700AP.
Tabel 3. Pengujian Sensor MPX5700AP Pada Nilai Sistole
Pembacaan Sensor
Tensi Manual
Selisih Error
108 90 18 20%
103 100 3 3%
103 120 17 14,17%
108 110 2 1,82%
104 90 14 15,56%
103 90 13 14,44%
108 120 12 10%
103 90 13 14,44%
102 90 12 13,33%
103 90 13 14,44%
Rata-rata 12,12%
Sensor TCS3200 Eyedropper Error
R G B R G B
183 223 129 180 164 123 1,79%
159 114 60 164 91 8 2,99%
155 145 103 152 141 98 1,98%
99 51 41 100 25 28 0,89%
130 119 53 133 120 76 2,25%
93 27 28 126 55 7 26,23%
151 136 87 146 135 92 3,41%
136 87 56 162 37 21 15,91%
144 132 82 147 117 26 1,99%
210 255 170 218 180 74 3,52%
Rata-rata 6,16%
Tabel 4. Pengujian Sensor MPX5700AP Pada Nilai Diastole
Pembacaan Sensor
Tensi Manual
Selisih Error
76 60 16 26,67%
71 70 1 1,43%
66 80 14 17,5%
76 70 6 8,57%
71 70 1 1,43%
71 60 11 18,33%
74 80 6 7,5%
71 70 1 1,43%
75 70 5 7,14%
76 70 6 8,57%
Rata-rata 9,86%
Dari kedua tabel tersebut didapatkan rata- rata nilai error yang dihasilkan pada pembacaan sensor MPX5700AP untuk nilai sistole dan diastole sebesar 12,12% dan 9,86%.
3.4 Pengujian Akurasi Metode SVM
Akurasi merupakan tingkat ketepatan dari metode SVM dalam menglasifikasikan data ke dalam kelas normal maupun gagal ginjal. Pada Tabel 5 dari 10 pengujian yang dilakukan terdapat 2 kelas yanng tidak sesuai dengan kelas aslinya. Sehingga diperoleh akurasi dari metode SVM sebesar 80%
Tabel 5. Pengujian Akurasi Metode SVM Pengu
jian ke-
Kelas Asli Hasil Pengujian
Kesesuaian
1 Normal Normal Sesuai
2 Gagal Ginjal Gagal Ginjal
Sesuai
3 Normal Normal Sesuai
4 Normal Normal Sesuai
5 Gagal Ginjal Normal Tidak Sesuai 6 Gagal Ginjal Gagal
Ginjal
Sesuai 7 Gagal Ginjal Normal Tidak Sesuai
8 Normal Normal Sesuai
9 Gagal Ginjal Gagal Ginjal
Sesuai
10 Normal Normal Sesuai
3.5 Pengujian Waktu Komputasi Sistem Waktu komputasi sistem ialah lama waktu yang dibutuhkan sistem untuk menjalankan satu kali proses klasifikasi terhadap data uji. Tujuan pengujian waktu komputasi ini agar performa dari sistem dapat diketahui. Semakin lama waktu komputasi yang dihasilkan dapat menurunkan performa dari sistem, karena sistem dinilai lambat dalam melakukan proses klasifikasi.
Tabel 6. Pengujian Waktu Komputasi Sistem Pengujian Waktu Komputasi
1 2 3 4 5 6 7 8 9 10
37100 ms 37099 ms 37100 ms 37098 ms 37099 ms 37098 ms 37099 ms 37100 ms 37095 ms 37098 ms Rata-rata 37098,6 ms
Pada Tabel 6 rata-rata waktu komputasi yang dilakukan pada 10 data uji sebesar 37098,6 ms atau 37,10 detik.
4. PENUTUP
Dari pengujian dan analisis yang sudah dijelaskan pada bagian 3, diketahui bahwa sensor gas MQ-135 dalam melakukan pengukuran terhadap kadar gas amonia pada bau mulut memiliki katakteristik yang sama seperti yang dijelaskan dalam datasheet hal ini dibuktikan dari nilai korelasi antara nilai ppm dengan vout sebesar 94,39%. Untuk sensor warna TCS3200 dalam mendeteksi besarnya nilai RGB dari warna urine memiliki rata-rata error sebesar 6,16%. Sedangkan untuk sensor MPX5700AP dalam melakukan pengukuran pada tekanan darah memiliki nilai rata-rata error 12,12% untuk nilai sistole dan 9,86% untuk nilai diastole. Tingkat akurasi dari metode SVM dalam mengidentifikasi kondisi ginjal sebesar 80% dengan rata-rata waktu komputasi yang dibutuhkan untuk setiap pengujian sebesar 37098,6 ms atau sekitar 37,10 detik.
Terdapat empat hal yang dapat diperbaiki untuk pengembangan pada penelitian selanjutnya. Pertama, mengumpulkan lebih banyak data latih untuk kelas normal dan gagal ginjal. Kedua, menggunakan fitur tambahan dan fitur yang berbeda untuk proses identifikasi.
Ketiga, menggunakan sensor tekanan dengan tipe yang berbeda, karena rata-rata error yang dihasilkan dalam penelitian ini masih lumayan besar dan yang terakhir metode klasifikasi yang digunakan harus berbeda dengan metode yang digunakan dalam penelitian ini, hal tersebut bertujuan agar dapat dilakukan perbandingan utnuk menentukan metode mana yang lebih akurat dan lebih baik dalam mengidentifikasi kondisi ginjal.
DAFTAR PUSTAKA
Wahyuti, W., Permana, I., & Salisah, F. N.
(2018). Aplikasi Sistem Pakar Berbasis Android untuk Diagnosa Awal Penyakit Ginjal Manusia Menggunakan Metode Forward Chaining. In Seminar Nasional Teknologi Informasi Komunikasi dan Industri (pp. 121-128).
Samal, L., D'Amore, J., Bates, D., & Wright, A.
(2017). Implementation of a scalable, web-based, automated clinical decision support risk-prediction tool for chronic kidney disease using C-CDA and application programming interfaces.
Journal of the Medical Informatics Association, 1111-1115.
Hasani, M. C. (2019). SISTEM MONITORING AMONIA PADA EKSKRESI TUBUH.
In Prosiding SENTRA (Seminar Teknologi dan Rekayasa) (No. 5, pp. 18- 20).
Ritonga, A. S., & Purwaningsih, E. S. (2018).
Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Kualitas Pengelasan Smaw (Shield Metal Arc Welding). Edutic-Scientific Journal of Informatics Education, 5(1).
Alam , S., & Hadibroto, I. (2007). Gagal Ginjal : Informasi Lengkap Untuk Penderita dan Keluarganya. Jakarta: PT Gramedia Pustaka Utama.
Baradero, SPC, MN, M., Dayrit, SPC, MAN, M.
W., & Siswandi, MSN, Y. (2009). Klien Gangguan Ginjal: Seri Asuhan Keperawatan . Jakarta: Penerbit Buku Kedokteran EGC.
Nugroho, A. S., Witarto, A. B., & Handoko, D.
(2003). Support Vector Machine Teori dan Aplikasinya dalam Bioinformatika.
IlmuKomputer.com.
