MEMPREDIKSI PENYAKIT JANTUNG KORONER DENGAN MENGGUNAKAN ALGORITMA LVQ
Anis Fagustina, Furqon Al Hakim, Khoirul Syaifuddin, Vincent Rudy Ardita
Universitas Sebelas Maret,
Jl. Ir. Sutami 36A Kentingan Surakarta, (0271)646994, anis073@yahoo.com
Abstract
Coronary heart disease has suffered a lot of casualties and causes a high mortality rate. Increased level of public awareness has prompted many people to take precautions or even predict the possibility of coronary heart disease in their bodies. If we are able to predict the disease, proper handling of course will soon be acquired by the patientIn Coronary Heart Disease Prediction System, the medical records of patients admitted to the Inpatient Installation of Internal Medicine Unit in RSUP Dr Sardjito Yogyakarta and healthy people who do check-ups serve as a method of pattern recognition algorithms using Learning Vector Quantization
. The system is expected to predict coronary heart disease by recognizing the pattern of 9 inputs which are the risk factors for coronary heart disease.
Tests were also conducted with nine risk factors such as input. 9 risk factors include: age, sex, occupation, levels of LDL, cholesterol, HDL, triglyceride, systolic blood pressure, diastolic blood pressure.
Tests were also conducted with nine risk factors such as input. 9 risk factors include: age, sex, occupation, levels of LDL, cholesterol, HDL, triglyceride, systolic blood pressure, diastolic blood pressure.
Keywords: Coronary Heart Disease, Risk Factors, Artificial Neural Networks
Abstrak
Penyakit jantung koroner telah memakan banyak korban dan menimbulkan angka kematian yang cukup tinggi. Tingkat kewaspadaan masyarakat yang meningkat telah mendorong banyak orang untuk melakukan pencegahan atau pun memprediksi adanya kemungkinan penyakit jantung koroner didalam tubuh mereka. Apabila kita mampu memprediksi penyakit ini, tentu saja penanganan yang tepat akan segera didapatkan oleh penderita. Pada Sistem Prediksi Penyakit Jantung Koroner ini, rekam medis para pasien yang dirawat di Instalasi Rawat Inap Unit Penyakit Dalam RSUP Dr. Sardjito Yogyakarta dan orang sehat yang melakukan check up dijadikan sebagai metode pengenalan pola dengan menggunakan algoritma Learning Vector Quantization. Sistem diharapkan mampu memprediksi jantung koroner dengan mengenali pola dari 9 inputan yang merupakan faktor – faktor resiko penyakit jantung koroner.
Pengujian juga dilakukan dengan 9 faktor resiko tersebut sebagai masukan. 9 faktor resiko tersebut antara lain; umur, jenis kelamin pekerjaan, kadar LDL, kadar kolesterol, kadar HDL, kadar trigliserid, tekanan darah sistolik,tekanan darah diastolik.
Kata kunci: Penyakit Jantung Koroner, Faktor Risiko, Jaringan Syaraf Tiruan
1. PENDAHULUAN
Penyakit jantung koroner merupakan problem kesehatan paling utama yang terdapat di banyak negara terutama negara maju. Diperkirakan yang menjadi faktor utama penyebab penyakit ini adalah gaya hidup masyarakat di negara maju yang tidak sehat.
Penyakit jantung koroner memiliki gejala yang khas yaitu nyeri pada bagian dada kiri yang terus menjalar ke lengan bahkan sampai punggung, biasanya rasa nyeri tersebut timbul ketika penderita sedang melakukan aktivitas fisik dan nyeri akan hilang ketika penderita beristirahat. Maka dari itu banyak orang yang menyepelekan jika merasakan nyeri di dada kiri karena dianggap akan hilang sendiri setelah cukup beristirahat.[1]
Faktor risiko penyakit jantung koroner ada yang membaginya dalam faktor risiko primer (independen) dan sekunder, yaitu:
1. Faktor risiko primer; faktor ini dapat menyebabkan gangguan arteri berupa
aterosklerosis tanpa harus dibantu oleh faktor lain (independen), termasuk faktor risiko primer, yaitu hiperlidemi, merokok, dan hipertensi.
2. Faktor risiko sekunder; Faktor ini baru dapatmenimbulkan kelainan arteri bila ditemukan faktor lain secara bersamaan, termasuk faktor risiko sekunder, yaitu diabetes melitus (DM), obesitas, stres, kurang olah raga, alkohol, dan riwayat keluarga. [2]
Dalam penelitian ini digunakan data catatan rekam medis penderita penyakit jantung koroner yang dirawat di Instalasi Rawat Inap Unit Penyakit Dalam RSUP Dr. Sardjito Yogyakarta dan orang sehat yang melakukan general check up, sehingga didapatkan 9 faktor risiko penyebab timbulnya penyakit jantung koroner ini sebagai berikut :
1. Umur
2. Pekerjaan
3. Jenis kelamin
4. Kadar LDL
5. Kadar kolesterol total
6. Kadar HDL
7. Kadar trigliserida
8. Tekanan darah sistolik
9. Teknanan darah diastolik
Kesembilan Faktor tersebut akan dijadikan sebagai data untuk melatih jaringan syaraf tiruan yang menggunakan algoritma LVQ sehingga mampu mengenali pola faktor risiko yang berbeda – beda dan membedakan pola penderita penyakit jantung koroner serta ppola orang yang sehat.
2. METODE PENELITIAN
2.1 Metode Learning Vector Quantization
Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor vektor input. Kelas kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama. [3]
Algoritma Learning Vector Quantization adalah sebagai berikut;
¢ Tentukan :
— bobot (W),
— maksimum epoh (maxepoh),
— mse, dan
— learning rate
¢ Masukkan :
— Input : x(n,n)
— Target : T(1,n)
¢ Tetapkan kondisi awal
— Epoh =0;
— Mse =1
¢ Kerjakan jika (epoh <makepoh) atau (α > mse)
— Epoh = epoh + 1;
— Kerjakan untuk i=1 sampai n
¢ Tentukan j sedmikian rupa hingga ||x-wj|| minimum sebagai(Cj)
¢ Perbaiki wj dengan ketentuan :
¢ Jika T = Cj maka
wj(baru) = wj(lama) + α(x-wj(lama))
¢ Jika T != Cj maka
Wj(baru) = wj(lama) + - α(x-wj(lama))
— Kurangi nilai α.
2.2 Perancangan
Variabel untuk menampung data faktor resiko penyakit jantung koroner (input) = P
Representasi masukan (berdasarkan klasifikasi
yang telah disebutkan di atas) :
TH (Umur dalam tahun) :
31 – 40 = 0
41 – 50 = 0.2
51 – 60 = 0.4
61 – 70 = 0.6
71 – 80 = 0.8
81 – 90 = 1
S (Jenis kelamin) :
LAKI – LAKI = 0
PEREMPUAN = 1
JOB (Pekerjaan) :
PNS = 0
SWASTA = 0.25
TANI = 0.5
PENSIUNAN = 0.75
LAIN – LAIN = 1
LDL (Kadar LDL):
< 100 = 0
100 – 129 = 0.25
130 – 159 = 0.5
160 – 189 = 0.75
≥ 190 = 1
KT (Kadar kolesterol) :
< 200 = 0
200 – 239 = 0.5
≥ 240 = 1
HDL (Kadar HDL):
< 60 = 0
≥ 60 = 1
TG (Kadar Trigliserid):
< 100 = 0
100 – 149 = 0.25
150 – 199 = 0.5
200 – 499 = 0.75
≥ 500 = 1
TDS (Tekanan darah sistolik):
< 120 = 0
120 – 129 = 0.2
130 – 139 = 0.4
140 – 159 = 0.6
160 – 179 = 0.8
≥ 180 = 1
TDD (Tekanan darah diastolik) :
< 80 = 0
80 – 84 = 0.2
85 – 89 = 0.4
90 – 99 = 0.6
100 – 109 = 0.8
≥ 110 = 1
Variabel untuk menampung data penyakit jantung
koroner (output) = T
Representasi keluaran :
PJK : 1
TIDAK : 0
Dibawah ini merupakan gambar arsitektur jaringan syaraf tiruan yang menggunakan algoritma LVQ.
Gambar 1.Arsitektur Jaringan
3. HASIL DAN PEMBAHASAN
Jaringan syaraf tiruan dilatih untuk mengenali pola faktor risiko penderita penyakit jantung koroner atau pola 9 faktor risiko yang dimiliki orang sehat. JST diuji dengan menggunakan 20 data pola yang ditunjukkan tabel di bawah ini.
Tabel 1. Data Pola
Tabel 2. Tabel normalisasi
Bobot awal yang dipakai adalah data ke 11 & 17, lerning rate awal 0,5.
TH | S | JOB | LDL | KT | HDL | TG | TDS | TDD | Target |
0,60 | 1,00 | 0,50 | 0,50 | 1,00 | 1,00 | 0,25 | 0,00 | 0,00 | 1 |
0,60 | 1,00 | 0,50 | 0,25 | 0,00 | 0,00 | 0,00 | 0,40 | 0,20 | 0 |
Tabel 3. Bobot awal
Setelah dilakukan pelatihan sebanyak 20.000.000 epoh, maka didapatkan hail sebagai berikut
TH | S | JOB | LDL | KT | HDL | TG | TDS | TDD | Status | Target | OJ | KET. |
58 | L | TANI | 79 | 143 | 50 | 97 | 100 | 70 | PJK 1 | 1 | 1 | BENAR |
70 | P | SWASTA | 48 | 117 | 55 | 70 | 120 | 80 | PJK 1 | 1 | 1 | BENAR |
63 | L | PENSIUN | 168 | 266 | 56 | 209 | 150 | 90 | PJK 1 | 1 | 0 | SALAH |
44 | L | PENSIUN | 225 | 315 | 70 | 171 | 220 | 120 | PJK 1 | 1 | 1 | BENAR |
67 | P | PENSIUN | 83 | 169 | 58 | 137 | 130 | 90 | PJK 1 | 1 | 1 | BENAR |
48 | P | SWASTA | 127 | 191 | 50 | 72 | 150 | 90 | PJK 1 | 1 | 1 | BENAR |
70 | P | SWASTA | 103 | 138 | 16 | 94 | 185 | 120 | PJK 1 | 1 | 1 | BENAR |
79 | L | PENSIUN | 64 | 139 | 45 | 149 | 130 | 90 | PJK 1 | 1 | 1 | BENAR |
79 | L | PENSIUN | 115 | 151 | 79 | 66 | 200 | 100 | PJK 1 | 1 | 1 | BENAR |
65 | L | PNS | 153 | 243 | 66 | 122 | 110 | 70 | PJK 1 | 1 | 1 | BENAR |
66 | P | PENSIUN | 144 | 214 | 40 | 153 | 150 | 80 | TIDAK | 0 | 1 | SALAH |
67 | L | PENSIUN | 147 | 229 | 42 | 200 | 190 | 100 | TIDAK | 0 | 0 | BENAR |
76 | L | TANI | 156 | 244 | 52 | 182 | 120 | 65 | TIDAK | 0 | 0 | BENAR |
73 | P | PENSIUN | 99 | 181 | 65 | 86 | 160 | 90 | TIDAK | 0 | 1 | SALAH |
75 | L | PENSIUN | 177 | 272 | 45 | 248 | 130 | 70 | TIDAK | 0 | 0 | BENAR |
62 | L | PENSIUN | 171 | 239 | 34 | 170 | 170 | 100 | TIDAK | 0 | 0 | BENAR |
69 | L | PENSIUN | 225 | 316 | 53 | 190 | 130 | 90 | TIDAK | 0 | 0 | BENAR |
63 | L | PENSIUN | 113 | 213 | 84 | 82 | 170 | 80 | TIDAK | 0 | 1 | SALAH |
Tabel 4. Hasil pengujian dari data asli
Setelah dilakukan pengujian dari data lain, hasil yang didapat adalah sebagai berikut.
No | TH | S | JOB | LDL | KT | HDL | TG | TDS | TDD | Status |
1. | 50 | L | PNS | 142 | 193 | 50 | 104 | 120 | 79 | PJK |
2. | 60 | P | PENSIUN | 169 | 220 | 41 | 184 | 140 | 90 | TIDAK |
Dari hasil pengujian yang dilakukan di atas bisa diperoleh keterangan sebagai berikut
1. Untuk data 1, orang tersebut terprediksi menderita jantung koroner,
2. Untuk data 2, orang tersebut terprediksi normal atau tidak menderita jantung koroner.
Setelah melakukan pengujian, ditemukan terdapat 4 hasil yang tidak sesuai. Sama halnya dengan JST yang menggunakan algoritma backpropagation. Berarti jaringan syaraf ini mampu mengenali 80% pola faktor risiko yang ada.
4. KESIMPULAN
Jaringan Syaraf Tiruan yang menggunakan algoritma Learning Vector Quantization yang telah dilatih, mampu mengenali dan membedakan pola orang yang menderita penyakit jantung koroner dan pola orang yang sehat. Dengan tingkat ketepatan 80%, sistem ini diangggap berhasil memprediksi penyakit jantung koroner. Namun, sistem hanya bisa dianggap sebagai pendukung pengambil keputusan saja karena hasil bisa juga dipengaruhi oleh faktor faktor lain yang tidak diperhitungkan dalam sistem ini.
Error yang terdapat di sistem ini sebesar 20%, hal itu disebabkan karena variabel input yang berjumlah 9 unit sel maka idealnya data yang dilatihkan tidak hanya 40 data rekam medis pasien.
DAFTAR PUSTAKA
[1]. Taufik M. Cardiovascular System Penyakit Jantung Koroner. Tesis. Medan FK USU.2006;[2]. Effendy N, Subagja, Faisal A. Prediksi Penyakit Jantung Koroner Berdasarkan Faktor Risiko Menggunakan Jaringan Syaraf Tiruan Backpropagation. Seminar Nasional Aplikasi Teknologi Informasi l. Yogyakarta. 2008;[3]. Ranadhi D, Indarto W,Hidayat T. Implementasi Learning Vector Quantization (LVQ) Untuk Pengenal Pola Sidik Jari Pada Sistem Informasi Narapidana LP Wirogunan.Media Informatika. Yogyakarta. 2006. Vol 4 :51-65