METODE PENELITIAN
C. Ketepatan Hasil Klasifikas
Ketepatan hasil klasifikasi/diagnosa dapat dihitung berdasarkan sensitivitas, spesifisitas, dan akurasi. Nilai akurasi telah diketahui melalui program MATLAB yang telah dilakukan sebelumnya, selanjutnya untuk
menghitung nlai sensitivitas dan nilai spesifitas, ditentukan terlebih dahulu nilai
True Positive (TP), True Negative(TN), False Positive (FP), dan False Negative
(FN). Berikut Jumlah hasil diagnosa kanker otak menggunakan RBFNN. Tabel 4.8 Jumlah Hasil Diagnosa Kanker Otak Menggunakan RBFNN
Target Hasil Diagnosa Jumlah Normal Abnormal DataTraining Normal 37(TN) 8(FP) 45 Abnormal 7(FN) 38(TP) 45 Jumlah 90 DataTesting Normal 10(TN) 2(FP) 12 Abnormal 0(FN) 12(TP) 12 Jumlah 24
Jumlah DataTrainingdan dataTesting 114
Berdasarkan Tabel 4.8, dapat dihitung sensitivitas dan spesifisitas hasil diagnosa model RBFNN dengan persamaan (2.55) dan persamaan (2.56) sebagai berikut: 1. Data Training a) Sensitivitas= × 100% = × 100% = 84,4444% b) Spesifisitas= × 100% = × 100% = 82,2222% 2. Data Testing a) Sensitivitas= × 100% = × 100% = 100%
b) Spesifisitas= × 100% = × 100% = 83,3333%
Pada data training, nilai sensitivitas 84,4444% artinya untuk pasien yang memiiki kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat adalah sebesar 84,4444%. Sedangkan nilai spesifisitas 82,2222% artinya untuk pasien yang tidak memiliki kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat sebesar 82,2222%. Nilai akurasi pada data training
83,3333% artinya hasil diagnosa dengan model RBFNN akurat sebesar 83,3333%, baik untuk pasien yang tidak memiliki kanker otak (normal), maupun pasien yang memiliki kanker otak.
Pada data testing, nilai sensitivitas 100% artinya untuk pasien yang memiiki kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat adalah sebesar 100%. Sedangkan nilai spesifisitas 83,3333% artinya untuk pasien yang tidak memiliki kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat sebesar 83,3333%. Nilai akurasi pada data testing
91,6666% artinya hasil diagnosa dengan model RBFNN akurat sebesar 91,6666%, baik untuk pasien yang tidak memiliki kanker otak (normal), maupun pasien yang memiliki kanker otak.
BAB V PENUTUP
Pada bab V berisi tentang simpulan dan saran dari penelitian. Simpulan menjelaskan proses yang dilakukan untuk diagnosa kanker otak menggunakan
radial basis function neural network (RBFNN) dan ketepatan hasil diagnosa kanker otak menggunakanradial basis function neural network(RBFNN).
A. Simpulan
Berdasarkan hasil diagnosa kanker otak menggunakan model radial basis function neural network(RBFNN), maka simpulan yang dapat diambil adalah:
1. Proses diagnosa kanker otak menggunakan radial basis function neural network (RBFNN) diawali dengan proses pengolahan citra pada 114 sampel data citra magnetic resonance image (MRI). Proses pengolahan citra yang dilakukan adalah pemotongan untuk mendapatkan citra yang sesuai dan peghilangan background hitam. Selanjutnya melakukan ekstraksi citra menggunakan gray Lever Co-occurance Matriks (GLCM) untuk mengidentifikasi objek atau pola citra agar mampu memberikan informasi yang detail tentang fitur suatu citra. Fitur-fitur yang digunakan adalah energi, korelasi, kontras, sum of square, sum average, sum variance, sum entropy, entropi, inverse difference moment, difference variance, difference entropy, probabilitas maksimum, homogenitas, dan
dissimilarity. 14 fitur tersebut digunakan sebagai variabelinput, sedangkan target jaringan berasal dari keterangan diagnosa masing-masing citra MRI. Diagnosa citra yang digunakan adalah nornal dan kanker. Data input yang
diperoleh dari proses ekstrasi citra dibagi menjadi dua data yakni, data latih (training) dan data uji (testing). Kombinasi pembagian yang digunakan yakni 90 untuk data training dan 24 untuk data testing.
Sebelum pembelajaran RBFNN dilakukan, data input dinormalisasi terlebih dahulu dengan membawa data ke bentuk normal baku. Selanjutnya dilakukan pembelajaran algoritma RBFNN dengan mencari pusat dan jarak dari setiap fungsi basis menggunakan metode K-means Clustering. Setelah didapat pusat dan jarak dari setiap fungsi basis langkah selanjutnya adalah menentukan jaringan optimum dengan metode trial and erroruntuk menentukan banyaknyaneuronpada lapisan tersembunyi yang memberikan nilai akurasi tertinggi. Langkah terakhir yakni proses diagnosa. Dari hasil output yang didapatkan, masing-masing pengamatan dapat didiagnosa sesuai target yang telah ditentukan.
2. Model radial basis function neural network (RBFNN) untuk diagnosa kanker otak menghasilkan jaringan terbaik dengan 14neuronpada lapisan
input, 10 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan
output. Pada lapisan tersembunyi, fungsi aktivasi yang digunakan adalah fungsi aktivasi Gaussian. Pengujian ketepatan hasil diagnosa kanker otak dapat diukur berdasarkan nilai sensitivitas, spesifisitas, dan akurasi. Berdasarkan model jaringan terbaik, untuk data training diperoleh nilai sensitivitas sebesar 84,4444%, artinya untuk pasien yang menderita kanker otak, kemungkinan model RBFNN mendiagnosa dengan tepat adalah sebesar 84,4444%. Nilai spesifisitas 82,2222% yang artinya untuk pasien
yang tidak menderita kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat adalah sebesar 82,2222%. Nilai akurasi 83,3333% yang artinya hasil diagnosa dengan model RBFNN akan memberikan hasil ketepatan sebesar 83,3333%, baik untuk pasien yang memiliki kanker otak maupun pasien dengan otak normal. Sedangkan untuk data testing,nilai sensitivitas 100% yang artinya untuk pasien yang menderita kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat adalah sebesar 100%, nilai spesifisitas 83,3333% yang artinya untuk pasien yang tidak menderita kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat adalah sebesar 83,3333%, dan nilai akurasi 91,6666% yang artinya hasil diagnosa dengan model RBFNN akan memberikan hasil ketepatan sebesar 91,6666% baik untuk pasien yang memiliki kanker otak maupun pasien dengan otak normal.
B. Saran
Penulisan tugas akhir ini menggunakan model RBFNN untuk diagnosa kanker otak. Model yang dibangun pada penelitian ini belum cukup baik untuk mendiagnosa kanker otak. Oleh karena itu, perlu dilakukan perbaikan pada penelitian selanjutnya guna memperoleh hasil diagnosa yang lebih baik. Beberapa saran penulis yang dapat dilakukan pada penelitian selanjutnya adalah:
1. Melakukan pengolahan citra menggunakan operasi perbaikan citra seperti operasi titik, operasi spasial, atau operasi transformasi, karena noise pada
citra dapat dikurangi sehingga hasil ekstraksi citra yang digunakan sebagai
inputdiduga bisa menghasilkan akurasi yang lebih baik.
2. Menggunakan fungsi aktivasi lain yang dapat diterapkan pada algoritma RBFNN seperti fungsi cauchy, multikuadratik, atau invers multikuadratik sebagai pembanding, supaya dapat diketahui fungsi aktivasi yang paling baik digunakan pada model RBFNN.