Hasil pembelajaran pada model Fuzzy Neural Network dapat memberikan hasil klasifikasi yang tidak tepat. Sensitivitas, spesifisitas dan akurasi merupakan
115
ukuran statistik kinerja yang dapat menghitung ketepatan hasil klasifikasi. Ketiga ukuran tersebut dapat digunakan dengan menentukan nilai True Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN). Ketepatan hasil klasifikasi kanker payudara menggunakan model FNN adalah sebagai berikut.
1. Ketepatan Hasil Klasifikasi Data Training
Tabel 3.5. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Training (dengan Operasi Titik)
Diagnosa Breast Cancer Total
Present Absent
Positive TP = 64 FP = 0 TP+FP = 64
Negative FN = 0 TN = 32 FN+TN = 32
Total TP+FN = 64 FP+TN = 32 96
Tabel 3.6. Menghitung Tingkat Akurasi Data Training (dengan Operasi Titik)
Diagnosa Awal
Klasifikasi dengan FNN
Total Normal Tumor Kanker
Normal 32 32
Tumor 32 32
Kanker 32 32
Total 32 32 32 32
Berdasarkan Tabel 3.5 dan Tabel 3.6 dapat dihitung ukuran statistik kinerja hasil klasifikasi kanker payudara menggunakan model FNN dengan operasi titik sebagai berikut.
a. 0 b. 3 3 0 c.
116
Pada data training dengan operasi titik, tingkat sensitivitas 100% artinya kemungkinan model FNN mengklasifikasi dengan tepat untuk pasien yang memiliki kanker payudara adalah sebesar 100%. Spesifisitas data training 100% artinya kemungkinan model FNN mengklasifikasi dengan tepat untuk pasien yang tidak memiliki kanker payudara adalah sebesar 100%. Akurasi pada data training 100% artinya hasil klasifikasi dengan model FNN akurat 100% untuk pasien yang memiliki kanker payudara (tumor atau kanker) maupun pasien dengan payudara normal. Pada Tabel 3.6 terlihat bahwa klasifikasi pada semua data training sesuai dengan target awal.
Tabel 3.7. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Training (tanpa Operasi Titik)
Diagnosa Breast Cancer Total
Present Absent
Positive TP = 64 FP = 0 TP+FP = 64
Negative FN = 0 TN = 32 FN+TN = 32
Total TP+FN = 64 FP+TN = 32 96
Tabel 3.8. Menghitung Tingkat Akurasi Data Training (tanpa Operasi Titik)
Diagnosa Awal
Klasifikasi dengan FNN
Total Normal Tumor Kanker
Normal 32 32
Tumor 32 32
Kanker 32 32
Total 32 32 32 32
Berdasarkan Tabel 3.7 dan Tabel 3.8 dapat dihitung ukuran statistik kinerja hasil klasifikasi kanker payudara menggunakan model FNN tanpa operasi titik sebagai berikut.
d.
117 e. 3 3 0 f.
Pada data training tanpa operasi titik, tingkat sensitivitas 100% artinya kemungkinan model FNN mengklasifikasi dengan tepat untuk pasien yang memiliki kanker payudara adalah sebesar 100%. Spesifisitas data training 100% artinya kemungkinan model FNN mengklasifikasi dengan tepat untuk pasien yang tidak memiliki kanker payudara adalah sebesar 100%. Akurasi pada data training 100% artinya hasil klasifikasi dengan model FNN akurat 100% untuk pasien yang memiliki kanker payudara (tumor atau kanker) maupun pasien dengan payudara normal. Pada Tabel 3.8 terlihat bahwa klasifikasi pada semua data training sesuai dengan target awal.
2. Ketepatan Hasil Klasifikasi Data Testing
Tabel 3.9. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Testing (dengan Operasi Titik)
Diagnosa Breast Cancer Total
Present Absent
Positive TP = 14 FP = 0 TP+FP = 14
Negative FN = 2 TN = 8 FN+TN = 10
Total TP+FN = 16 FP+TN = 8 24
Tabel 3.10. Menghitung Tingkat Akurasi Data Testing (dengan Operasi Titik)
Diagnosa Awal
Klasifikasi dengan FNN
Total Normal Tumor Kanker
Normal 8 8
Tumor 1 5 2 8
Kanker 1 1 6 8
118
Berdasarkan Tabel 3.9 dan Tabel 3.10 dapat dihitung ukuran statistik kinerja hasil klasifikasi kanker payudara menggunakan model FNN dengan operasi titik sebagai berikut.
a. b. 0 c.
Pada data testing dengan operasi titik, tingkat sensitivitas sudah cukup baik yaitu 87,5% artinya kemungkinan model FNN mengklasifikasi dengan tepat untuk pasien yang memiliki kanker payudara adalah sebesar 87,5%. Spesifisitas data testing 100% artinya kemungkinan model FNN mengklasifikasi dengan tepat untuk pasien yang tidak memiliki kanker payudara adalah sebesar 100%. Akurasi pada data testing 79,1667% artinya hasil klasifikasi dengan model FNN akurat 79,1667% untuk pasien yang memiliki kanker payudara (tumor atau kanker) maupun pasien dengan payudara normal. Pada Tabel 3.10 terlihat bahwa klasifikasi pada 8 citra payudara normal sesuai dengan target awal. Hasil klasifikasi pada 8 citra payudara tumor menunjukkan hasil output citra payudara normal sebanyak 1, citra payudara kanker sebanyak 2, dan sebanyak 5 citra payudara tumor diklasifikasikan sesuai target awal. Hasil klasifikasi pada 8 citra payudara kanker menunjukkan hasil output citra payudara normal sebanyak 1, citra payudara tumor sebanyak 1, dan sebanyak 6 citra payudara kanker diklasifikasikan sesuai target awal.
119
Tabel 3.11. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Testing (tanpa Operasi Titik)
Diagnosa Breast Cancer Total
Present Absent
Positive TP = 14 FP = 7 TP+FP = 21
Negative FN = 2 TN = 1 FN+TN = 3
Total TP+FN = 16 FP+TN = 8 24
Tabel 3.12. Menghitung Tingkat Akurasi Data Testing (tanpa Operasi Titik)
Diagnosa Awal
Klasifikasi dengan FNN
Total Normal Tumor Kanker
Normal 1 4 3 8
Tumor 1 5 2 8
Kanker 1 7 8
Total 3 9 12 24
Berdasarkan Tabel 3.11 dan Tabel 3.12 dapat dihitung ukuran statistik kinerja hasil klasifikasi kanker payudara menggunakan model FNN tanpa operasi titik sebagai berikut.
a. b. c.
Pada data testing tanpa operasi titik, tingkat sensitivitas sudah cukup baik yaitu 87,5% artinya kemungkinan model FNN mengklasifikasi dengan tepat untuk pasien yang memiliki kanker payudara adalah sebesar 87,5%. Spesifisitas yang dihasilkan adalah 12,5% artinya kemungkinan model FNN mengklasifikasi dengan tepat untuk pasien yang tidak memiliki kanker payudara adalah sebesar 12,5%. Hal tersebut menunjukkan bahwa spesifisitas data testing dengan operasi titik jauh lebih baik dibandingkan spesifitas data
120
testing tanpa operasi titik. Akurasi sebesar 54,1667% artinya hasil klasifikasi dengan model FNN akurat 54,1667% untuk pasien yang memiliki kanker payudara (tumor atau kanker) maupun pasien dengan payudara normal. Pada Tabel 3.12 terlihat bahwa klasifikasi pada 8 citra payudara normal menunjukkan hasil output sesuai target awal sebanyak 1, citra payudara tumor sebanyak 4, dan citra payudara kanker sebanyak 3. Hasil klasifikasi pada 8 citra payudara tumor menunjukkan hasil output citra payudara normal sebanyak 1, citra payudara kanker sebanyak 2, dan sebanyak 5 citra payudara tumor diklasifikasikan sesuai target awal. Hasil klasifikasi pada 8 citra payudara kanker menunjukkan hasil output citra payudara normal sebanyak 1, dan sebanyak 7 citra payudara kanker diklasifikasikan sesuai target awal.
Hasil penelitian ini menunjukkan nilai akurasi, sensitivitas, dan spesifisitas pada model FNN dengan operasi titik intensity adjustment untuk klasifikasi kanker payudara secara berurutan adalah 100%, 100%, dan 100% untuk data training serta 79,1667% 87,5%, dan 100% untuk data testing. Sedangkan hasil akurasi, sensitivitas, dan spesifisitas pada model FNN tanpa operasi titik intensity adjustment untuk klasifikasi kanker payudara secara berurutan adalah 100%, 100%, dan 100% untuk data training serta 54,1667%, 87,5% dan 12,5%, untuk data testing.
Dari pembahasan di atas, terlihat bahwa hasil akurasi, sensitivitas dan spesifisitas data testing dengan operasi titik lebih baik dibandingkan hasil yang tanpa operasi titik. Dengan demikian, hasil penelitian ini menunjukkan bahwa operasi titik intensity adjustment dapat memperbaiki kualitas citra dengan cukup
121
baik, sehingga model FNN yang dibentuk untuk klasifikasi stadium kanker payudara juga dapat memberikan hasil yang lebih baik. Keunggulan lain dari model FNN dengan operasi titik intensity adjustment pada penelitian ini adalah jika model digunakan untuk mendeteksi pasien yang tidak memiliki penyakit kanker payudara (normal), maka hasilnya dinyatakan 100% normal. Dengan kata lain, model ini unggul untuk mendeteksi pasien yang normal.