Nilai Akurasi
4.3 Pengujian Algoritma Kombinasi Backpropagation Nguyen Widrow (BPNW) dengan Smooth Support Vector Machine (SSVM)
4.3.1 Pengujian-1 (Klasifikasi 10 Record)
Pada pengujian ini dataset yang ditraining terdiri dari 100% dari dataset untuk Klasifikasi yaitu sebanyak 10 record. Hasil percobaan training dan Klasifikasi Pengujian-1 dapat dilihat seperti Gambar 4.38 dibawah ini:
1. Iterasi-100
(a) (b) Gambar 4.22 Nilai MSE dan Akurasi Iterasi-100
Dari Gambar 4.22 (a) diatas diperoleh nilai nilai MSE sebesar 0.65662 dan hasil klasifikasi yang diperoleh untuk 100 iterasi dapat dilihat seperti pada Gambar 4.22 (b) dan diperoleh hasil bahwa terdapat 1 pasien yang error prediction sehingga nilai akurasi iterasi-100 = 10−1
10 x 100 % = 90 %, hasil klasifikasi iterasi 100 dapat dilihat pada lampiran B.
2. Iterasi-200
(a) (b) Gambar 4.23 Nilai MSE dan Iterasi Iterasi-200
Dari Gambar 4.23 (a) diatas diperoleh nilai nilai MSE sebesar 0.5815 dan hasil klasifikasi yang diperoleh untuk 200 iterasi dapat dilihat seperti pada Gambar 4.23 (b) dan diperoleh hasil bahwa tidak terdapat pasien yang error prediction sehingga nilai akurasi iterasi-200 = 10−0
10 x 100 % = 100 %, hasil klasifikasi iterasi 200 dapat dilihat pada lampiran B.
3. Iterasi-300
(a) (b) Gambar 4.24 Nilai MSE dan Akurasi Iterasi-300
Dari Gambar 4.24 (a) diatas diperoleh nilai nilai MSE sebesar 0.56498 dan hasil klasifikasi yang diperoleh untuk 300 iterasi dapat dilihat seperti pada Gambar 4.24 (b) diperoleh hasil bahwa tidak terdapat pasien yang error prediction sehingga nilai akurasi iterasi-300 = 10−0
10 x 100 % = 100 %, hasil klasifikasi iterasi 300 dapat dilihat pada lampiran B.
4. Iterasi-400
(a) (b) Gambar 4.25 Nilai MSE Iterasi-400
Dari Gambar 4.25 (a) diatas diperoleh nilai MSE sebesar 0.5080 dan hasil klasifikasi yang diperoleh untuk 400 iterasi dapat dilihat seperti pada Gambar 4.25 (b) dimana diperoleh hasil bahwa tidak terdapat pasien yang error prediction sehingga nilai akurasi iterasi-400 = 10−0
10 x 100 % = 100 %, hasil klasifikasi iterasi 300 dapat dilihat pada lampiran B.
5. Iterasi-500
(a) (b) Gambar 4.26 Nilai MSE Iterasi-500
Dari Gambar 4.26 (a) diatas diperoleh nilai nilai MSE sebesar 0.53209 dan hasil klasifikasi yang diperoleh untuk 500 iterasi dapat dilihat seperti pada Gambar 4.26 (b) maka diperoleh hasil bahwa tidak terdapat pasien yang error prediction sehingga nilai akurasi iterasi-500 = 10−0
10 x 100 % = 100 %, hasil klasifikasi iterasi 300 dapat dilihat pada lampiran B. Dengan mengambil hasil training dan Klasifikasi Pengujian-1 dengan iterasi 100 sampai dengan 500, maka hasilnya dapat dilihat seperti pada Tabel 4.5.
Tabel 4.5 Hasil Pengujian-1 (BPNW-SSVM) No Iterasi MSE Akurasi(%)
1 100 0.65662 100
2 200 0.5815 100
3 300 0.5649 100
4 400 0.5080 100
5 500 0.5309 100
Rata-rata 0.568384 100
Dari Tabel 4.5 diatas nilai MSE setiap Iterasi dapat dilihat seperti pada Gambar 4.27.
Gambar 4.27 Grafik Nilai MSE Percobaan-1
Dari Gambar 4.27 diatas diperoleh hasil bahwa nilai MSE yang terbaik pada semua iterasi dimana nilai MSE rata-rata adalah sebesar 0.568384. Dari Tabel 4.5 diatas nilai persentase akurasi setiap Iterasi dapat dilihat seperti pada Gambar 4.28.
Gambar 4.28 Grafik Nilai Akurasi Percobaan-1
Dari Gambar 4.28 diatas diperoleh hasil bahwa nilai akurasi yang terbaik pada semua iterasi dengan Akurasi rata-rata sebesar 100 %.
4.3.2 Pengujian-2 (Klasifikasi 20 Record)
Pada pengujian ini dataset yang ditraining terdiri dari 100% dari dataset untuk Klasifikasi yaitu sebanyak 20 record. Hasil percobaan training dan Klasifikasi Pengujian-2 dapat dilihat dalam lampiran B. Dengan mengambil hasil training dan Klasifikasi Pengujian-2 dengan iterasi 100 sampai dengan 500, maka hasilnya dapat dilihat seperti pada Tabel 4.6.
0
Tabel 4.6 Hasil Pengujian-2 (BPNW-SSVM) No Iterasi MSE Akurasi(%)
Dari Tabel 4.7 diatas nilai MSE setiap Iterasi dapat dilihat seperti pada Gambar 4.29.
Gambar 4.29 Grafik Nilai MSE Percobaan-2
Dari Gambar 4.29 diatas diperoleh hasil bahwa nilai MSE yang terbaik pada semua iterasi dimana nilai MSE rata-rata adalah sebesar 0.71552. Dari Tabel 4.5 diatas nilai persentase akurasi setiap Iterasi dapat dilihat seperti pada Gambar 4.30.
Gambar 4.30 Grafik Nilai Akurasi Percobaan-2
0
0
Dari Gambar 4.30 diatas diperoleh hasil bahwa nilai akurasi yang terbaik pada semua iterasi dengan Akurasi rata-rata sebesar 92.2 %.
4.3.3 Pengujian-3 (Klasifikasi 50 Record)
Pada pengujian ini dataset yang ditraining terdiri dari 100% dari dataset untuk Klasifikasi yaitu sebanyak 50 record. Hasil percobaan training dan Klasifikasi Pengujian-3 dapat dilihat dalam lampiran B. Dengan mengambil hasil training dan Klasifikasi Pengujian-3 dengan iterasi 100 sampai dengan 500, maka hasilnya dapat dilihat seperti pada Tabel 4.7.
Tabel 4.7 Hasil Pengujian-3 (BPNW-SSVM) No Iterasi MSE Akurasi(%)
Dari Tabel 4.8 diatas nilai MSE setiap Iterasi dapat dilihat seperti pada Gambar 4.31.
Gambar 4.31 Grafik Nilai MSE Percobaan-3
0 20 40 60 80 100 120
1 2 3 4 5
Nilai Akurasi
Nilai Akurasi
Dari Gambar 4.31 diatas diperoleh hasil bahwa nilai MSE yang terbaik pada semua iterasi dimana nilai MSE rata-rata adalah sebesar 0.71552. Dari Tabel 4.5 diatas nilai persentase akurasi setiap Iterasi dapat dilihat seperti pada Gambar 4.32.
Gambar 4.32 Grafik Nilai Akurasi Percobaan-3
Dari Gambar 4.32 diatas diperoleh hasil bahwa nilai akurasi yang terbaik pada semua iterasi dengan Akurasi rata-rata sebesar 92.2 %. Dengan melihat hasil klasifikasi penyakit Diabetes Mellitus pada dataset PimaIndians, maka diperoleh hasil keseluruhan dapat dilihat seperti pada Tabel dibawah ini:
Tabel 4.8 Hasil Klasifikasi Penyakit Diabetes Mellitus Algoritma SSVM Percobaan Rata-rata MSE Rata-rata Akurasi(%)
1 0.6325 94
2 0.9003 68
3 0.7379 82
Rata-rata 0.7569 81.33
Dari Tabel 4.8 diatas nilai hasil klasifikasi penyakit Diabetes Mellitus dengan algoritma SSVM dapat dilihat seperti pada Gambar 4.33.
Gambar 4.33 Grafik Hasil Klasifikasi Algoritma SSVM
Tabel 4.9 Hasil Klasifikasi Penyakit Diabtes Mellitus Algoritma Kombinasi Percobaan Rata-rata MSE Rata-rata Akurasi(%)
1 0.568384 100
2 0.7178 97.6
3 0.71552 92.2
Rata-rata 0.667235 96.6
Dari Tabel 4.9 diatas nilai hasil klasifikasi penyakit Diabetes Mellitus dengan algoritma Kombinasi dapat dilihat seperti pada Gambar 4.34.
0 10 20 30 40 50 60 70 80 90 100
1 2 3
Nilai Akurasi
Nilai Akurasi
Gambar 4.34 Grafik Hasil Klasifikasi Algoritma Kombinasi
Dari Tabel 4.8 dan 4.9 dapat dilihat peningkatan nilai MSE dengan algoritma Kombinasi adalah sebesar 10.84 % dan nilai Akurasi sebesar 15.80 %. Untuk hasil klasifikasi penyakit Diabetes Mellitus pada dataset Kaggle, diperoleh hasil keseluruhan dapat dilihat seperti pada Tabel dibawah ini:
Tabel 4.10 Hasil Klasifikasi Penyakit Diabtes Mellitus Algoritma SSVM Percobaan Rata-rata MSE Rata-rata Akurasi(%)
1 0.6311 93.98
2 0.8923 71.25
3 0.7329 83.45
Rata-rata 0.7521 82.89
Dari Tabel 4.9 diatas nilai hasil klasifikasi penyakit Diabetes Mellitus dengan algoritma Kombinasi dataset Kaggle dapat dilihat seperti pada Gambar 4.35.
88 90 92 94 96 98 100 102
1 2 3
Nilai Akurasi
Nilai Akurasi
Gambar 4.35 Grafik Hasil Klasifikasi Algoritma SSVM Dataset Kaggle
Tabel 4.11 Hasil Klasifikasi Penyakit Diabtes Mellitus Algoritma Kombinasi Percobaan Rata-rata MSE Rata-rata Akurasi(%)
1 0.5435 100
2 0.7021 98.7
3 0.72.24 94.2
Rata-rata 0.6228 97.633
Dari Tabel 4.11 diatas nilai hasil klasifikasi penyakit Diabetes Mellitus dengan algoritma Kombinasi dataset Kaggle dapat dilihat seperti pada Gambar 4.36.
Gambar 4.36 Grafik Hasil Klasifikasi Algoritma Kombinasi Dataset Kaggle
0 20 40 60 80 100
1 2 3
Nilai Akurasi
Nilai Akurasi
90 92 94 96 98 100 102
1 2 3
Nilai Akurasi
Nilai Akurasi
Dari Tabel 4.10 dan 4.11 dapat dilihat peningkatan nilai MSE dengan algoritma Kombinasi dataset Kaggle adalah sebesar 20.76 % dan nilai akurasi sebesar 15.09 %.
Secara keseluruhan rata-rata nilai akurasi klasifikasi yang terbaik adalah pada dataset Kaggle yang terdiri dari 600 record.
4.4 Pembahasan
Setelah dilakukan penelitian klasifikasi penyakit Diabetes Mellitus dengan algoritma Smooth Support Vector Machine (SSVM) dan Kombinasi Smooth Support Vector Machine (SSVM) dengan Backpropagation Nguyen Widrow (BPNW) dengan menggunakan dua Dataset yaitu Pima Indian yang terdiri dari 768 record dan Kaggle dengan 600 record maka untuk hasil klasifikasi dataset Pima Indian dapat dilihat perbaikan nilai MSE dengan algoritma Kombinasi adalah sebesar 10.84 % dan nilai Akurasi sebesar 15.80 %. Dan untuk dataset Kaggle dapat dilihat perbaikan nilai MSE dengan algoritma Kombinasi adalah sebesar 20.76 % dan nilai akurasi sebesar 15.09 %.
Secara keseluruhan rata-rata nilai akurasi klasifikasi yang terbaik pada algoritma Kombinasi baik pada dataset Pima Indian maupun pada dataset Kaggle.
Adapun nilai akurasi yang tertinggi pada hasil klasifikasi algoritma Kombinasi disebabkan nilai bobot setiap atribut yang diperoleh pada saat training dataset dilakukan penskalaan bobot dengan metode Nguyen Widrow dengan lebih optimum dan lebih proporsional. Sedangkan pada klasifikasi dengan algoritma SSVM nilai bobot hasil training tidak dilakukan penskalaan, yang berarti nilai bobot setiap atribut dapat berbeda jauh, sehingga dalam perhitungan akurasinya berada diluar nilai targetnya (Lihat Lampiran B)
5.1 Kesimpulan
Pada penelitian ini telah dilakukan penelitian klasifikasi dataset PimaIndians untuk penyakit Diabetes Mellitus dengan algoritma Smooth Support Vector Machine (SSVM) dan Kombinasi Backpropagation Nguyen Widrow (BPNW) dengan Smooth Support Vector Machine (SSVM) dengan. Untuk proses klasifikasi dilakukan masing-masing 3 kali percobaan untuk masing-masing algoritma. Hasil percobaan untuk algoritma SSVM nilai rata-rata MSE adalah 0.7569 dan nilai Akurasi sebesar 81.33 % sedangkan untuk algoritma Kombinasi nilai rata-rata MSE adalah sebesar 0.6672 dan nilai Akurasi sebesar 96.6 % dan secara keseluruhannya dapat dilihat bahwa peningkatan nilai MSE dengan algoritma Kombinasi adalah sebesar 10.84 % dan nilai Akurasi sebesar 15.80
%.
5.2 Saran
Adapun saran-saran pada penelitian ini adalah melakukan percobaan klasifikasi dengan tidak hanya perubahan nilai iterasi (epoch) tetapi dengan perubahan parameter jaringan tetapi pada nilai learning rate serta maksimum error.
Andrian, Y. & Wayahdi, M. R. 2014. Analisis Algoritma Inisialisasi Nguyen-Widrow Pada Proses Prediksi Curah Hujan Kota Medan Menggunakan Metode Backpropagation Neural Network. Seminar Nasional Informatika 2014.
Chaudhari, V. V. & Salunkhe, P. 2017. Diabetic Retinopathy Classification using SVM Classifier. International Journal of Application or Innovation in Engineering
& Management (IJAIEM). Vol. 6, page: 6. Issue 7, July 2017.
Listiana, E. & Much, A. M. 2017. Penerapan Adaboost Untuk Klasifikasi Support Vector Machine Guna Meningkatkan Akurasi Pada Diagnosa Chronic Kidney Disease. Prosiding SNATIF Hal. 125-134.
Malathi, K. R Nedunchelian. 2018. A Recursive Support Vector Machine (RSVM) Algorithm To Detect And Classify Diabetic Retinopathy In Fundus Retina Images. Biomedical Research 2018, Vol.12, page:21. Special Issue: S57-S64.
Noviandi. 2018. Implementasi Algoritma Decision Tree C4.5 Untuk Prediksi Penyakit Diabetes. Jurnal INOHIM, Volume 6 Nomor 1, Juni 2018.
Nugroho, R. A., Tarno & Prahutama, A. 2017. Klasifikasi Pasien Diabetes Mellitus Menggunakan Metode Smooth Support Vector Machine (SSVM). Jurnal Gaussian, Volume 6, Nomor 3, Tahun 2017, Halaman 439-448.
Parapat, I. M. & Furqon, M. T. & Sutrisno. 2018. Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol.14, Hal.23. 2018.
Prayoginingsih, S. & Kusumawardani, R. P. 2018. Klasifikasi Data Twitter Pelanggan Berdasarkan Kategori myTelkomsel Menggunakan Metode Support Vector Machine (SVM). Jurnal Sisfo Vol. 07, Hal.13-54.
Princye, P. H. & Vijayakumari, V. 2018. Retinal Disease Diagnosis By Morphological Feature Extraction and SVM Classification Of Retinal Blood Vessels.
Biomedical Research 2018; Special Issue: S22-S30.
Ratna Ayu Wijayanti, R. A, Furqon, M. T. & Adinugroho, S. 2018. Penerapan Algoritme Support Vector Machine Terhadap Klasifikasi Tingkat Risiko Pasien Gagal Ginjal. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, Hal. 8-21, No. 10, Oktober 2018, Fakultas Ilmu Komputer Universitas Brawijaya.
Park, Kattigenahalli, Yelahanka, Bangalore, Karnataka, India.
Zou, Q. Kaiyang Qu, Yamei Luo, Dehui Yin, Ying Ju and Hua Tang. 2018. Predicting Diabetes Mellitus With Machine Learning Techniques. Frontiers Genetic.
Original Research published: 06 November 2018 doi:
10.3389/fgene.2018.00515.
Zhang, J., Xu, J., Xiaojuan Hu, Qingguang Chen, Liping Tu, Jingbin Huang & Ji Cui.
2017. Diagnostic Method of Diabetes Based on Support Vector Machine and Tongue Images. Hindawi BioMed Research International Volume 2017, Article ID 7961494, 9 pages https://doi.org/10.1155/2017/7961494.
Dataset Pima Indian
3.0000 1.0000 0.8794 0.1206 1
9.0000 0 0.0356 -0.0356 1
3.0000 0 0.3489 -0.3489 1
12.0000 1.0000 0.3490 0.6510 0
Hasil Klasifikasi Iterasi-500
5.0000 1.0000 0.1050 0.8950 0
38.0000 0 0.0916 -0.0916 1
17.0000 0 0.3575 -0.3575 1
50.0000 0 0.3587 -0.3587 1
29.0000 0 0.3489 -0.3489 1
8.0000 0 0.1274 -0.1274 1
41.0000 0 0.3160 -0.3160 1
20.0000 0 0.0260 -0.0260 1
Pengujian -1 Algoritma SSVM
Hasil Klasifikasi Iterasi-100
Hasil Klasifikasi adalah sebagai berikut:
No Target Klasifikasi Selisih Status 1.0000 1.0000 0.6819 0.3181 1 2.0000 0 0.1309 -0.1309 1 3.0000 1.0000 0.7435 0.2565 1 4.0000 0 0.1345 -0.1345 1 5.0000 0 0.1793 -0.1793 1 6.0000 0 0.3265 -0.3265 1 7.0000 0 0.1625 -0.1625 1 8.0000 1.0000 0.4349 0.5651 0 9.0000 0 0.1222 -0.1222 1 10.0000 0 0.1222 -0.1222 1
Hasil Klasifikasi Iterasi-200
Hasil Klasifikasi adalah sebagai berikut:
No Target Klasifikasi Selisih Status 1.0000 1.0000 0.6893 0.3107 1 2.0000 0 0.0729 -0.0729 1 3.0000 1.0000 0.8786 0.1214 1 4.0000 0 0.1147 -0.1147 1 5.0000 0 0.0982 -0.0982 1 6.0000 0 0.3196 -0.3196 1 7.0000 0 0.1194 -0.1194 1 8.0000 1.0000 0.6572 0.3428 1 9.0000 0 0.0585 -0.0585 1 10.0000 0 0.0585 -0.0585 1
Hasil Klasifikasi Iterasi-300
3.0000 1.0000 0.9428 0.0572 1 4.0000 0 0.1806 -0.1806 1 5.0000 0 0.0426 -0.0426 1 6.0000 0 0.2873 -0.2873 1 7.0000 0 0.1031 -0.1031 1 8.0000 1.0000 0.7767 0.2233 1 9.0000 0 0.0311 -0.0311 1 10.0000 0 0.0311 -0.0311 1