Maksimum Epoch
4.6 Analisis Precision dan Recall
Pada pattern recognition dan information retieval, precision dan recall adalah dua perhitungan yang banyak digunakan unuk mengukur kerja dari sistem yang digunakan.
Precision merupakan tingkat ketepatan antara informasi yang dminta oleh pengguna dengan jawaban yang diberikan sistem. Recall merupakan tingkat keberhasilan sistem dalam menemukan kembali sebuah informasi. Precision dan recall pada penelitian ini digunakan untuk mengukur kinerja algoritma Backpropagation Neural Network (BNN) yang berfungsi untuk klasifikasi penyakit stroke melalui citra CT scan. Untuk menguji sistem digunakan 30 data yang merupakan citra CT scan yang di peroleh dari Radiopaedia.
Tabel 4.5. Analisis Hasil Penelusuran
No Relevan
a : Hits (dokumen yang relevan)
b : Noise (dokumen yang tidak relevan)
c: Missed (dokumen relevan yang tidak ditemukan)
Berdasarkan Tabel 4.4 nilai recall adalah 93,3% dan nilai precision adalah 93,3%. Efektifitas dibedakan menjadi dua bagian, yakni efektif jika nilai di atas 50%
dan tidak efektif jika nilai dibawah 50%. Kemudian kondisi ideal dari keefektifan suatu sistem klasifikasi citra adalah apabila rasio recall dan precision sama besarnya (1:1) (Lee Pao, 1989). Dengan demikian dapat disimpulkan bahwa sistem ini efektif karena nilai dari recall dan precision 1:1.
BAB 5
KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran yang diperoleh dalam merancang aplikasi klasifikasi penyakit stroke menggunakan Backpropagation Neural Network.
5.1. Kesimpulan
Adapun kesimpulan yang dapat diambil terhadap hasil pengujian klasifikasi penyakit stroke menggunakan Backpropagation Neural Network adalah sebagai berikut :
1. Metode Backprpagation Neural Network (BNN) mampu melakukan klasifikasi penyakit stroke melalui citra CT Scan dengan baik. Sehingga hasil dari proses klasifikasi stroke melalui citra CT Scan otak memiliki tingkat akurasi 93,3%.
2. EPOCH sangat mempengaruhi akurasi. Setelah melalui beberapa pengujian, semakin kecil nilai epoch maka semakin kecil pula tingkat akurasi yang didapatkan sebaliknya semakin besar nilai EPOCH maka semakin besar tingkat akurasi yang didapatkan. Namum jumlah EPOCH yang besar akan membuat proses training semakin lama. Adapun nilai EPOCH = 1000 merupakan nilai parameter yang baik untuk mengklasifikasi penyakit stroke dengan menggunakan Backpropagation Neural Network.
5.2. Saran
Adapun saran yang dapat diberikan oleh penulis terkait dengan penelitian ini untuk pengembangan selanjutnya adalah sebagai berikut :
1. Menggunakan metode neural network lain untuk membandingkan dengan hasil klasifikasi yang diperoleh dari metode Backpropagation Neural Network.
2. Menggunakan data citra pelatihan yang lebih banyak sehingga pada saat pengujian data mampu mendapatkan akurasi yang lebih tinggi.
3. Mengklasifikasikan citra berdasarkan pola dari iskemik dan hemoragik
4. Menggunakan pengolahan citra yang lebih baik agar penyakit stroke iskemik dan normal dapat dibedakan secaralebih jelas.
DAFTAR PUSTAKA
Amalia, Cut. 2017. Identifiksi Penyakit Hypertensive Retinopathy Melalui Citra Fundus menggunakan Backpropagation Neural Network. Skripsi. Universitas Sumatera Utara
Arifianto, Aji Seto., Sarosa, Moechammad., Setyawati, Onny. 2014. Klasifikasi Stroke Berdasarkan Kelainan Patologis dengan Learning Vector Quantization. Skripsi.
Universitas Brawijaya
Byong Seok Min, Dong Kyun Lim, Seung Jong Kim and Joo Heung Lee, A Novel Method of Determining Parameters of CLAHE Based on Image Entropy, International Journal of Software Engineering and Its Applications Vol.7, No.5 (2013), pp.113-120.
Chawla, Mayank., Sharma, Saurabh., Sivaswamy, Jayanthi., T, Kishore L. A Method for Automatic Detection and Classification of Stroke from Brain CT Images.
2009. 31st Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Minnesota, USA.
Corwin, Elizabeth J. 2009. Buku Saku Patofisologi edisi 3. EGC : Jakarta.
Dataset http://www.radiopaedia.org/
Diakses 4 Maret 2018.
De Freitas GR, Christoph DDH, Bogousslavsky J. Topographic classification of ischemic stroke, in Fisher M. (ed). Handbook of Clinical Neurology, Vol. 93 (3rd series). Elsevier BV, 2009.
Dewi, Candra., Muslikh, M. 2013. Perbandingan Akurasi Backpropagation Neural Network dan ANFIS untuk Memprediksi Cuaca. Program Studi Matematika Universitas Brawijaya. Malang
Faisal, Arif. 1991. Hasil Pemeriksaan CT Scanning pada penderita Stroke. Berkala ilmu kedokteran. Yogyakarta.
Ismail Setyopranoto. 2011. Stroke: Gejala dan Penatalaksanaan. Yogyakarta.
Irwansyah, Edy dan Faisal, Muhammad. 2015. Advanced Clustering: Teori dan Aplikasi. Yogyakarta : Deepublish
Jadhav, A., D’Cruz, J., Chavan, V., Dighe, A. & Chaudhari, J. 2016. Detection of Lung Cancer Using Backpropagation Neural Networks and Genetic Algorithm.
International Journal of Advanced Research in Computer and Communication Engineering 5(4): 963-967.
Junaidi, I. 2011. Stroke Waspadai Ancamannya. Penerbit Andi, Yogyakarta.
Kadir, Abdul & Susanto, Adhi. 2013. Teori dan Aplikasi Pengolahan Citra. Andi:
Yogyakarta.
Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi Publishing.
Pao, M. L. 1989. Concepts of Information Retrieval Libraries Unlimited, Englewood:
Colorado.
Marbun, J. T. 2017. Klasifikasi Penyakit Stroke Menggunakan Convolunional Neural Network. Skripsi. Universitas Sumatera Utara.
Matondang, Zekson Arizona. 2013. Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Penentuan Kelulusan Sidang Skripsi. Jurnal Pelita Informatika Budi Darma. Medan: STIMIK Budi Darma. Volume IV. Nomor 1.
Negnevitsky, M. 2005. Artificial Intelligence: A Guide to Intelligent System. 2nd Edition.
Pearson Education Limited: Upper Saddle River.
Nurhayati, O.D., 2008, The Application of a Proper Segmentation Method in The Analysis of Head CT Scan Images, master's in electrical engineering, UGM, Yogyakarta.
Perhimpunan Dokter Spesialis Saraf Seluruh Indonesia, 2011. Guideline Stroke.
PERDOSSI.
Pujiono, Purnama, I K. E., Andono, P. N. & Hariadi, M. 2013. Color Enhancement of Underwater Coral Reef Image using Contrast Limited Adaptive Histogram Equalization (CLAHE) with Rayleigh Distribution. The Proceedings of The 7th ICTS.
Saraswati, Sylvia. 2009. Faktor Penyebab Stroke. Yogyakarta.
Setyopranoto, Ismail. 2011. Stroke: Gejala dan Penatalaksanaan. Yogyakarta.
Sustrani, Lanny, Syamsir Alam, Iwan hadibroto. 2003. Stroke. Jakarta: PT Gramedia Pustaka Utama.
Suhartanto, Rokky Septian., Dewi, Candra., Muflikah, Lailil. 2017. Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Mendiagnosis Penyakit Kulit pada Anak. Skrisi. Universitas Brawijaya.
Sutrisno, A. (2007). Sebaiknya Anda Tahu Sebelum Anda Terserang Stroke. Jakarta:
PT. Gramedia Pustaka Utama.
Rai, R. K., Gour, P. & Singh, B. 2012. Underwater Image Segmentation using CLAHE Enhancement and Thresholding. International Journal of Emerging Technology and Advanced Engineering : 2250-2459.
Rizky, A. D. Klasifikasi Pendarahan Otak Menggunakan Metode Extreme Learning Machine. 2017. Skripsi. Universitas Sumatera Utara.
Wardhana, Wisnu. 2011. Strategi Mengatasi dan Bangkit dari Stroke, Yogyakarta : Pustaka pelajar.
Yastroki, 2012. Solusi Sehat Mengatasi Stroke. Tangerang: AgroMedia.