Tahapan ini data dan sistem yang telah dibangun dari mulai proses pre-processing, segmentation hingga klasifikasi nantinya akan dilakukan pengujian pada sistem.
Hasil pengujian klasifikasi Osteoporosis bentuk tulang normal, Primer dan Senile menggunakan metode CNN dan pada penelitian ini juga dilakukan pengujian data dalam bentuk 80:20, 70:30 dan 60:40 dan juga hasil epoch mulai dari 10, 15, 20 dan 25 untuk melihat hasil perbandingan akurasi pada setiap jumlah parameter beserta epochnya. Hasil akan dijelaskan pada gambar dan seperti pada Tabel 4.1 dan 4.2 merupakan hasil dari parameter 80:20 yang dilakukan pada penelitian ini.
Tabel 4.1 Keluaran data Hasil testing
No Nama File Manual Sistem Status
1 Image_0_01 Tulang Normal Tulang Normal Benar
2 Image_0_02 Tulang Normal Tulang Normal Benar
3 Image_0_03 Tulang Normal Tulang Normal Benar
4 Image_0_04 Tulang Normal Tulang Normal Benar
5 Image_0_05 Tulang Normal Tulang Normal Benar
6 Image_0_06 Tulang Normal Tulang Normal Benar
7 Image_0_07 Tulang Normal Tulang Normal Benar
8 Image_0_08 Tulang Normal Tulang Normal Benar
9 Image_0_09 Primer Primer Benar
22 Image_0_22 Senile Senile Benar
23 Image_0_23 Senile Senile Benar
24 Image_0_24 Senile Senile Benar
…. …. …. ….. Benar
60 Image_0_70 Senile Senile Benar
Tabel 4.2 Data Hasil pengujian proses Klasifikasi
No Citra Hasil Segmentasi Manual Sistem Status
1 Tulang
5 Tulang
10 Primer Primer Benar
11 Primer Primer Benar
12 Primer Primer Benar
13 Primer Primer Benar
14 Primer Primer Benar
15 Primer Primer Benar
16 Primer Primer Benar
17 Senile Senile Benar
18 Senile Senile Benar
19 Senile Senile Benar
20 Senile Senile Benar
21 Senile Senile Benar
22 Senile Senile Benar
23 Senile Senile Benar
24 Senile Senile Benar
…. …. …. ….. ….
60 Senile Senile Benar
Gambar 4.16 Hasil Akurasi dan Loss menggunakan Parameter 60:40 epoch 10
Gambar 4.17 Hasil Akurasi pada Parameter 60:40 dengan epoch 10
Gambar 4.18 Hasil Akurasi dan Loss menggunakan Paramter 60:40 epoch 15
Gambar 4.19 Hasil Akurasi pada parameter 60:40 dengan epoch 15
Gambar 4.20 Hasil Akurasi dan Loss menggunakan Paramter 60:40 epoch 20
Gambar 4.21 Hasil Akurasi pada parameter 60:40 dengan epoch 20
Gambar 4.22 Hasil Akurasi dan Loss menggunakan Paramter 60:40 epoch 25
Gambar 4.23 Hasil Akurasi pada parameter 60:40 dengan epoch 25
Dapat disimpulkan bahwa pada parameter 60:40 yang telah diuji pada penelitian ini, dan dari jumlah epoch mulai dari 10, 15, 20 dan 25 adalah :
- Pada epoch 10, diperoleh jumlah akurasi pada sistem 0.78 dan loss 1,3 serta akurasi klasifikasi dari penelitian ini adalah sebesar 79 %.
- Pada epoch 15, diperoleh jumlah akurasi pada sistem 0.98, dan loss 0.07 serta akurasi klasifikasi dari penelitian ini adalah sebesar 93 %
- Pada epoch 20, diperoleh jumlah akurasi pada sistem 1.0 dan loss 0.007 serta akurasi klasifikasi dari penelitian ini adalah sebesar 94 %.
- Pada epoch 25, diperoleh jumlah akurasi pada sistem 1.0 dan loss 0.003 serta akurasi klasifikasi dari penelitian ini adalah sebesar 94 %.
Gambar 4.24 Hasil Akurasi dan Loss menggunakan Parameter 70:30 epoch 10
Gambar 4.25 Hasil Akurasi pada parameter 70:30 dengan epoch 10
Gambar 4.26 Hasil Akurasi dan Loss menggunakan Parameter 70:30 epoch 15
Gambar 4.27 Hasil Akurasi pada parameter 70:30 dengan epoch 15
Gambar 4.28 Hasil Akurasi dan Loss menggunakan Parameter 70:30 epoch 20
Gambar 4.29 Hasil Akurasi pada parameter 70:30 dengan epoch 20
Gambar 4.30 Hasil Akurasi dan Loss menggunakan Parameter 70:30 epoch 25
Gambar 4.31 Hasil Akurasi pada parameter 70:30 dengan epoch 25 Dapat disimpulkan bahwa pada parameter 70:30 yang telah diuji pada penelitian ini, dan dari jumlah epoch mulai dari 10, 15, 20 dan 25 adalah :
- Pada epoch 10, diperoleh jumlah akurasi pada sistem 0.8 dan loss 0.7 serta akurasi klasifikasi dari penelitian ini adalah sebesar 88 %.
- Pada epoch 15, diperoleh jumlah akurasi pada sistem 0.99, dan loss 0.05 serta akurasi klasifikasi dari penelitian ini adalah sebesar 88 %
- Pada epoch 20, diperoleh jumlah akurasi pada sistem 1.0 dan loss 0.005 serta akurasi klasifikasi dari penelitian ini adalah sebesar 88 %.
- Pada epoch 25, diperoleh jumlah akurasi pada sistem 1.0 dan loss 0.003 serta akurasi klasifikasi dari penelitian ini adalah sebesar 88 %.
Gambar 4.32 Klasifikasi Gagal
Klasifikasi Gagal ini disebabkan oleh sistem yang tidak dapat mendeteksi bentuk tulang yang diklasifikasi, serta terdapat kesalahan pada tahap segmentation yaitu thresholding. Pada tahap thresholding sistem tidak dapat membaca dan mengenali jenis tulang, maka dari itu pada saat testing data sistem tidak mengenali tulang apa
yang sedang diklasifikasi, oleh karena itu pada saat menampilkan hasil klasifikasi seperti gambar dapat dilihat bahwa hasil tersebut tidak sesuai dengan jenisnya.
Seharusnya sistem mengklasifikasi osteoporosis senile tetapi di pada hasil klasifikasi menghasilkan osteoporosis primer.
Gambar 4.33 Klasifikasi Gagal
Pada 4.32. dan 4.33. merupakan gambar hasil klasifikasi yang gagal, dimana diantaranya gambar 4.32. seharusnya mengklasifikasi Osteoporosis senile tetapi pada hasil klasifikasi menunjukkan Primer, begitu juga di gambar 4.33. seharusnya mengklasifikasi gambar Osteoporosis Primer namun pada hasil klasifikasi menunjukkan hasil klasifikasi Osteoporosis Senile.
Berdasarkan pengujian model yang didapat dari proses klasifikasi menggunakan metode convolutional neural network terhadap 60 data uji, diperoleh nilai akurasi mencapai 88 % dengan mengimplementasikan metode perhitungan dengan menggunakan fungsi confussion matrix. Hasil dari confussion matrix berupa tabel
matrix yang menunjukkan hasil kerja mode dari convolutional Neural Network terhadap data testing dengan parameter, hasil tersebut dapat dilihat pada tabel 4.3
Tabel 4.3 Hasil confussion matriks
Normal 0 Primer 1 Senile 2 Total
Normal 0 20 0 0 20
Primer 1 0 14 6 20
Senile 2 0 1 19 20
Selain itu fungsi confussion matrix juga menampilkan laporan precission, recall dan f1-score terhadap masing-masing data testing yang digunakan. Laporan klasifikasi (classification report) tersebut dapat dilihat pada Gambar 4.34.
Gambar 4.34 Classification Report
Persentase Akurasi = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐶𝑖𝑡𝑟𝑎 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔 𝑏𝑒𝑛𝑎𝑟
𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑐𝑖𝑡𝑟𝑎 𝑑𝑎𝑡𝑎 𝑇𝑒𝑠𝑡𝑖𝑛𝑔 𝑥 100 % = 53
60
= 88 %
Fungsi yang digunakan untuk menanmpilkan laporan klasifikasi dalam bentuk matriks seperti 4.34 Adalah fungsi classification_report pada library sklearn.metric.
Sistem Klasifikasi tulang normal, primer dan senile yang diperoleh masih ditemukan beberapa kesalahan dalam melakukan klasifikasi. Hal ini bisa disebabkan oleh terbatasnya data latih dan data testing yang didapat, serta diharapkan agar kedepannya ditambahkan proses pada tahap pre-processing agar pada saat mendapatkan hasil, bisa berjalan dengan lebih baik lagi serta memperoleh tingkat akurasi yang tinggi, serta pada penelitian selanjutnya juga dapat lebih dikhususkan setiap bagian daripada klasifikasinya. Selain itu juga ada beberapa kendala yang disebabkan oleh beberapa data yang mirip sehingga pengklasifikasian tersebut memerlukan proses yang berulang.
BAB 5
KESIMPULAN DAN SARAN
Bab lima menjelaskan bagian kesimpulan dan saran penggunaan metode Convolutional Neural Network dalam mengklasifikasikan Osteoporosis, serta memberikan saran pada penelitian dan pengembangan berikutnya.