Dini Diagnosa Awal Jumlah Kanker Normal Kanker TP = 8 FP = 2 TP + FP = 10 Normal FN = 2 TN = 8 FN + TN = 10 Jumlah TP + FN = 10 FP + TN = 10 80 RBFNN-BP Hasil Deteksi Dini Diagnosa Awal Jumlah Kanker Normal Kanker TP = 8 FP = 2 TP + FN = 10 Normal FN = 2 TN = 8 FN + TN = 10 Jumlah TP + FN = 10 FP + TN = 10 80
105 FRBFNN-GR Hasil Deteksi Dini Diagnosa Awal Jumlah Kanker Normal Kanker TP = 8 FP = 8 TP + FP = 10 Normal FN = 2 TN = 10 FN + TN = 10 Jumlah TP + FN = 10 FP + TN = 10 80 FRBFNN-BP Hasil Deteksi Dini Diagnosa Awal Jumlah Kanker Normal Kanker TP = 8 FP = 2 TP + FP = 10 Normal FN = 2 TN = 8 FN + TN = 10 Jumlah TP + FN = 10 FP + TN = 10 20 Keterangan : Global Ridge Regression (GR) & Backpropagation (BP)
Berdasarkan Tabel 3.11, tidak terdapat perbedaan hasil ketepatan deteksi dini kanker model antara model RBFNN dan FRBFNN pada data testing. Dimana pada model RBFNN dan FRBFNN hanya dapat mendeteksi dengan tepat kanker paru sebanyak 8 data dari 10 data testing dengan diagnosa awal kanker dan paru-paru dengan keadaan normal sebanyak 8 data dari 10 data testing dengan diagnosa awal normal.
Tabel 3.12 Perbandingan Tingkat Sensitivitas, Spesifisitas dan Akurasi pada Data Testing dari RBFNN dan FRBFNN
Sensitivitas Spesifisitas Akurasi
RBFNN-GR 80 % 80 % 80 %
RBFNN-BP 80 % 80 % 80 %
FRBFNN-GR 80 % 80 % 80 %
FRBFNN-BP 80 % 80 % 80 %
Keterangan : Global Ridge Regression (GR) & Backpropagation (BP)
Pada Tabel 3.12, menunjukan perbandingan tingkat sensitivitas, spesifisitas, dan akurasi model RBFNN dan FRBFNN pada data testing. Terlihat bahwa tidak terdapat perbedaan tingkat sensitivitas, spesifisitas, dan akurasi pada model RBFNN maupun FRBFNN yaitu secara berurutan tingkat sensitivitas, spesifisitas, dan akurasi adalah 80%, 80%, 80%.
106
Sehingga dapat disimpulkan bahwa model terbaik adalah model FRBFNN dengan algoritma backpropagation. Pada data training, tingkat sensitivitas yaitu 88,1% artinya kemungkinan model FRBFNN metode algoritma backpropagation mendeteksi dini kanker paru dengan tepat untuk pasien dengan diagnosa awal kanker adalah sebesar 88,1%. Sedangkan, tingkat spesifisitas yaitu 100% artinya kemungkinan model FRBFNN metode algoritma backpropagation mendeteksi dini dengan tepat untuk pasien normal (tidak memiliki kanker paru) sebesar 100%. Tingkat akurasi pada data training yaitu 93,75% artinya model FRBFNN metode algoritma backpropagation mampu mendeteksi dini pasien dengan ketepatan akurasi sebesar 93,75% atau model FRBFNN metode algoritma backpropagation hanya mampu mendeteksi pasien dengan tepat 75 data dari 80 data training yang digunakan.
Pada data testing, tingkat sensitivitas yaitu 80% artinya kemungkinan model FRBFNN metode algoritma backpropagation mendeteksi dini kanker paru dengan tepat untuk pasien dengan diagnosa awal kanker adalah sebesar 80%. Sedangkan, tingkat spesifisitas yaitu 80% artinya kemungkinan model FRBFNN metode algoritma backpropagation mendeteksi dini dengan tepat untuk pasien normal (tidak memiliki kanker paru) sebesar 80%. Nilai akurasi pada data testing yaitu 80% artinya model FRBFNN metode algoritma backpropagation mampu mendeteksi dini pasien dengan ketepatan akurasi sebesar 80% atau model FRBFNN metode algoritma backpropagation hanya mampu mendeteksi pasien dengan tepat 16 data dari 20 data testing yang digunakan.
107 BAB IV PENUTUP A. Kesimpulan
Berdasarkan pembahasan yang telah diuraikan sebelumnya, maka kesimpulan yang dapat diambil adalah sebagai berikut,
1. Prosedur pembentukan model Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk mendeteksi dini kanker paru adalah preprocessing citra radiography dengan menggunakan High Frequency Emphasis Filter (HFEF) dan Histogram Equalization. Setelah itu, mengekstraksi fitur pada citra radiography paru-paru mengunakan metode Gray Level Co-occurence Matrix (GLCM). Proses ekstraksi fitur metode GLCM digunakan untuk mendapatkan 5 parameter second order statistical yaitu energy, contrast, inverse difference moment, dan entropy. Selanjutnya, membagi data menjadi 2, yaitu 80% data training dan 20% data testing. Lalu, menentukan variabel input yaitu 5 parameter hasil ekstraksi fitur dengan metode GLCM diantaranya energy, contrast, correlation, inverse difference moment, dan entropy. Variabel output pada model FRBFNN adalah hasil diagnosa kanker paru yaitu normal dan kanker. Pembelajaran FRBFNN terbagi menjadi empat tahapan. Pada tahap pertama, menentukkan banyaknya neuron pada lapisan input fuzzy dengan melakukan proses fuzzifikasi. Pada tahap kedua, menentukan pusat dan jarak pada fungsi basis gaussian dengan menggunakan metode K-Means Clustering. Pada tahap ketiga, menentukan jumlah neuron pada lapisan tersembunyi. Pada tahap keempat, menentukan bobot optimum. Dalam menentukan bobot optimum menggunakan dua pendekatan yaitu metode global ridge regression
108
dan algoritma backpropagation. Pada langkah akhir pembentukan model FRBFNN yaitu menentukan jaringan optimum dengan membandingkan hasil model yang memberikan persentase akurasi tertinggi.
2. Model Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk mendeteksi dini kanker paru dengan metode algoritma Backpropagation menghasilkan model terbaik dengan 5 neuron pada lapisan input, 15 neuron pada lapisan input fuzzy, 7 neuron pada lapisan tersembunyi serta 1 neuron bias, dan 1 neuron pada lapisan output. Fungsi aktivasi yang digunakan pada lapisan tersembunyi adalah fungsi Gaussian dan fungsi aktivasi pada lapisan output adalah fungsi identitas. Model FRBFNN metode algoritma Backpropagation memberikan nilai ketepatan hasil deteksi dini yaitu sensitivitas, spesifisitas, dan akurasi secara berurutan adalah 88,1%, 100%, dan 93,75% untuk data training serta 80%, 80%, dan 80% untuk data testing.
B. Saran
Pada penelitian tugas akhir ini menggunakan model Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk deteksi dini kanker paru. Data yang digunakan berupa citra yang diperoleh dari dokumentasi kesehatan diperoleh dari web yang telah dipublikasikan. Berdasarkan hasil yang diperoleh pada penelitian tugas akhir ini, model FRBFNN belum cukup baik dalam mendeteksi dini kanker paru. Oleh karena itu, perlu dilakukan perbaikan pada penelitian-penelitian selanjutnya agar memperoleh hasil yang lebih baik. Beberapa saran penulis yang dapat dilakukan pada penelitian selanjutnya adalah:
109
1. Menggunakan citra radiography paru-paru yang diperoleh langsung dari rumah sakit, sehingga dengan menggunakan citra radiography yang diperoleh langsung dari rumah sakit menggunakan teknologi yang lebih maju dan citra yang digunakan lebih akurat.
2. Menggunakan metode ekstraksi fitur citra selain Gray Level Co-occurrence Matrix (GLCM) yaitu Wavelet Decomposition dan Curvelet Decomposition. 3. Melakukan pengujian dengan berbagai jenis fungsi keanggotaan seperti fungsi
keanggotaan segitiga, gaussian, bell shaped, sigmoid dan S.
4. Menggunakan algoritma pembelajaran tak terawasi (unsupervised learning) selain K-Means Clustering yaitu Fuzzy C-Means Clustering, Adaptive Moving K-Means Clustering, dan Self-Organizing Maps (SOM).
i
DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL
