Saran

BAB VI KESIMPULAN DAN SARAN

6.4. Saran

Saran yang diberikan untuk pengembangan perangkat lunak ini adalah:

1. Guna mengurangi waktu komputasi, perlu dilakukan pereduksian fitur, misalnya dengan metode Principal

Component Analysis (PCA).

2. Jika diperlukan, perangkat lunak bisa dilengkapi dengan GUI sehingga lebih mudah dalam penggunaan.

71

BAB VI

KESIMPULAN DAN SARAN

Bab VI ini membahas tentang kesimpulan yang didasari oleh hasil uji coba pada bab sebelumnya. Kesimpulan tersebut nantinya menjawab rumusan masalah yang telah ada pada pendahuluan. Selain itu, juga terdapat saran sebagai acuan untuk mengembangkan topik Tugas Akhir ini lebih lanjut di masa depan. 6.3. Kesimpulan

Dari hasil uji coba yang telah dilakukan, dapat diambil kesimpulan sebagai berikut:

1. Implementasi metode Independent Component Analysis,

Wavelet Transform, dan Multilayer Perceptron mampu

mendeteksi penyakit epilepsi sehingga dapat dijadikan metode dalam perangkat lunak pendeteksi epilepsi.

2. Metode penghilangan derau Single Channel Independent

Component Analysis (SCICA) pada Independent Component Analysis menghasilkan akurasi yang lebih baik bila

dibandingkan dengan Wavelet Independent Component

Analysis (WICA) dalam preprocessing data

3. Pada tahap ekstraksi fitur dengan Wavelet Transform, tingkat akurasi yang terbaik pada klasifikasi adalah dengan menggunakan mother wavelet Daubechies 6 dengan 4 level, yaitu 92.09%.

6.4. Saran

Saran yang diberikan untuk pengembangan perangkat lunak ini adalah:

1. Guna mengurangi waktu komputasi, perlu dilakukan pereduksian fitur, misalnya dengan metode Principal

Component Analysis (PCA).

2. Jika diperlukan, perangkat lunak bisa dilengkapi dengan GUI sehingga lebih mudah dalam penggunaan.

77

LAMPIRAN

Tabel A. 1 Confussion matrix uji coba skenario 1 SCICA level 4, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3

Aktual ^{1 65 2} 2 4 58 1 ⁰ 3 3 3 24

Tabel A. 2 Confussion matrix uji coba skenario 1 SCICA level 5, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3

Aktual ^{1 69 0} 2 11 50 0 ⁴ 3 1 1 24

Tabel A. 3 Confussion matrix uji coba skenario 1 SCICA level 6, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3

Aktual ^{1 41 10 2} 2 4 60 5 3 1 1 36

Tabel A. 4 Confussion matrix uji coba skenario 1 SCICA level 7, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 64 2} _{2 7 59 3} ² 3 0 1 22

Tabel A. 5 Confussion matrix uji coba skenario 1 WICA level 4, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 52 7} _{2 26 35 3} ⁰ 3 2 5 30

Tabel A. 6 Confussion matrix uji coba skenario 1 WICA level 5, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 51 15 0} _{2 8 52 2} 3 0 7 25

79

Tabel A. 7 Confussion matrix uji coba skenario 1 WICA level 6, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 41 15 0} _{2 4 59 0} 3 0 7 34

Tabel A. 8 Confussion matrix uji coba skenario 1 WICA level 7, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 38 20 0} _{2 11 54 4} 3 1 7 25

Tabel A. 9 Confussion matrix uji coba skenario 2 SCICA Daubechies 2, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 65 2} _{2 4 58 1} ⁰ 3 3 3 24

Tabel A. 10 Confussion matrix uji coba skenario 2 SCICA Daubechies 4, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ¹ ₂ ^{44 17 2} _{2 63 0}

3 4 2 26

Tabel A. 11 Confussion matrix uji coba skenario 2 SCICA Daubechies 6, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ¹ ₂ ⁵¹ _{2 63 1} ^{5 1}

3 1 0 36

Tabel A. 12 Confussion matrix uji coba skenario 2 SCICA Daubechies 8, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ¹ ₂ ⁵⁴ _{2 65 0} ^{4 1}

81

Tabel A. 13 Confussion matrix uji coba skenario 2 WICA Daubechies 2, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 52 7} _{2 26 35 3} ⁰ 3 2 5 30

Tabel A. 14 Confussion matrix uji coba skenario 2 WICA Daubechies 4, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 50 14 0} _{2 8 42 6} 3 4 6 30

Tabel A. 15 Confussion matrix uji coba skenario 2 WICA Daubechies 6, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 61 7} _{2 9 48 2} ¹ 3 1 3 28

Tabel A. 16 Confussion matrix uji coba skenario 2 WICA Daubechies 8, 10 Fold Cross Validation, Fold ke-1

Prediksi 1 2 3 Aktual ^{1 54 8} _{2 12 52 3} ⁰ 3 3 2 26

Tabel A. 17 Rekap performa hasil uji coba skenario 1 SCICA level 4

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 89.18 94.08 89.22 79.718 90.48 93.24 98.75 2 89.93 94.97 89.22 81.607 91.21 93.96 98.59 3 89.86 94.97 89.36 81.134 90.54 93.84 99.06 4 89.86 94.97 89.36 81.134 90.54 93.84 99.06 5 89.62 94.97 89.85 78.811 90.28 93.76 99.06 Rata-rata 89.7 94.79 89.4 80.481 90.61 93.73 98.91

Tabel A. 18 Rekap performa hasil uji coba skenario 1 SCICA level 5

Percobaan Accuracy ^{Sensitivity Specificity}

1 2 3 1 2 3 1 89.56 96.30 82.4 90.75 89.78 96.45 97.32 2 89.12 96.31 81.61 90.04 89.57 96.25 97.09 3 89.12 96.31 81.61 90.04 89.57 96.25 97.09 4 89.44 96.60 82.39 89.44 89.96 96.24 97.16 5 89.06 96.31 81.77 89.6 89.54 96.14 97.08 Rata-rata 89.26 96.36 81.95 89.97 89.68 96.27 97.15

83

Tabel A. 19 Rekap performa hasil uji coba skenario 1 SCICA level 6

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 89.12 87.85 88.02 92.94 95.81 92.86 94.89 2 89.68 88.98 88.18 93.2 95.82 93.45 95.12 3 89.44 88.29 88.35 92.85 96.02 92.63 95.27 4 89.25 87.99 88.17 92.7 96 92.83 94.87 5 89.25 87.63 88.5 93 95.91 92.52 95.17 Rata-rata 89.35 88.15 88.24 92.94 95.91 92.86 95.06

Tabel A. 20 Rekap performa hasil uji coba skenario 1 SCICA level 7

Percobaan Accuracy ^{Sensitivity Specificity}

1 2 3 1 2 3 1 90.5 93.9 86.29 91.75 92.99 95.6 96.66 2 90.12 93.56 85.81 91.41 93.62 94.96 96.19 3 90.12 93.43 85.12 92.92 93.61 95.6 95.74 4 90.18 94.05 85.82 90.9 93.73 95.29 95.98 5 90.62 94.04 86.44 91.6 94.13 95.09 96.34 Rata-rata 90.31 93.8 85.9 91.72 93.62 95.31 96.18

Tabel A. 21 Rekap performa hasil uji coba skenario 1 WICA level 4

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 74.81 94.1 54.64 75.61 69.69 91.45 97.68 2 74.5 93.4 54.82 75.2 69.61 91.56 97.35 3 74.5 93.95 54.9 74.44 69.66 91.36 97.43 4 74.25 93.55 54.43 74.67 69.66 90.98 97.35 5 74.81 94.1 54.64 75.61 69.69 91.45 97.68 Rata-rata 74.58 93.82 54.69 75.11 69.66 91.36 97.5

Tabel A. 22 Rekap performa hasil uji coba skenario 1 WICA level 5

Percobaan Accuracy ^{Sensitivity Specificity}

1 2 3 1 2 3 1 79.56 77.57 83.53 75.39 88.69 79.15 98.6 2 80.31 78.05 84.54 76.41 89.55 79.85 98.36 3 79.88 77.88 83.36 76.81 88.79 79.76 98.44 4 80.06 77.99 84.35 75.48 89.45 79.52 98.36 5 79.68 77.6 83.47 76.22 89.16 79.28 98.37 Rata-rata 79.9 77.82 83.85 76.06 89.13 79.51 98.43

85

Tabel A. 23 Rekap performa hasil uji coba skenario 1 WICA level 6

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 76.88 70.06 85.13 73.94 90.31 73.68 98.24 2 76.5 68.09 86.5 72.92 91.01 71.89 98.53 3 76.12 68.49 85.84 72.37 90.62 71.82 98.4 4 77.62 70.11 86.44 74.5 91.02 73.64 98.61 5 76.38 68.29 86.8 71.12 90.81 71.59 98.77 Rata-rata 76.7 69.01 86.14 72.97 90.76 72.53 98.51

Tabel A. 24 Rekap performa hasil uji coba skenario 1 WICA level 7

Percobaan Accuracy ^{Sensitivity Specificity}

1 2 3 1 2 3 1 77.18 70.63 83.92 76.83 89.36 74.86 98.27 2 76.31 68.61 83.36 77.98 90.24 73.73 97.41 3 77 72.15 81.82 77.17 88.36 76.14 97.89 4 77.18 70.63 83.92 76.83 89.36 74.86 98.27 5 76.31 68.61 83.36 77.98 90.24 73.73 97.41 Rata-rata 76.8 70.12 83.28 77.36 89.51 74.67 97.85

Tabel A. 25 Rekap performa hasil uji coba skenario 2 SCICA Daubechies 2

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 89.18 94.08 89.22 79.718 90.48 93.24 98.75 2 89.94 94.97 89.22 81.607 91.21 93.96 98.59 3 89.88 94.97 89.36 81.134 90.54 93.84 99.06 4 89.88 94.97 89.36 81.134 90.54 93.84 99.06 5 89.62 94.97 89.85 78.811 90.28 93.76 99.06 Rata-rata 89.7 94.79 89.4 80.481 90.61 93.73 98.91

Tabel A. 26 Rekap performa hasil uji coba skenario 2 SCICA Daubechies 4

Percobaan Accuracy ^{Sensitivity Specificity}

1 2 3 1 2 3 1 87.25 78.89 96.91 84.67 96.89 83.96 98.38 2 87 78.82 96.39 84.62 96.15 83.94 98.62 3 87.44 79.91 96.65 83.78 95.86 84.46 99.09 4 87.81 80.56 96.73 83.99 96.25 85.15 98.69 5 87 78.93 96.57 83.72 96.36 83.84 98.55 Rata-rata 87.3 79.42 96.65 84.15 96.3 84.27 98.67

87

Tabel A. 27 Rekap performa hasil uji coba skenario 2 SCICA Daubechies 6

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 92.25 91.37 92.81 92.44 95.55 95.22 97.22 2 91.88 90.81 91.9 93.66 95.76 95.43 96.44 3 92.12 91.61 91.9 93.34 95.78 95.33 96.85 4 91.94 90.65 91.92 94.35 95.89 95.53 96.37 5 92.25 91.3 92.36 93.37 95.67 95.32 97.05 Rata-rata 92.08 91.15 92.18 93.43 95.73 95.37 96.79

Tabel A. 28 Rekap performa hasil uji coba skenario 2 SCICA Daubechies 8

Percobaan Accuracy ^{Sensitivity Specificity}

1 2 3 1 2 3 1 91.18 90.25 94.32 86.88 95.23 92.92 97.9 2 91.44 90.52 94.63 86.75 95.31 92.78 98.22 3 91.12 90.38 94.45 85.97 94.8 92.59 98.38 4 91.12 90.59 94.3 86.02 94.7 92.92 98.21 5 91.38 91.2 94.33 86.09 94.81 92.82 98.53 Rata-rata 91.25 90.59 94.41 86.34 94.97 92.8 98.25

Tabel A. 29 Rekap performa hasil uji coba skenario 2 WICA Daubechies 2

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 74.81 94.1 54.64 75.61 69.69 91.45 97.68 2 74.5 93.4 54.82 75.2 69.61 91.56 97.35 3 74.5 93.95 54.9 74.44 69.66 91.36 97.43 4 74.25 93.55 54.43 74.67 69.66 90.98 97.35 5 74.81 94.1 54.64 75.61 69.69 91.45 97.68 Rata-rata 74.58 93.82 54.69 75.11 69.66 91.36 97.5

Tabel A. 30 Rekap performa hasil uji coba skenario 2 WICA Daubechies 4

Percobaan Accuracy ^{Sensitivity Specificity}

1 2 3 1 2 3 1 80 70.72 89.9 79.16 92.68 75.74 98.65 2 80.38 71.62 90.41 78.44 92.27 76.45 98.9 3 80 70.72 89.9 79.16 92.68 75.74 98.65 4 80.38 71.62 90.41 78.44 92.27 76.45 98.9 5 80.31 71.76 90.28 77.73 92.06 76.38 99.05 Rata-rata 80.21 71.29 90.18 78.59 92.39 76.15 98.83

89

Tabel A. 31 Rekap performa hasil uji coba skenario 2 WICA Daubechies 6

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 82.31 85.22 77.61 86.39 85.35 89.63 96.65 2 82.18 85.32 77.43 85.89 85.15 89.74 96.58 3 82.38 85.01 78.05 86.35 85.37 89.78 96.66 4 82.44 85.43 78.2 85.28 85.56 89.63 96.65 5 82.68 85.28 77.87 87.53 85.48 90.35 96.5 Rata-rata 82.4 85.25 77.83 86.29 85.38 89.83 96.61

Tabel A. 32 Rekap performa hasil uji coba skenario 2 WICA Daubechies 8

Percobaan Accuracy ₁ ^Sensitivity _{2 3 1} ^Specificity _{2 3}

1 81.31 89.83 70.33 86.42 78.57 92.26 98.52 2 81.75 90.77 70.84 85.17 78.82 92.66 98.58 3 81.18 90.17 69.51 86.44 78.3 92.58 98.35 4 81.5 89.06 71.52 86.12 79.52 91.95 98.28 5 81.38 90.46 69.99 85.85 78.68 92.36 98.44 Rata-rata 81.425 90.06 70.44 86 78.78 92.36 98.43

73

DAFTAR PUSTAKA

[1] World Health Organization, Oktober 2012. [Online]. Available:

http://www.who.int/mediacentre/factsheets/fs999/en/. [2] “Epilepsy: social consequences and economic aspects,”

[Online]. Available:

http://www.allcountries.org/health/epilepsy_social_consequ ences_and_economic_aspects.html. [Diakses 3 Juni 2015]. [3] R. Harikumar dan T. Vijayakumar, “Performance Analysis

of Patient Specific Elmanchaotic Optimization Model for Fuzzy Based Epilepsy Risk Level Classification from EEG Signals,” International Journal on Smart Sensing and

Intelligent Systems, Vol. 2, p. 612, 2009.

[4] N. Nicolau dan J. Gergiou, “Detection of Epileptic Electroencephalogram Based on Permutation Entropy and Support Vector Machines,” 2012.

[5] Riwinoto dan B. Kusumoputro, “Penggunaan Independent Component Analysis (ICA) untuk Pembuangan Noise dan Artefak pada Sinyal Campuran,” National Conference:

Design and Application of Technology, 2010.

[6] W. Zhou dan J. Gotman, “Automatic Removal of Eye Movement Artifacts from the EEG Using ICA and the Dipole Model,” Progress in Natural Science, vol. 19, p. 1165, 2009. [7] M. Sheoran, S. Kumar dan A. Kumar, “Wavelet-ICA based

Denoising of Electroencephalogram Signal,” International

Journal of Information & Computation Technology, vol. 4,

p. 1205, 2014.

[8] B. Mijovic, M. De Vos, I. Gligorijevic, J. Taelman dan S. Van Huffel, “Source Separation From Single-Channel Recordings by Combining Empirical-Mode Decomposition

and Independent Component Analysis,” IEEE Transactions

on Biomedical Engineering, vol. 57, p. 2189, 2010.

[9] P. Jahankhani, V. Kodogiannis dan K. Revett, “EEG Signal Classification Using Wavelet Feature Extraction and Neural Networks,” International Symposium on Modern

Computing, p. 52, 2006.

[10] H. Susanto, “Transformasi Wavelet Haar,” 10 Maret 2010.

[Online]. Available:

http://www.scribd.com/doc/50467423/Transformasi-Wavelet-Haar.

[11] A. Quotb, Y. Bornat dan S. Renaud, “Wavelet transform for real-time detection of action potentials in neural signals,” 15

Juli 2011. [Online]. Available:

http://journal.frontiersin.org/article/10.3389/fneng.2011.000 07/full. [Diakses 3 Juni 2015].

[12] M. Sushama dan G. Tulasi Ram Das, “Detection and Classification of Voltage Sags Using Adaptive Decomposition and Wavelet Transforms,” International

Journal of Electrical and Power Engineering, vol. 3, no. 1,

p. 53, 2009.

[13] K. Kawaguchi, “Artificial Neuron with Continuous Characteristics,” 17 Juni 2000. [Online]. Available: http://wwwold.ece.utep.edu/research/webfuzzy/docs/kk-thesis/kk-thesis-html/node14.html. [Diakses 3 Juni 2015]. [14] C. W. Dawson, R. L. Wilby, C. Harpham, M. R. Brown, E.

Cranston dan E. J. Darby, “Modelling Ranunculus Presence in the Rivers Test and Itchen Using Artificial Neural

Networks,” [Online]. Available:

http://www.geocomputation.org/2000/GC016/Gc016.htm. [Diakses 20 Januari 2015].

[15] T. M. Mitchel, Machine Learning, Singapura: The McGraw-Hill, 1997.

75

[16] S. Mojarad, S. Dlay, W. Woo dan G. Sherbet, “Breast Cancer Prediction and Cross Validation Using Multilayer Perceptron Neural Networks,” CSNDSP, p. 760, 2010.

[17] H. J. Hamilton, “Confusion Matrix,” 2012 Juni 2012.

[Online]. Available:

http://www2.cs.uregina.ca/~dbd/cs831/notes/confusion_mat rix/confusion_matrix.html.

[18] [Online]. Available:

http://www.compumine.com/web/public/newsletter/20071/ precision-recall. [Diakses 5 Mei 2015].

[19] “Rencana IT,” [Online]. Available: https://rencanait.wordpress.com/2010/03/08/data-mining-data-preprocessing/. [Diakses 25 April 2015].

[20] G. Panchal, A. Ganatra, Y. P Kosta dan D. Panchal, “Behaviour Analysis of Multilayer Perceptron with Multiple Hidden Neurons an Hidden Layer,” International Journal of

Computer Theory and Engineering, Vol. %1 dari %23, No.

91

BIODATA PENULIS

Aditya Bagusmulya, lahir di Meulaboh, pada tanggal 20 Juli 1992. Penulis menempuh pendidikan mulai dari SDS Pawyatan Daha 2 Kediri (1998-2004), SMP Negeri 1 Kediri (2004-2007), SMA Negeri 1 Kediri (2007-2010) dan S1 Teknik Informatika ITS (2011-2015). Selama masa kuliah, penulis cukup aktif dalam organisasi Himpunan Mahasiswa Teknik Computer-Informatika (HMTC). Diantaranya adalah menjadi staff Departemen Hubungan Luar HMTC ITS 2012-2013 dan Kepala Departemen Hubungan Luar HMTC ITS 2013-2014. Penulis juga aktif dalam berbagai kegiatan kepanitiaan yaitu SCHEMATICS 2012 sebagai staff Keamanan dan Perijinan, SCHEMATICS 2013 sebagai staff Hubungan Masyarakat, ITS EXPO 2012 dan 2013 sebagai staff Workshop Seni. Selama kuliah di Teknik Informatika ITS, penulis mengambil bidang minat Komputasi Cerdas Visi (KCV). Penulis pernah menjadi asisten dosen untuk Program Studi D1 PIKTI ITS mata kuliah Basis Data Terapan dan Excel untuk Bisnis. Komunikasi dengan penulis dapat melalui email: