Pengidentifikasian Penyakit Erythemato-Squamous Menggunakan Probabilistic Neural Network

(1)

ABSTRAK

ADITYA NUGROHO. Pengidentifikasian Penyakit Erythemato-Squamous menggunakan

Probabilistic Neural Network. Dibimbing oleh AGUS BUONO, HERU SUKOCO dan ARIEF RAMADHAN.

Diagnosa untuk membedakan penyakit-penyakit erythemato-squamous merupakan masalah dalam ilmu tentang kesehatan kulit (dermatologi). Penyakit-penyakit yang termasuk ke dalam kelompok tersebut adalah psoriasis, seboreic dermatitis, lichen planus, pityriasis rosea, cronic dermatitis dan pityriasis rubra pilaris. Pada pengamatan awal, penyakit-penyakit tersebut memiliki ciri-ciri klinis erythema dan scaling dengan perbedaan-perbedaan yang sangat kecil (Merz dan Murphy dalam Kustiyo 2004).

Tujuan dari penelitian ini adalah mengetahui ketepatan hasil pengklasifikasian penyakit

erythemato-squamous menggunakan Probabilistic Neural Network (PNN) dengan pengelompokan data family history serta selang umur, sedangkan nilai smoothing parameter yang digunakan adalah 0.25, 0.5, 0.75 dan 1.

Rata-rata keakuratan dega algoritma PNN untuk data family history 1 dan 0 masing-masing sebesar 87.68% dan 42.38%, sedangkan untuk pengelompokan umur, selang dewasa (18-40) menghasilkan ketepatan tertinggi, maka algoritma PNN seperti yang digunakan dalam penelitian ini dapat menjadi salah satu alternatif untuk indentifikasi penyakit erythemato-squamous pada data kelompok family history 1 dan selang dewasa.

(2)

PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS

MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

ADITYA NUGROHO

G06400039

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(3)

PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS

ADITYA NUGROHO

G06400039

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

(4)

PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Oleh:

ADITYA NUGROHO

G06400039

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

(5)

ABSTRAK

ADITYA NUGROHO. Pengidentifikasian Penyakit Erythemato-Squamous menggunakan

Probabilistic Neural Network. Dibimbing oleh AGUS BUONO, HERU SUKOCO dan ARIEF RAMADHAN.

Diagnosa untuk membedakan penyakit-penyakit erythemato-squamous merupakan masalah dalam ilmu tentang kesehatan kulit (dermatologi). Penyakit-penyakit yang termasuk ke dalam kelompok tersebut adalah psoriasis, seboreic dermatitis, lichen planus, pityriasis rosea, cronic dermatitis dan pityriasis rubra pilaris. Pada pengamatan awal, penyakit-penyakit tersebut memiliki ciri-ciri klinis erythema dan scaling dengan perbedaan-perbedaan yang sangat kecil (Merz dan Murphy dalam Kustiyo 2004).

Tujuan dari penelitian ini adalah mengetahui ketepatan hasil pengklasifikasian penyakit

erythemato-squamous menggunakan Probabilistic Neural Network (PNN) dengan pengelompokan data family history serta selang umur, sedangkan nilai smoothing parameter yang digunakan adalah 0.25, 0.5, 0.75 dan 1.

Rata-rata keakuratan dega algoritma PNN untuk data family history 1 dan 0 masing-masing sebesar 87.68% dan 42.38%, sedangkan untuk pengelompokan umur, selang dewasa (18-40) menghasilkan ketepatan tertinggi, maka algoritma PNN seperti yang digunakan dalam penelitian ini dapat menjadi salah satu alternatif untuk indentifikasi penyakit erythemato-squamous pada data kelompok family history 1 dan selang dewasa.

(6)

RIWAYAT HIDUP

Penulis dilahirkan di Bogor pada tanggal 16 Desember 1981 dari ayah Tjipto Sunarjo dan ibu Sri Saptaningsih. Penulis adalah putra pertama dari empat bersaudara.

Penulis memulai pendidikan formal pada tahun 1986 di TK Seruni dan lulus pada tahun 1988, kemudian melanjutkan pendidikan di SDS Kartika Sari Jakarta Selatan dan lulus pada tahun 1994. Setelah itu penulis melanjutkan pendidikan di SLTPN 98 Jakarta, lulus pada tahun 1997. Pendidikan menengah atas ditempuh penulis di SMUN 38 Jakarta dan lulus pada tahun 2000. Pada tahun yang sama penulis diterima di Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru.

(7)

DAFTAR ISI

Halaman

DAFTAR TABEL ...viii

DAFTAR LAMPIRAN...viii

PENDAHULUAN Latar Belakang... 1

Tujuan Penelitian...1

Ruang Lingkup... 1

Manfaat Penelitian...1

TINJAUAN PUSTAKA Probabilistic Neural Network (PNN)... 1

Validasi Silang...2

METODE PENELITIAN Data...3

Validasi Silang...4

Pelatihan dan Pengujian Sistem...4

Spesifikasi Perangkat Lunak dan Perangkat Keras... 5

HASIL DAN PEMBAHASAN Perbandingan Ketepatan kelompok data antara family history nilai 1 berdasarkan umur... 5

Perbandingan Ketepatan kelompok data antara family history nilai 0 berdasarkan umur... 6

Perbandingan Ketepatan kelompok data antara family history nilai 1 dengan nilai 0...6

KESIMPULAN DAN SARAN Kesimpulan...6

Saran... 6

(8)

DAFTAR TABEL

Halaman

1 Contoh Data Pengelompokan berdasarkan family history nilai 1 ... 3

2 Contoh Data Pengelompokan berdasarkan family history nilai 0 ...3

3 Pengelompokan data family history nilai 1 dengan umur anak...3

4 Pengelompokan data family history nilai 1 dengan umur dewasa... 3

5 Pengelompokan data family history nilai 1 dengan umur tua... 3

6 Pengelompokan data family history nilai 0 dengan umur anak...3

7 Pengelompokan data family history nilai 0 dengan umur dewasa... 3

8 Pengelompokan data family history nilai 0 dengan umur tua... 4

9 18 Kelompok data ... 4

10 Pasangan data pelatihan, data pengujian, dan smoothing parameter ... 4

DAFTAR LAMPIRAN

Halaman 1 Data yang digunakan dalam penelitian... 9

2 Daftar atribut pemeriksaan klinis... 10

3 Daftar atribut pemeriksaan histopatologis...10

4 Data hasil pengelompokan parent history...11

5 Pengelompokan berdasarkan umur... 13

6 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 1...17

7 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 0...17

(9)

PENDAHULUAN

Latar Belakang

Diagnosa untuk membedakan penyakit-penyakit erythemato-squamous merupakan masalah dalam ilmu tentang kesehatan kulit (dermatologi). Penyakit-penyakit yang termasuk ke dalam kelompok tersebut adalah

psoriasis, seboreic dermatitis, lichen planus, pityriasis rosea, cronic dermatitis dan

pityriasis rubra pilaris. Pada pengamatan awal, penyakit tersebut memiliki ciri-ciri klinis erythema dan scaling dengan perbedaan yang sangat kecil (Merz dan Murphy 1996, diacu dalam Kustiyo 2004).

Dalam dunia kedokteran, langkah-langkah yang dilakukan untuk menentukan jenis penyakit tersebut terdiri atas dua tahap yaitu pemeriksaan secara klinis dan histopatologis. Nilai yang diberikan untuk hasil pemeriksaan histopatologis ditentukan melalui analisis terhadap sampel yang diamati menggunakan mikroskop. Kesulitan yang timbul pada evaluasi tersebut adalah satu penyakit dapat menunjukkan ciri-ciri histopatologis penyakit lain pada tahap permulaan dan baru menunjukkan karakteristik yang sebenarnya pada tahap berikutnya (Merz dan Murphy 1996, diacu dalam Kustiyo 2004).

Beberapa penelitian telah dilakukan untuk memprediksi jenis penyakit tersebut, antara lain menggunakan algoritma nearest neighbor classifier, naïve bayesian classifier, voting feature intervals-5, algoritma genetika, dan jaringan syaraf tiruan (JST) dengan algoritma propagasi balik.

Penelitian yang menggunakan JST dilakukan oleh Lay (1999) dengan menggunakan algoritma propagasi balik dan algoritma apriori, yang menghasilkan ketepatan prediksi sebesar 68.00%. Algoritma propagasi balik digunakan Kustiyo (2004) dengan inisialisasi pembobot awal menggunakan regresi logistik biner yang menghasilkan ketepatan prediksi sebesar 94.40%, serta menggunakan inisialisasi pembobot acak yang menghasilkan ketepatan prediksi sebesar 76.02% sedangkan pada Fajriyati (2005) dilakukan penelitian menggunakan JST propagasi balik dengan insialisasi bobot awal acak dan Nguyen-Widrow, dengan ketepatan masing-masing 96.65 % dan 94.42 %

Ketepatan prediksi menggunakan model JST tersebut masih lebih rendah dibandingkan

dengan ketepatan prediksi menggunakan algoritma lainnya yang mencapai 99.20%, yaitu menggunakan voting feature interval-5 (Güvenir et al 1998).

Semua penelitian yang telah dilakukan belum mencakup pembedaan faktor family history dan selang umur (anak, dewasa, dan tua). Oleh karena itu pada penelitian ini akan digunakan algoritma Probilistic Neural Network (PNN) untuk menganalisis data.

Tujuan Penelitian

Tujuan dari penelitian ini ialah menganalisa ketepatan hasil pengklasifikasian penyakit erythemato-squamous menggunakan PNN yang dikelompokan berdasarkan family history dan umur.

Ruang Lingkup

Penelitian ini menggunakan data asli dari hasil diagnosa terhadap pasien. Teknik pembelajaran yang digunakan adalah teknik PNN. Nilai smoothing parameter (h) yang digunakan yaitu 0.25, 0.5, 0.75 dan 1. Selang umur yang digunakan yaitu anak (0 sampai 17), dewasa (18 sampai 40) dan tua (41 sampai 75).

Manfaat Penelitian

Manfaat dari penelitian ini ialah sistem dapat mengetahui ketepatan hasil diagnosa pasien.

TINJAUAN PUSTAKA

Probabilistic Neural Network (PNN)

Probabilistic Neural Network (PNN) diperkenalkan oleh Donal F. Spect tahun 1990 dalam tulisannya berjudul “Probabilistic Neural Network” yang merupakan penyempurnaan ide-ide sebelumnya yang telah dilakukannya sejak 1966 (Fausett 1994).

Probabilistic Neural Network dirancang menggunakan ide dari teori probabilitas klasik

yaitu Bayesian dan estimator

pengklasifikasian Parzen untuk Probability Density Function. Dengan menggunakan pengklasifikasian Bayesian dapat ditentukan bagaimana sebuah data masukkan diklasifikasi sebagai anggota suatu kelas dari beberapa kelas yang ada, yaitu yang mempunyai nilai maksimum pada kelas tersebut (Fausett 1994).

Struktur PNN terdiri dari empat layer yaitu

(10)

Gambar 1 Struktur Probabilistic Neural Network (Ganchev 2005).

Sistem menerima sebuah masukkan vektor tes x dari input layer. Keluaran dari pattern layer dapat dihitung melalui persamaan sebagai berikut:

( )













−

=

∏

= j ij j d j

h

x

k

x

f

1 , dengan

d :dimensi vektor

k(x) : ₂

2 z

e

−

xj :vektor input kolom ke-j

xij :vektor bobot baris ke-i kolom ke-j

hj :2.24 x (standar deviasi ke-j) x n-1/5

(Silverman 1985)

Summation layer dihitung melalui persamaan:

( ) ( )

∑ ∏

= =

























−

=

n i d j j ij j d d

h

x

k

n

h

x

p

1 1 2 1 2

...

2

1

π

dengan n adalah banyaknya observasi. Suatu vektor tes x diklasifikasikan pada decision

layer sebagai kelas Y jika nilai PY(x) paling

besar untuk kelas Y.

Validasi Silang

Sebelum digunakan, suatu sistem berbasis komputer harus dievaluasi dalam beberapa aspek. Validasi kinerja merupakan aspek yang paling penting. Validasi bertujuan menentukan kinerja sistem yang dapat diterima dalam hal akurasi dan efisiensi atau tidak (Fu 1994).

Sejumlah teknik telah dikembangkan untuk validasi sistem cerdas. Salah satu teknik yang dikembangkan ialah cross validation. Cross validation (validasi silang) merupakan salah satu teknik pendugaan error rate. Beberapa teknik lain ialah holdout, leave one out dan boostrapping (Weiss dan Kapouleas 1989, diacu dalam Fu 1994). K-fold cross validation melakukan pengulangan sebanyak k kali untuk sample yang dibagi secara acak ke dalam k himpunan bagian yang terpisah. Setiap pengulangan terdapat satu bagian untuk proses testing dan sisanya (k-1

bagian) sebagai data training sehingga terdapat sebanyak k pengulangan.

Teknik validasi silang digunakan karena teknik ini sesuai diterapkan untuk data yang berukuran kecil maupun besar. Teknik leave one out dan bootstrapping sesuai digunakan pada data berukuran kecil sedangkan teknik

holdout sesuai untuk data berukuran besar (Fu 1994).

Dalam dunia kedokteran, seringkali tersedia sedikit data untuk melakukan pelatihan terhadap model. Kasus baru untuk melakukan pengujian data jarang ditemukan. Karena alasan tersebut, prosedur validasi dengan teknik resampling biasanya digunakan. Pada teknik tersebut digunakan sebagian data untuk pelatihan dan sisanya untuk validasi (Kustiyo 2004).

METODE PENELITIAN

Data

Data yang digunakan dalam penelitian ini berasal dari hasil pemeriksaan terhadap 366 pasien penderita penyakit erythemato-squamous (Merz dan Murphy 1996, diacu dalam Fajriyati 2005). Namun, dari 366 data tersebut, terdapat 8 pasien yang tidak tercatat umurnya sehingga data yang digunakan hanya data yang lengkap, yaitu sebanyak 358. Data lengkap dapat dilihat pada Lampiran 1.

(11)

Data tersebut berasal dari pemeriksaan klinis dan histopatologis. Pemeriksaan klinis meliputi dua belas ciri-ciri klinis, antara lain umur, erythema dan scaling sedangkan pada pemeriksaan histopatologis terdapat 22 ciri, antara lain melanin incontinence, hyperkeratosis dan spongiosis. Daftar atribut pemeriksaan klinis dan histopatologis masing-masing dapat dilihat pada Lampiran 2 dan Lampiran 3.

Secara keseluruhan terdapat 34 ciri klinis dan histopatologis yang digunakan untuk menentukan jenis penyakit erythemato-squamous. Setiap ciri baik klinis maupun histopatologis diberi nilai antara 0 sampai 3 kecuali ciri family history dan umur. Nilai 0 menunjukkan tidak terdapat ciri tersebut, nilai 3 menunjukkan kemungkinan terbesar adanya ciri, sedangkan nilai 1 dan 2 menunjukkan nilai pertengahan. Family history memiliki nilai 1 jika terdapat riwayat jenis penyakit tersebut pada keluarga pasien yang didiagnosis dan nilai 0 jika tidak ditemukan.

Age menunjukkan umur pasien.

Langkah pertama yang akan dilakukan untuk mempersiapkan data adalah pengelompokan berdasarkan family history

seperti telihat dalam Tabel 1 dan 2. Data lengkap hasil pengelompokan berdasarkan

family history dapat dilihat pada Lampiran 4.

Tabel 1 Contoh Data Pengelompokan

berdasarkan family history

nilai 1

X1 X2 X3 ... X1

1 ... X3

4 Kelas

3 3 3 ... 1 ... 8 1

3 3 2 ... 1 ... 20 1

2 3 3 ... 1 ... 10 1

... ... ... ... ... ... .. ...

2 2 2 ... 1 ... 9 1

2 2 2 ... 1 ... 75 1

Tabel 2 Contoh Data Pengelompokan

berdasarkan family history

nilai 0

X1 X2 X3 ... X1

1 ... X3

4 Kelas

2 2 0 ... 0 ... 55 2

2 1 2 ... 0 ... 26 3

2 2 2 ... 0 ... 40 1

... ... ... ... ... ... .. ...

2 1 2 ... 0 ... 50 3

3 2 2 ... 0 ... 35 1

Langkah kedua adalah pengelompokan berdasarkan umur sehingga data akan menjadi 6 kelompok seperti yang terdapat pada Tabel 3, 4, 5, 6, 7, dan 8.

Tabel 3 Pengelompokan data family history

nilai 1 dengan umur anak

X1 X2 X3 ... X1

1 ... X3

4 Kelas

1 1 2 ... 1 ... 7 6

2 2 1 ... 1 ... 7 6

2 2 2 ... 1 ... 7 6

... ... ... ... ... ... .. ...

2 2 1 ... 1 ... 13 6

3 2 2 ... 1 ... 16 2

nilai 1 dengan umur dewasa

X1 X2 X3 ... X1

1 ... X3

4 Kelas

2 2 2 ... 1 ... 18 1

3 2 2 ... 1 ... 19 1

3 3 2 ... 1 ... 20 1

... ... ... ... ... ... .. ...

1 1 2 ... 1 ... 39 1

2 3 0 ... 1 ... 40 1

nilai 1 dengan umur tua

X1 X2 X3 ... X1

1 ... X3

4 Kelas

3 3 2 ... 1 ... 42 1

3 3 3 ... 1 ... 42 1

3 3 2 ... 1 ... 42 1

... ... ... ... ... ... .. ...

2 3 3 ... 1 ... 62 1

2 2 2 ... 1 ... 75 1

nilai 0 dengan umur anak

X1 X2 X3 ... X1

1 ... X3

4 Kelas

1 1 1 ... 1 ... 0 1

2 2 1 ... 1 ... 7 6

2 2 2 ... 1 ... 8 6

... ... ... ... ... ... .. ...

1 1 0 ... 1 ... 17 5

(12)

nilai 0 dengan umur dewasa

X1 X2 X3 ... X1

1 ... X3

4 Kelas

2 1 0 ... 1 ... 18 5

2 1 0 ... 1 ... 18 4

2 2 2 ... 1 ... 18 3

... ... ... ... ... ... .. ...

2 2 2 ... 1 ... 40 4

2 2 0 ... 1 ... 40 2

nilai 0 dengan umur tua

X1 X2 X3 ... X1

1 ... X3

4 Kelas

2 3 2 ... 1 ... 41 2

2 2 1 ... 1 ... 41 1

2 2 2 ... 1 ... 41 1

... ... ... ... ... ... .. ...

2 2 2 ... 1 ... 70 2

2 1 0 ... 1 ... 70 5

Validasi Silang

Teknik validasi silang yang digunakan dalam penelitian ini ialah 3-fold cross validation. Teknik ini membagi data menjadi tiga sub sample terpisah. Dua sub sample akan digunakan sebagai data pelatihan dan satu sub sample akan digunakan sebagai data pengujian sehingga akan terdapat tiga pasang data pelatihan-pengujian. Langkah-langkah yang dilakukan dalam membagi data menjadi tiga sub sample yaitu:

1

setiap data hasil pengelompokan family history dan pengelompokan umur dipecah menjadi 3.

2 data test dan data sample dibuat untuk menghasilkan 18 buah kelompok data baru

Data baru sebanyak 18 kelompok hasil dari validasi silang dapat dilihat dalam Tabel 9.

Tabel 9 18 Kelompok data

X11 X34 D1 D2 D3

1

Anak

(0-17) K-1 K-2 K-3

Dewasa

(18-40) K-4 K-5 K-6

Tua

(40-75) K-7 K-8 K-9

0

Anak

(0-17) K-10 K-11 K-12

Dewasa

(18-40) K-13 K-14 K-15

Tua

(40-75) K-16 K-17 K-18

Pelatihan dan Pengujian Sistem

Hasil dari proses persiapan data dengan validasi silang dijadikan pasangan data pelatihan, data pengujian dan smoothing parameter (h) seperti yang terlihat dalam Tabel 10.

Tabel 10 Pasangan data pelatihan, data pengujian, dan smoothing parameter

Percobaan Pelatihan Pengujian h

1 K2 dan K3 K1 0.25

2 K2 dan K3 K1 0.5

3 K2 dan K3 K1 0.75

4 K2 dan K3 K1 1

5 K1 dan K3 K2 0.25

6 K1 dan K3 K2 0.5

7 K1 dan K3 K2 0.75

8 K1 dan K3 K2 1

9 K1 dan K2 K3 0.25

10 K1 dan K2 K3 0.5

11 K1 dan K2 K3 0.75

12 K1 dan K2 K3 1

13 K5 dan K6 K4 0.25

14 K5 dan K6 K4 0.5

15 K5 dan K6 K4 0.75

16 K5 dan K6 K4 1

17 K4 dan K6 K5 0.25

18 K4 dan K6 K5 0.5

19 K4 dan K6 K5 0.75

20 K4 dan K6 K5 1

21 K4 dan K5 K6 0.25

22 K4 dan K5 K6 0.5

23 K4 dan K5 K6 0.75

24 K4 dan K5 K6 1

25 K8 dan K9 K7 0.25

26 K8 dan K9 K7 0.5

27 K8 dan K9 K7 0.75

28 K8 dan K9 K7 1

29 K7 dan K9 K8 0.25

30 K7 dan K9 K8 0.5

31 K7 dan K9 K8 0.75

32 K7 dan K9 K8 1

33 K7 dan K8 K9 0.25

34 K7 dan K8 K9 0.5

35 K7 dan K8 K9 0.75

36 K7 dan K8 K9 1

37 K11 dan K12 K10 0.25

(13)

38 K11 dan K12 K10 0.5

39 K11 dan K12 K10 0.75

40 K11 dan K12 K10 1

41 K10 dan K12 K11 0.25

42 K10 dan K12 K11 0.5

43 K10 dan K12 K11 0.75

44 K10 dan K12 K11 1

45 K10 dan K11 K12 0.25

46 K10 dan K11 K12 0.5

47 K10 dan K11 K12 0.75

48 K10 dan K11 K12 1

49 K12 dan K14 K13 0.25

50 K12 dan K14 k13 0.5

51 K12 dan K14 K13 0.75

52 K12 dan K14 K13 1

Percobaan Pelatihan Pengujian h

53 K13 dan K15 K14 0.25

54 K13 dan K15 K14 0.5

55 K13 dan K15 K14 0.75

56 K13 dan K15 K14 1

57 K13 dan K14 K15 0.25

58 K13 dan K14 K15 0.5

59 K13 dan K14 K15 0.75

60 K13 dan K14 K15 1

61 K17 dan K18 K16 0.25

62 K17 dan K18 K16 0.5

63 K17 dan K18 K16 0.75

64 K17 dan K18 K16 1

65 K16 dan K18 K17 0.25

66 K16 dan K18 K17 0.5

67 K16 dan K18 K17 0.75

68 K16 dan K18 K17 1

69 K16 dan K17 K18 0.25

70 K16 dan K17 K18 0.5

71 K16 dan K17 K18 0.75

72 K16 dan K17 K18 1

Ketepatan model diukur dari ketepatan model dalam memprediksi. Ketepatan model dengan metode validasi silang ialah jumlah klasifikasi yang tepat dibagi dengan banyaknya contoh pada himpunan data tersebut (Arana et al. 1999). Persamaan untuk menghitung ketepatan model dengan mencari jumlah prediksi yang tepat ialah :

Ketepatan=

100

%

'

x

n

Y

_i

−

_i

dengan:

Yi : klasifikasi sebenarnya

Yi’ : hasil prediksi klasifikasi model n : jumlah data yang diklasifikasi

Arsitektur PNN yang digunakan terdiri atas input layer, 6 kelas pada pattern layer, 6

neuronpada summation layer dan berakhir di

sebuah neuron pada decision layer. Arsitektur PNN tersebut dapat dilihat pada Gambar 3

Gambar 3 Arsitektur PNN.

Spesifikasi Perangkat Lunak dan Perangkat Keras

Sistem yang digunakan untuk implementasi adalah perangkat lunak Matlab 6.5. Pemilihan perangkat lunak ini dilakukan dengan mempertimbangkan kemudahan dalam pengolahan matriks. Perangkat lunak untuk mengolah data digunakan Microsoft Excel 2003 sedangkan sistem operasi yang digunakan ialah Microsoft Windows XP Professional.

Perangkat keras yang digunakan dalam penelitian ini ialah sebuah komputer dengan

processor AMD Athlon XP 1700+, RAM DDR 768 MB, dan harddisk dengan kapasitas 240 GB.

HASIL DAN PEMBAHASAN

Perbandingan Ketepatan kelompok data antara family history nilai 1 berdasarkan umur

(14)

100%, 84.72%, dan 78.33%. Nilai tersebut dapat dilihat pada Lampiran 5.

Perbandingan Ketepatan kelompok data antara family history nilai 0 berdasarkan umur

Nilai ketepatan rata-rata umur dewasa memiliki ketepatan tertinggi, kemudian diikuti oleh umur anak dan tua, masing-masing 58.09%, 16.67%, dan 12.50 %. Nilai tersebut dapat dilihat pada Lampiran 6.

Perbandingan Ketepatan kelompok data antara family history nilai 1 dengan nilai 0

Setelah seluruh percobaan dilaksanakan, terlihat bahwa nilai rata-rata ketepatan kelompok data dengan family history nilai 1 memiliki ketepatan jauh lebih besar dari pada kelompok data dengan family history 0. Data tersebut dapat dilihat pada Lampiran 7.

KESIMPULAN DAN SARAN

Kesimpulan

Kesimpulan dari penelitian ini adalah:

1

pada kelompok data dengan family history nilai 1 memiliki rata-rata ketepatan jauh lebih besar dengan kelompok data dengan family history

nilai 0,

2

penelitian ini menghasilkan rata-rata ketepatan yang lebih besar dari data kelompok umur dewasa baik dengan

familiy history bernilai 1 ataupun 0,

3

berdasarkan algoritma PNN, rata-rata ketepatan kelompok data family history

nilai 1 yang dihasilkan pada penelitian ini mencapai 87.68% sehingga algoritma PNN dapat dijadikan salah satu alternatif untuk identifikasi penyakit erythemato-squamous.

4

berdasarkan algoritma PNN, rata-rata ketepatan kelompok data family history

nilai 0 yang dihasilkan pada penelitian ini mencapai 42.38% sehingga algoritma PNN tidak dapat dijadikan salah satu alternatif untuk identifikasi penyakit

erythemato-squamous.

Saran

Penulis mengharapkan agar penelitian ini dapat dikembangkan lagi pada penelitian-penelitian selanjutnya. Misalnya, dengan

praproses pengelompokkan variabel umur menggunakan algoritma clustering tertentu.

Pemilihan faktor pemulus yang optimal juga sangat disarankan, misalnya menggunakan algoritma genetika sehingga dapat dihasilkan ketepatan prediksi yang lebih tinggi.

DAFTAR PUSTAKA

Arana E, Delicado P, Bonmati ML. 1999. “Validation procedures in radiological diagnostic models. Neural networks and

logistik regression”.

http://www.econ.upf.es/deehome/what/wp

apers/postscripts/414.pdf [16 November

2006].

Fajriati M. 2005. Model Jaringan Syaraf Tiruan dengan Inisialisasi Pembobot Awal Nguyen-Widrow dan Acak untuk Prediksi Penyakit Erythemato-Squamous [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Fu LM. 1994. Neural Networks in Computer Intelligence. Singapore: Mc Graw-Hill.

Ganchev, TD. 2005. Speaker Recognition

[Tesis]. Greece: Wire Communication Laboratory, Department of Computer and Electrical Engineering, University of Patras.

http://wcl.ee.upatras.gr/ai/papers/Ganchev

_PhDThesis.pdf [16 November 2006].

Güvenir HA, Demiröz G, İlter N. 1998. Learning differential diagnosis of erythemato-squamous diseases using voting feature intervals. Artificial Intelligence in Medicine 13: 147-165. [3 Agustus 2005].

Kustiyo A. 2004. Model Neural Network

dengan Inisialisasi Pembobot Awal Menggunakan Regresi Logistik Biner untuk Memprediksi Jenis Penyakit

Erythemato-squamous [Tesis]. Surabaya: Fakultas Teknologi Informasi, Institut Teknologi Sepuluh November.

Lay B, Khalid M, Yusof R. 1999. Intelligent Database by Neural Network and Data Mining.

http://www.cairo.utm.my/4_cairo_publicat ions.htm

[16 November 2006].

Merz C, Murphy M. 1996. UCI repository of machine learning databases. University of California, Irvine, Department of Information and Computer Science.

(15)

http://www.ics.uci.edu/pub/machine-learning-databases [16 November 2006].

Silverman, B W. 1985. Density Estimation for Statistics and Data Analysis. New York : Chapman and Hall.

Silverman, B.W. 1990. Density Estimation for Statistics and Data Analysis. New York : Chapman and Hall.

(16)

(17)

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

(18)

Lampiran 2 Daftar atribut pemeriksaan klinis

Variabel Ciri yang diamati Nilai

X1 erythema 0, 1, 2, 3

X2 Scaling 0, 1, 2, 3

X3 definite borders 0, 1, 2, 3

X4 Itching 0, 1, 2, 3

X5 Koebner phenomenon 0, 1, 2, 3

X6 polygonal papules 0, 1, 2, 3

X7 follicular papules 0, 1, 2, 3

X8 oral mucosal involvement 0, 1, 2, 3

X9 knee and elbow involvement 0, 1, 2, 3

X10 scalp involvement 0, 1, 2, 3

X11 family history 0 atau 1

X34 Age 0 sampai 100

Lampiran 3 Daftar atribut pemeriksaan histopatologis

Variabel Ciri yang diamati Nilai

X12 melanin incontinence 0, 1, 2, 3

X13 eosinophils in the infiltrate 0, 1, 2, 3

X14 PNL infiltrate 0, 1, 2, 3

X15 fibrosis of the papillary dermis 0, 1, 2, 3

X16 exocytosis 0, 1, 2, 3

X17 acanthosis 0, 1, 2, 3

X18 hyperkeratosis 0, 1, 2, 3

X19 parakeratosis 0, 1, 2, 3

X20 clubbing of the rete ridges 0, 1, 2, 3 X21 elongation of the rete ridges 0, 1, 2, 3 X22 thinning of the suprapapillary epidermis 0, 1, 2, 3

X23 spongiform pustule 0, 1, 2, 3

X24 munro microabcess 0, 1, 2, 3

X25 focal hypergranulosis 0, 1, 2, 3

X26 disappearance of the granular layer 0, 1, 2, 3 X27 vacuolisation and damage of basal layer 0, 1, 2, 3

X28 spongiosis 0, 1, 2, 3

X29 saw-tooth appearance of retes 0, 1, 2, 3

X30 follicular horn plug 0, 1, 2, 3

X31 perifollicular parakeratosis 0, 1, 2, 3 X32 inflammatory monoluclear inflitrate 0, 1, 2, 3

(19)

Data dengan parent history nilai 1

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

X 34 kel 1 1 1 2 0 0 0 3 0 3 0 1 0 0 0 0 2 1 1 1 1 0 0 0 0 0 0 0 0 0 2 2 2 0 7 6 2 2 2 1 0 0 0 3 0 2 0 1 0 0 0 0 2 2 1 2 0 0 0 0 0 0 0 0 2 0 3 3 2 0 7 6 3 2 2 2 1 0 0 2 0 2 2 1 0 0 0 0 1 2 0 2 0 0 0 0 0 0 0 0 2 0 2 2 2 0 7 6

4 3 3 3 2 1 0 0 0 1 1 1 0 0 1 0 1 2 0 2 2 2 2 2 1 0 0 0 0 0 0 0 1 0 8 1

5 2 2 1 1 0 0 1 0 1 1 1 0 0 0 0 1 2 1 1 1 1 0 0 0 0 0 0 1 0 1 1 1 0 8 6 6 2 2 2 0 0 0 1 0 1 0 1 0 0 0 0 2 2 1 0 0 0 0 0 0 0 0 0 1 0 3 2 2 0 9 6 7 2 2 2 3 2 0 0 0 2 3 1 0 0 1 0 0 2 2 2 2 2 2 0 2 0 3 0 0 0 0 0 2 0 9 1 8 2 3 3 0 0 0 0 0 1 1 1 0 0 1 0 0 2 1 2 1 2 3 0 2 0 0 0 0 0 0 0 2 0 10 1 9 2 2 0 0 0 0 2 0 1 1 1 0 0 0 0 2 2 0 1 0 0 0 0 0 0 0 0 1 0 1 2 1 0 10 6 10 2 2 1 1 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 1 2 2 0 10 6 … … … .. … … … …

35 3 2 2 0 0 0 0 0 0 1 1 0 0 0 0 0 3 0 2 2 3 2 0 1 0 2 0 0 0 0 0 2 0 50 1

36 2 2 1 1 0 0 0 0 0 2 1 0 0 0 0 2 2 2 2 1 2 2 0 0 0 2 0 0 0 0 0 2 0 52 1 37 3 2 2 3 1 0 0 0 1 1 1 0 0 2 0 0 2 0 2 2 3 2 1 1 0 0 0 0 0 0 0 1 0 55 1 38 3 2 0 2 0 0 0 0 0 0 1 0 0 2 0 2 2 0 0 0 0 0 0 0 0 0 0 3 0 0 0 3 0 55 2 39 3 2 2 0 0 0 0 0 2 2 1 0 0 2 0 0 3 2 1 2 2 2 1 1 0 0 0 0 0 0 0 2 0 55 1 40 2 2 3 1 0 0 0 0 3 2 1 0 0 0 0 1 2 0 3 3 3 2 1 1 0 2 0 0 0 0 0 3 0 57 1 41 2 2 2 1 1 0 0 0 2 0 1 0 0 2 0 1 2 1 2 2 2 2 1 1 0 1 0 0 0 0 0 2 0 60 1 42 1 2 2 1 1 0 0 0 2 2 1 0 0 1 0 0 2 0 2 3 3 3 2 1 0 2 0 0 0 0 0 2 0 62 1

43 2 3 3 0 0 0 0 0 1 0 1 0 0 1 0 0 2 2 2 2 2 2 2 2 0 1 0 0 0 0 0 2 0 62 1

(20)

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

X 34 kel 1 1 1 1 1 1 0 0 0 2 2 0 0 0 2 0 0 2 1 1 2 2 1 0 2 0 0 0 0 0 0 0 0 2 0 1 2 2 2 1 0 0 0 2 0 2 0 0 0 0 0 0 3 2 0 1 0 0 0 0 0 0 0 0 3 0 2 2 2 0 7 6 3 2 1 1 2 0 0 3 0 1 2 0 0 0 1 0 0 1 2 2 0 1 0 1 0 0 0 0 0 0 1 2 1 0 8 6

4 2 2 2 0 0 0 2 0 2 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0 2 2 2 0 8 6

5 3 2 0 0 0 0 2 0 2 2 0 0 0 0 0 2 1 0 2 0 0 0 0 0 0 0 0 1 0 2 3 3 0 8 6 6 2 2 1 1 0 0 2 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 1 2 2 0 8 6 7 2 1 0 2 0 0 0 0 0 0 0 0 0 0 3 1 2 1 0 0 2 0 0 0 0 0 0 0 0 0 0 1 0 8 5 8 1 1 0 1 0 0 3 0 1 0 0 0 0 1 0 0 1 1 1 0 0 0 0 0 1 0 0 1 0 2 2 1 0 10 6 9 3 2 0 2 0 0 0 0 0 0 0 0 1 2 0 2 1 1 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 10 2 10 3 2 2 1 0 0 0 0 0 0 0 0 0 1 0 2 1 0 2 0 0 0 0 0 0 0 0 2 0 0 0 2 0 10 2 … … … .. … … … …

110 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2

111 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 112 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 113 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 114 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 115 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 116 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 117 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2

118 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2

(21)

Data Pengelompokan family history nilai 1 dan umur anai (0-17) No X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X 15 X 16 X 17 X 18 X 19 X 20 X 21 X 22 X 23 X 24 X 25 X 26 X 27 X 28 X 29 X 30 X 31 X 32 X 33 X 34 kel 1 1 1 2 0 0 0 3 0 3 0 1 0 0 0 0 2 1 1 1 1 0 0 0 0 0 0 0 0 0 2 2 2 0 7 6 2 2 2 1 0 0 0 3 0 2 0 1 0 0 0 0 2 2 1 2 0 0 0 0 0 0 0 0 2 0 3 3 2 0 7 6 3 2 2 2 1 0 0 2 0 2 2 1 0 0 0 0 1 2 0 2 0 0 0 0 0 0 0 0 2 0 2 2 2 0 7 6

4 3 3 3 2 1 0 0 0 1 1 1 0 0 1 0 1 2 0 2 2 2 2 2 1 0 0 0 0 0 0 0 1 0 8 1

5 2 2 1 1 0 0 1 0 1 1 1 0 0 0 0 1 2 1 1 1 1 0 0 0 0 0 0 1 0 1 1 1 0 8 6 6 2 2 2 0 0 0 1 0 1 0 1 0 0 0 0 2 2 1 0 0 0 0 0 0 0 0 0 1 0 3 2 2 0 9 6 7 2 2 2 3 2 0 0 0 2 3 1 0 0 1 0 0 2 2 2 2 2 2 0 2 0 3 0 0 0 0 0 2 0 9 1 8 2 3 3 0 0 0 0 0 1 1 1 0 0 1 0 0 2 1 2 1 2 3 0 2 0 0 0 0 0 0 0 2 0 10 1 9 2 2 0 0 0 0 2 0 1 1 1 0 0 0 0 2 2 0 1 0 0 0 0 0 0 0 0 1 0 1 2 1 0 10 6 10 2 2 1 1 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 1 2 2 0 10 6 11 3 2 2 0 0 0 3 0 1 0 1 0 0 0 0 1 3 1 1 0 0 0 0 0 0 0 0 2 0 3 2 2 0 10 6

12 3 2 0 1 0 0 2 0 1 0 1 0 0 0 0 1 2 1 2 0 0 0 0 0 0 0 0 3 0 1 2 2 0 12 6

13 2 2 1 0 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 13 6 14 3 2 2 1 0 0 0 0 1 0 1 0 0 1 0 3 2 0 1 0 0 0 0 0 0 0 0 3 0 0 0 3 0 16 2

Data Pengelompokan family history nilai 1 dan umur anai (18-40)

No X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X 15 X 16 X 17 X 18 X 19 X 20 X 21 X 22 X 23 X 24 X 25 X 26 X 27 X 28 X 29 X 30 X 31 X 32 X 33 X 34 kel 1 2 2 2 0 0 0 0 0 2 2 1 0 0 2 0 0 2 0 3 3 2 2 2 1 0 2 0 0 0 0 0 2 0 18 1 2 3 2 2 0 0 0 0 0 0 1 1 0 0 2 0 0 2 0 1 1 2 2 1 0 0 2 0 0 0 0 0 2 0 19 1

3 3 3 2 1 1 0 0 0 2 2 1 0 0 0 0 0 3 2 3 2 2 2 1 1 0 0 0 0 0 0 0 1 0 20 1

(22)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 10 3 2 3 2 0 0 0 0 0 2 1 0 0 0 0 2 1 3 2 2 2 2 0 0 0 3 0 0 0 0 0 3 0 35 1 11 3 3 3 0 0 0 0 0 3 3 1 0 0 2 0 0 2 0 2 3 3 3 2 3 0 3 0 0 0 0 0 2 0 38 1 12 2 2 2 2 2 0 0 0 2 2 1 0 0 1 0 0 2 1 2 2 2 1 0 2 0 0 1 0 0 0 0 1 0 39 1 13 2 1 1 0 0 0 0 0 1 1 1 0 0 1 0 0 2 2 2 2 2 2 0 1 0 1 0 0 0 0 0 1 0 40 1

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

X 34 kel 1 3 3 2 1 1 0 0 0 2 2 1 0 0 0 0 0 3 2 3 2 2 2 1 1 0 0 0 0 0 0 0 1 0 42 1 2 3 3 3 3 3 0 0 0 3 3 1 0 0 1 0 0 2 1 2 2 2 2 2 2 0 1 0 0 0 0 0 2 0 42 1 3 3 3 2 0 0 0 0 0 2 2 1 0 0 1 0 0 2 2 3 2 2 1 0 2 0 0 0 0 0 0 0 1 0 46 1 4 2 2 2 1 0 0 0 0 0 1 1 0 0 1 0 2 1 2 2 2 1 2 0 0 0 1 0 0 0 0 0 2 0 47 1 5 3 1 1 1 1 0 0 0 0 1 1 0 0 0 0 0 1 0 2 2 2 3 0 3 0 0 0 0 0 0 0 2 0 48 1 6 3 2 1 3 0 0 0 0 0 0 1 0 1 2 0 3 2 0 1 0 1 0 0 0 0 0 0 3 0 0 0 1 0 50 2

7 2 2 2 2 0 0 0 0 2 2 1 0 0 1 0 0 3 0 3 2 2 2 0 2 0 2 0 0 0 0 0 2 0 50 1

8 3 2 2 0 0 0 0 0 0 1 1 0 0 0 0 0 3 0 2 2 3 2 0 1 0 2 0 0 0 0 0 2 0 50 1 9 2 2 1 1 0 0 0 0 0 2 1 0 0 0 0 2 2 2 2 1 2 2 0 0 0 2 0 0 0 0 0 2 0 52 1 10 3 2 2 3 1 0 0 0 1 1 1 0 0 2 0 0 2 0 2 2 3 2 1 1 0 0 0 0 0 0 0 1 0 55 1 11 3 2 0 2 0 0 0 0 0 0 1 0 0 2 0 2 2 0 0 0 0 0 0 0 0 0 0 3 0 0 0 3 0 55 2 12 3 2 2 0 0 0 0 0 2 2 1 0 0 2 0 0 3 2 1 2 2 2 1 1 0 0 0 0 0 0 0 2 0 55 1 13 2 2 3 1 0 0 0 0 3 2 1 0 0 0 0 1 2 0 3 3 3 2 1 1 0 2 0 0 0 0 0 3 0 57 1 14 2 2 2 1 1 0 0 0 2 0 1 0 0 2 0 1 2 1 2 2 2 2 1 1 0 1 0 0 0 0 0 2 0 60 1

15 1 2 2 1 1 0 0 0 2 2 1 0 0 1 0 0 2 0 2 3 3 3 2 1 0 2 0 0 0 0 0 2 0 62 1

16 2 3 3 0 0 0 0 0 1 0 1 0 0 1 0 0 2 2 2 2 2 2 2 2 0 1 0 0 0 0 0 2 0 62 1 17 2 2 2 2 2 0 0 0 3 0 1 0 0 0 0 0 2 2 2 2 3 3 0 2 0 3 0 0 0 0 0 0 0 75 1

(23)

No X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X 15 X 16 X 17 X 18 X 19 X 20 X 21 X 22 X 23 X 24 X 25 X 26 X 27 X 28 X 29 X 30 X 31 X 32 X 33 X 34 kel 1 1 1 2 0 0 0 3 0 3 0 1 0 0 0 0 2 1 1 1 1 0 0 0 0 0 0 0 0 0 2 2 2 0 7 6 2 2 2 1 0 0 0 3 0 2 0 1 0 0 0 0 2 2 1 2 0 0 0 0 0 0 0 0 2 0 3 3 2 0 7 6 3 2 2 2 1 0 0 2 0 2 2 1 0 0 0 0 1 2 0 2 0 0 0 0 0 0 0 0 2 0 2 2 2 0 7 6 4 3 3 3 2 1 0 0 0 1 1 1 0 0 1 0 1 2 0 2 2 2 2 2 1 0 0 0 0 0 0 0 1 0 8 1 5 2 2 1 1 0 0 1 0 1 1 1 0 0 0 0 1 2 1 1 1 1 0 0 0 0 0 0 1 0 1 1 1 0 8 6 6 2 2 2 0 0 0 1 0 1 0 1 0 0 0 0 2 2 1 0 0 0 0 0 0 0 0 0 1 0 3 2 2 0 9 6

7 2 2 2 3 2 0 0 0 2 3 1 0 0 1 0 0 2 2 2 2 2 2 0 2 0 3 0 0 0 0 0 2 0 9 1

8 2 3 3 0 0 0 0 0 1 1 1 0 0 1 0 0 2 1 2 1 2 3 0 2 0 0 0 0 0 0 0 2 0 10 1 9 2 2 0 0 0 0 2 0 1 1 1 0 0 0 0 2 2 0 1 0 0 0 0 0 0 0 0 1 0 1 2 1 0 10 6 10 2 2 1 1 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 1 2 2 0 10 6 11 3 2 2 0 0 0 3 0 1 0 1 0 0 0 0 1 3 1 1 0 0 0 0 0 0 0 0 2 0 3 2 2 0 10 6 12 3 2 0 1 0 0 2 0 1 0 1 0 0 0 0 1 2 1 2 0 0 0 0 0 0 0 0 3 0 1 2 2 0 12 6 13 2 2 1 0 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 13 6 14 3 2 2 1 0 0 0 0 1 0 1 0 0 1 0 3 2 0 1 0 0 0 0 0 0 0 0 3 0 0 0 3 0 16 2

No X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X 15 X 16 X 17 X 18 X 19 X 20 X 21 X 22 X 23 X 24 X 25 X 26 X 27 X 28 X 29 X 30 X 31 X 32 X 33 X 34 kel 1 2 2 2 0 0 0 0 0 2 2 1 0 0 2 0 0 2 0 3 3 2 2 2 1 0 2 0 0 0 0 0 2 0 18 1 2 3 2 2 0 0 0 0 0 0 1 1 0 0 2 0 0 2 0 1 1 2 2 1 0 0 2 0 0 0 0 0 2 0 19 1 3 3 3 2 1 1 0 0 0 2 2 1 0 0 0 0 0 3 2 3 2 2 2 1 1 0 0 0 0 0 0 0 1 0 20 1 4 2 2 2 3 0 0 0 0 2 2 1 0 0 1 0 0 2 1 2 3 3 3 0 1 0 2 0 0 0 0 0 1 0 25 1 5 2 3 2 1 0 0 0 0 1 2 1 0 0 1 0 2 1 0 1 2 2 1 1 0 0 0 0 0 0 0 0 2 0 27 1

6 2 3 2 0 1 0 0 0 3 2 1 0 0 1 0 0 3 0 2 2 3 3 0 0 0 2 0 0 0 0 0 2 0 27 1

(24)

9 3 2 2 0 0 0 0 0 3 3 1 0 0 3 0 0 3 0 2 3 2 3 2 0 0 3 0 0 0 0 0 2 0 35 1 10 3 2 3 2 0 0 0 0 0 2 1 0 0 0 0 2 1 3 2 2 2 2 0 0 0 3 0 0 0 0 0 3 0 35 1 11 3 3 3 0 0 0 0 0 3 3 1 0 0 2 0 0 2 0 2 3 3 3 2 3 0 3 0 0 0 0 0 2 0 38 1 12 2 2 2 2 2 0 0 0 2 2 1 0 0 1 0 0 2 1 2 2 2 1 0 2 0 0 1 0 0 0 0 1 0 39 1 13 2 1 1 0 0 0 0 0 1 1 1 0 0 1 0 0 2 2 2 2 2 2 0 1 0 1 0 0 0 0 0 1 0 40 1

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

X 34 kel 1 3 3 2 1 1 0 0 0 2 2 1 0 0 0 0 0 3 2 3 2 2 2 1 1 0 0 0 0 0 0 0 1 0 42 1

2 3 3 3 3 3 0 0 0 3 3 1 0 0 1 0 0 2 1 2 2 2 2 2 2 0 1 0 0 0 0 0 2 0 42 1

3 3 3 2 0 0 0 0 0 2 2 1 0 0 1 0 0 2 2 3 2 2 1 0 2 0 0 0 0 0 0 0 1 0 46 1 4 2 2 2 1 0 0 0 0 0 1 1 0 0 1 0 2 1 2 2 2 1 2 0 0 0 1 0 0 0 0 0 2 0 47 1 5 3 1 1 1 1 0 0 0 0 1 1 0 0 0 0 0 1 0 2 2 2 3 0 3 0 0 0 0 0 0 0 2 0 48 1 6 3 2 1 3 0 0 0 0 0 0 1 0 1 2 0 3 2 0 1 0 1 0 0 0 0 0 0 3 0 0 0 1 0 50 2 7 2 2 2 2 0 0 0 0 2 2 1 0 0 1 0 0 3 0 3 2 2 2 0 2 0 2 0 0 0 0 0 2 0 50 1 8 3 2 2 0 0 0 0 0 0 1 1 0 0 0 0 0 3 0 2 2 3 2 0 1 0 2 0 0 0 0 0 2 0 50 1 9 2 2 1 1 0 0 0 0 0 2 1 0 0 0 0 2 2 2 2 1 2 2 0 0 0 2 0 0 0 0 0 2 0 52 1

10 3 2 2 3 1 0 0 0 1 1 1 0 0 2 0 0 2 0 2 2 3 2 1 1 0 0 0 0 0 0 0 1 0 55 1

(25)

Lampiran 6 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 1

h

famility history nilai 1

Anak (0-17) Dewasa (18-40) Tua (41-70)

K1 K2 K3

rata-rata h K4 K5 K6

rata-rata h

0.25 100% 60% 75% 78.33% 100% 100% 100% 100% 100% 100% 50% 83.33%

0.5 100% 60% 75% 78.33% 100% 100% 100% 100% 83.33% 83.33% 83.33% 83.33%

0.75 100% 60% 75% 78.33% 100% 100% 100% 100% 83.33% 83.33% 83.33% 83.33%

1 100% 60% 75% 78.33% 100% 100% 100% 100% 83.33% 83.33% 100% 88.89%

78.33% 100% 84.72%

h

Anak (0-17) Dewasa (18-40) Tua (41-70)

K1 K2 K3

rata-rata

h K4 K5 K6

rata-rata

h

0.25 12.50% 25% 12.50% 16.67% 50% 19.64% 0% 23% 42.50% 50% 14.63% 12.50%

0.5 12.50% 25% 12.50% 16.67% 69.64% 83.93% 22.81% 59% 75% 80% 21.95% 12.50%

0.75 12.50% 25% 12.50% 16.67% 69.64% 83.93% 71.93% 75% 75% 80% 19.51% 12.50%

1 12.50% 25% 12.50% 16.67% 69.64% 83.93% 71.93% 75% 75% 80% 14.63% 12.50%

(26)

(27)

(28)

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

(29)

Lampiran 2 Daftar atribut pemeriksaan klinis

Variabel Ciri yang diamati Nilai

X1 erythema 0, 1, 2, 3

X2 Scaling 0, 1, 2, 3

X3 definite borders 0, 1, 2, 3

X4 Itching 0, 1, 2, 3

X5 Koebner phenomenon 0, 1, 2, 3

X6 polygonal papules 0, 1, 2, 3

X7 follicular papules 0, 1, 2, 3

X8 oral mucosal involvement 0, 1, 2, 3

X9 knee and elbow involvement 0, 1, 2, 3

X10 scalp involvement 0, 1, 2, 3

X11 family history 0 atau 1

X34 Age 0 sampai 100

Lampiran 3 Daftar atribut pemeriksaan histopatologis

Variabel Ciri yang diamati Nilai

X12 melanin incontinence 0, 1, 2, 3

X13 eosinophils in the infiltrate 0, 1, 2, 3

X14 PNL infiltrate 0, 1, 2, 3

X15 fibrosis of the papillary dermis 0, 1, 2, 3

X16 exocytosis 0, 1, 2, 3

X17 acanthosis 0, 1, 2, 3

X18 hyperkeratosis 0, 1, 2, 3

X19 parakeratosis 0, 1, 2, 3

X20 clubbing of the rete ridges 0, 1, 2, 3 X21 elongation of the rete ridges 0, 1, 2, 3 X22 thinning of the suprapapillary epidermis 0, 1, 2, 3

X23 spongiform pustule 0, 1, 2, 3

X24 munro microabcess 0, 1, 2, 3

X25 focal hypergranulosis 0, 1, 2, 3

X26 disappearance of the granular layer 0, 1, 2, 3 X27 vacuolisation and damage of basal layer 0, 1, 2, 3

X28 spongiosis 0, 1, 2, 3

X29 saw-tooth appearance of retes 0, 1, 2, 3

X30 follicular horn plug 0, 1, 2, 3

X31 perifollicular parakeratosis 0, 1, 2, 3 X32 inflammatory monoluclear inflitrate 0, 1, 2, 3

(30)

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

X 34 kel 1 1 1 2 0 0 0 3 0 3 0 1 0 0 0 0 2 1 1 1 1 0 0 0 0 0 0 0 0 0 2 2 2 0 7 6 2 2 2 1 0 0 0 3 0 2 0 1 0 0 0 0 2 2 1 2 0 0 0 0 0 0 0 0 2 0 3 3 2 0 7 6 3 2 2 2 1 0 0 2 0 2 2 1 0 0 0 0 1 2 0 2 0 0 0 0 0 0 0 0 2 0 2 2 2 0 7 6

4 3 3 3 2 1 0 0 0 1 1 1 0 0 1 0 1 2 0 2 2 2 2 2 1 0 0 0 0 0 0 0 1 0 8 1

5 2 2 1 1 0 0 1 0 1 1 1 0 0 0 0 1 2 1 1 1 1 0 0 0 0 0 0 1 0 1 1 1 0 8 6 6 2 2 2 0 0 0 1 0 1 0 1 0 0 0 0 2 2 1 0 0 0 0 0 0 0 0 0 1 0 3 2 2 0 9 6 7 2 2 2 3 2 0 0 0 2 3 1 0 0 1 0 0 2 2 2 2 2 2 0 2 0 3 0 0 0 0 0 2 0 9 1 8 2 3 3 0 0 0 0 0 1 1 1 0 0 1 0 0 2 1 2 1 2 3 0 2 0 0 0 0 0 0 0 2 0 10 1 9 2 2 0 0 0 0 2 0 1 1 1 0 0 0 0 2 2 0 1 0 0 0 0 0 0 0 0 1 0 1 2 1 0 10 6 10 2 2 1 1 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 1 2 2 0 10 6 … … … .. … … … …

35 3 2 2 0 0 0 0 0 0 1 1 0 0 0 0 0 3 0 2 2 3 2 0 1 0 2 0 0 0 0 0 2 0 50 1

36 2 2 1 1 0 0 0 0 0 2 1 0 0 0 0 2 2 2 2 1 2 2 0 0 0 2 0 0 0 0 0 2 0 52 1 37 3 2 2 3 1 0 0 0 1 1 1 0 0 2 0 0 2 0 2 2 3 2 1 1 0 0 0 0 0 0 0 1 0 55 1 38 3 2 0 2 0 0 0 0 0 0 1 0 0 2 0 2 2 0 0 0 0 0 0 0 0 0 0 3 0 0 0 3 0 55 2 39 3 2 2 0 0 0 0 0 2 2 1 0 0 2 0 0 3 2 1 2 2 2 1 1 0 0 0 0 0 0 0 2 0 55 1 40 2 2 3 1 0 0 0 0 3 2 1 0 0 0 0 1 2 0 3 3 3 2 1 1 0 2 0 0 0 0 0 3 0 57 1 41 2 2 2 1 1 0 0 0 2 0 1 0 0 2 0 1 2 1 2 2 2 2 1 1 0 1 0 0 0 0 0 2 0 60 1 42 1 2 2 1 1 0 0 0 2 2 1 0 0 1 0 0 2 0 2 3 3 3 2 1 0 2 0 0 0 0 0 2 0 62 1

43 2 3 3 0 0 0 0 0 1 0 1 0 0 1 0 0 2 2 2 2 2 2 2 2 0 1 0 0 0 0 0 2 0 62 1

(31)

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

X 34 kel 1 1 1 1 1 1 0 0 0 2 2 0 0 0 2 0 0 2 1 1 2 2 1 0 2 0 0 0 0 0 0 0 0 2 0 1 2 2 2 1 0 0 0 2 0 2 0 0 0 0 0 0 3 2 0 1 0 0 0 0 0 0 0 0 3 0 2 2 2 0 7 6 3 2 1 1 2 0 0 3 0 1 2 0 0 0 1 0 0 1 2 2 0 1 0 1 0 0 0 0 0 0 1 2 1 0 8 6

4 2 2 2 0 0 0 2 0 2 0 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0 2 2 2 0 8 6

5 3 2 0 0 0 0 2 0 2 2 0 0 0 0 0 2 1 0 2 0 0 0 0 0 0 0 0 1 0 2 3 3 0 8 6 6 2 2 1 1 0 0 2 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 1 2 2 0 8 6 7 2 1 0 2 0 0 0 0 0 0 0 0 0 0 3 1 2 1 0 0 2 0 0 0 0 0 0 0 0 0 0 1 0 8 5 8 1 1 0 1 0 0 3 0 1 0 0 0 0 1 0 0 1 1 1 0 0 0 0 0 1 0 0 1 0 2 2 1 0 10 6 9 3 2 0 2 0 0 0 0 0 0 0 0 1 2 0 2 1 1 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 10 2 10 3 2 2 1 0 0 0 0 0 0 0 0 0 1 0 2 1 0 2 0 0 0 0 0 0 0 0 2 0 0 0 2 0 10 2 … … … .. … … … …

110 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2

111 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 112 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 113 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 114 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 115 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 116 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2 117 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2

118 2 3 2 0 0 0 0 0 0 0 0 0 2 1 0 2 2 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 41 2

(32)

Data Pengelompokan family history nilai 1 dan umur anai (0-17) No X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X 15 X 16 X 17 X 18 X 19 X 20 X 21 X 22 X 23 X 24 X 25 X 26 X 27 X 28 X 29 X 30 X 31 X 32 X 33 X 34 kel 1 1 1 2 0 0 0 3 0 3 0 1 0 0 0 0 2 1 1 1 1 0 0 0 0 0 0 0 0 0 2 2 2 0 7 6 2 2 2 1 0 0 0 3 0 2 0 1 0 0 0 0 2 2 1 2 0 0 0 0 0 0 0 0 2 0 3 3 2 0 7 6 3 2 2 2 1 0 0 2 0 2 2 1 0 0 0 0 1 2 0 2 0 0 0 0 0 0 0 0 2 0 2 2 2 0 7 6

4 3 3 3 2 1 0 0 0 1 1 1 0 0 1 0 1 2 0 2 2 2 2 2 1 0 0 0 0 0 0 0 1 0 8 1

5 2 2 1 1 0 0 1 0 1 1 1 0 0 0 0 1 2 1 1 1 1 0 0 0 0 0 0 1 0 1 1 1 0 8 6 6 2 2 2 0 0 0 1 0 1 0 1 0 0 0 0 2 2 1 0 0 0 0 0 0 0 0 0 1 0 3 2 2 0 9 6 7 2 2 2 3 2 0 0 0 2 3 1 0 0 1 0 0 2 2 2 2 2 2 0 2 0 3 0 0 0 0 0 2 0 9 1 8 2 3 3 0 0 0 0 0 1 1 1 0 0 1 0 0 2 1 2 1 2 3 0 2 0 0 0 0 0 0 0 2 0 10 1 9 2 2 0 0 0 0 2 0 1 1 1 0 0 0 0 2 2 0 1 0 0 0 0 0 0 0 0 1 0 1 2 1 0 10 6 10 2 2 1 1 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 1 2 2 0 10 6 11 3 2 2 0 0 0 3 0 1 0 1 0 0 0 0 1 3 1 1 0 0 0 0 0 0 0 0 2 0 3 2 2 0 10 6

12 3 2 0 1 0 0 2 0 1 0 1 0 0 0 0 1 2 1 2 0 0 0 0 0 0 0 0 3 0 1 2 2 0 12 6

13 2 2 1 0 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 13 6 14 3 2 2 1 0 0 0 0 1 0 1 0 0 1 0 3 2 0 1 0 0 0 0 0 0 0 0 3 0 0 0 3 0 16 2

No X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X 15 X 16 X 17 X 18 X 19 X 20 X 21 X 22 X 23 X 24 X 25 X 26 X 27 X 28 X 29 X 30 X 31 X 32 X 33 X 34 kel 1 2 2 2 0 0 0 0 0 2 2 1 0 0 2 0 0 2 0 3 3 2 2 2 1 0 2 0 0 0 0 0 2 0 18 1 2 3 2 2 0 0 0 0 0 0 1 1 0 0 2 0 0 2 0 1 1 2 2 1 0 0 2 0 0 0 0 0 2 0 19 1

3 3 3 2 1 1 0 0 0 2 2 1 0 0 0 0 0 3 2 3 2 2 2 1 1 0 0 0 0 0 0 0 1 0 20 1

(33)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 10 3 2 3 2 0 0 0 0 0 2 1 0 0 0 0 2 1 3 2 2 2 2 0 0 0 3 0 0 0 0 0 3 0 35 1 11 3 3 3 0 0 0 0 0 3 3 1 0 0 2 0 0 2 0 2 3 3 3 2 3 0 3 0 0 0 0 0 2 0 38 1 12 2 2 2 2 2 0 0 0 2 2 1 0 0 1 0 0 2 1 2 2 2 1 0 2 0 0 1 0 0 0 0 1 0 39 1 13 2 1 1 0 0 0 0 0 1 1 1 0 0 1 0 0 2 2 2 2 2 2 0 1 0 1 0 0 0 0 0 1 0 40 1

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

X 34 kel 1 3 3 2 1 1 0 0 0 2 2 1 0 0 0 0 0 3 2 3 2 2 2 1 1 0 0 0 0 0 0 0 1 0 42 1 2 3 3 3 3 3 0 0 0 3 3 1 0 0 1 0 0 2 1 2 2 2 2 2 2 0 1 0 0 0 0 0 2 0 42 1 3 3 3 2 0 0 0 0 0 2 2 1 0 0 1 0 0 2 2 3 2 2 1 0 2 0 0 0 0 0 0 0 1 0 46 1 4 2 2 2 1 0 0 0 0 0 1 1 0 0 1 0 2 1 2 2 2 1 2 0 0 0 1 0 0 0 0 0 2 0 47 1 5 3 1 1 1 1 0 0 0 0 1 1 0 0 0 0 0 1 0 2 2 2 3 0 3 0 0 0 0 0 0 0 2 0 48 1 6 3 2 1 3 0 0 0 0 0 0 1 0 1 2 0 3 2 0 1 0 1 0 0 0 0 0 0 3 0 0 0 1 0 50 2

7 2 2 2 2 0 0 0 0 2 2 1 0 0 1 0 0 3 0 3 2 2 2 0 2 0 2 0 0 0 0 0 2 0 50 1

8 3 2 2 0 0 0 0 0 0 1 1 0 0 0 0 0 3 0 2 2 3 2 0 1 0 2 0 0 0 0 0 2 0 50 1 9 2 2 1 1 0 0 0 0 0 2 1 0 0 0 0 2 2 2 2 1 2 2 0 0 0 2 0 0 0 0 0 2 0 52 1 10 3 2 2 3 1 0 0 0 1 1 1 0 0 2 0 0 2 0 2 2 3 2 1 1 0 0 0 0 0 0 0 1 0 55 1 11 3 2 0 2 0 0 0 0 0 0 1 0 0 2 0 2 2 0 0 0 0 0 0 0 0 0 0 3 0 0 0 3 0 55 2 12 3 2 2 0 0 0 0 0 2 2 1 0 0 2 0 0 3 2 1 2 2 2 1 1 0 0 0 0 0 0 0 2 0 55 1 13 2 2 3 1 0 0 0 0 3 2 1 0 0 0 0 1 2 0 3 3 3 2 1 1 0 2 0 0 0 0 0 3 0 57 1 14 2 2 2 1 1 0 0 0 2 0 1 0 0 2 0 1 2 1 2 2 2 2 1 1 0 1 0 0 0 0 0 2 0 60 1

15 1 2 2 1 1 0 0 0 2 2 1 0 0 1 0 0 2 0 2 3 3 3 2 1 0 2 0 0 0 0 0 2 0 62 1

16 2 3 3 0 0 0 0 0 1 0 1 0 0 1 0 0 2 2 2 2 2 2 2 2 0 1 0 0 0 0 0 2 0 62 1 17 2 2 2 2 2 0 0 0 3 0 1 0 0 0 0 0 2 2 2 2 3 3 0 2 0 3 0 0 0 0 0 0 0 75 1

(34)

No X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X 15 X 16 X 17 X 18 X 19 X 20 X 21 X 22 X 23 X 24 X 25 X 26 X 27 X 28 X 29 X 30 X 31 X 32 X 33 X 34 kel 1 1 1 2 0 0 0 3 0 3 0 1 0 0 0 0 2 1 1 1 1 0 0 0 0 0 0 0 0 0 2 2 2 0 7 6 2 2 2 1 0 0 0 3 0 2 0 1 0 0 0 0 2 2 1 2 0 0 0 0 0 0 0 0 2 0 3 3 2 0 7 6 3 2 2 2 1 0 0 2 0 2 2 1 0 0 0 0 1 2 0 2 0 0 0 0 0 0 0 0 2 0 2 2 2 0 7 6 4 3 3 3 2 1 0 0 0 1 1 1 0 0 1 0 1 2 0 2 2 2 2 2 1 0 0 0 0 0 0 0 1 0 8 1 5 2 2 1 1 0 0 1 0 1 1 1 0 0 0 0 1 2 1 1 1 1 0 0 0 0 0 0 1 0 1 1 1 0 8 6 6 2 2 2 0 0 0 1 0 1 0 1 0 0 0 0 2 2 1 0 0 0 0 0 0 0 0 0 1 0 3 2 2 0 9 6

7 2 2 2 3 2 0 0 0 2 3 1 0 0 1 0 0 2 2 2 2 2 2 0 2 0 3 0 0 0 0 0 2 0 9 1

8 2 3 3 0 0 0 0 0 1 1 1 0 0 1 0 0 2 1 2 1 2 3 0 2 0 0 0 0 0 0 0 2 0 10 1 9 2 2 0 0 0 0 2 0 1 1 1 0 0 0 0 2 2 0 1 0 0 0 0 0 0 0 0 1 0 1 2 1 0 10 6 10 2 2 1 1 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 2 0 1 2 2 0 10 6 11 3 2 2 0 0 0 3 0 1 0 1 0 0 0 0 1 3 1 1 0 0 0 0 0 0 0 0 2 0 3 2 2 0 10 6 12 3 2 0 1 0 0 2 0 1 0 1 0 0 0 0 1 2 1 2 0 0 0 0 0 0 0 0 3 0 1 2 2 0 12 6 13 2 2 1 0 0 0 2 0 2 0 1 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 13 6 14 3 2 2 1 0 0 0 0 1 0 1 0 0 1 0 3 2 0 1 0 0 0 0 0 0 0 0 3 0 0 0 3 0 16 2

No X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 X 13 X 14 X 15 X 16 X 17 X 18 X 19 X 20 X 21 X 22 X 23 X 24 X 25 X 26 X 27 X 28 X 29 X 30 X 31 X 32 X 33 X 34 kel 1 2 2 2 0 0 0 0 0 2 2 1 0 0 2 0 0 2 0 3 3 2 2 2 1 0 2 0 0 0 0 0 2 0 18 1 2 3 2 2 0 0 0 0 0 0 1 1 0 0 2 0 0 2 0 1 1 2 2 1 0 0 2 0 0 0 0 0 2 0 19 1 3 3 3 2 1 1 0 0 0 2 2 1 0 0 0 0 0 3 2 3 2 2 2 1 1 0 0 0 0 0 0 0 1 0 20 1 4 2 2 2 3 0 0 0 0 2 2 1 0 0 1 0 0 2 1 2 3 3 3 0 1 0 2 0 0 0 0 0 1 0 25 1 5 2 3 2 1 0 0 0 0 1 2 1 0 0 1 0 2 1 0 1 2 2 1 1 0 0 0 0 0 0 0 0 2 0 27 1

6 2 3 2 0 1 0 0 0 3 2 1 0 0 1 0 0 3 0 2 2 3 3 0 0 0 2 0 0 0 0 0 2 0 27 1

(35)

9 3 2 2 0 0 0 0 0 3 3 1 0 0 3 0 0 3 0 2 3 2 3 2 0 0 3 0 0 0 0 0 2 0 35 1 10 3 2 3 2 0 0 0 0 0 2 1 0 0 0 0 2 1 3 2 2 2 2 0 0 0 3 0 0 0 0 0 3 0 35 1 11 3 3 3 0 0 0 0 0 3 3 1 0 0 2 0 0 2 0 2 3 3 3 2 3 0 3 0 0 0 0 0 2 0 38 1 12 2 2 2 2 2 0 0 0 2 2 1 0 0 1 0 0 2 1 2 2 2 1 0 2 0 0 1 0 0 0 0 1 0 39 1 13 2 1 1 0 0 0 0 0 1 1 1 0 0 1 0 0 2 2 2 2 2 2 0 1 0 1 0 0 0 0 0 1 0 40 1

No X 1

X 2

X 3

X 4

X 5

X 6

X 7

X 8

X 9

X 10

X 11

X 12

X 13

X 14

X 15

X 16

X 17

X 18

X 19

X 20

X 21

X 22

X 23

X 24

X 25

X 26

X 27

X 28

X 29

X 30

X 31

X 32

X 33

X 34 kel 1 3 3 2 1 1 0 0 0 2 2 1 0 0 0 0 0 3 2 3 2 2 2 1 1 0 0 0 0 0 0 0 1 0 42 1

2 3 3 3 3 3 0 0 0 3 3 1 0 0 1 0 0 2 1 2 2 2 2 2 2 0 1 0 0 0 0 0 2 0 42 1

3 3 3 2 0 0 0 0 0 2 2 1 0 0 1 0 0 2 2 3 2 2 1 0 2 0 0 0 0 0 0 0 1 0 46 1 4 2 2 2 1 0 0 0 0 0 1 1 0 0 1 0 2 1 2 2 2 1 2 0 0 0 1 0 0 0 0 0 2 0 47 1 5 3 1 1 1 1 0 0 0 0 1 1 0 0 0 0 0 1 0 2 2 2 3 0 3 0 0 0 0 0 0 0 2 0 48 1 6 3 2 1 3 0 0 0 0 0 0 1 0 1 2 0 3 2 0 1 0 1 0 0 0 0 0 0 3 0 0 0 1 0 50 2 7 2 2 2 2 0 0 0 0 2 2 1 0 0 1 0 0 3 0 3 2 2 2 0 2 0 2 0 0 0 0 0 2 0 50 1 8 3 2 2 0 0 0 0 0 0 1 1 0 0 0 0 0 3 0 2 2 3 2 0 1 0 2 0 0 0 0 0 2 0 50 1 9 2 2 1 1 0 0 0 0 0 2 1 0 0 0 0 2 2 2 2 1 2 2 0 0 0 2 0 0 0 0 0 2 0 52 1

10 3 2 2 3 1 0 0 0 1 1 1 0 0 2 0 0 2 0 2 2 3 2 1 1 0 0 0 0 0 0 0 1 0 55 1

(36)

h

Anak (0-17) Dewasa (18-40) Tua (41-70)

K1 K2 K3

rata-rata h

0.25 100% 60% 75% 78.33% 100% 100% 100% 100% 100% 100% 50% 83.33%

0.5 100% 60% 75% 78.33% 100% 100% 100% 100% 83.33% 83.33% 83.33% 83.33%

0.75 100% 60% 75% 78.33% 100% 100% 100% 100% 83.33% 83.33% 83.33% 83.33%

1 100% 60% 75% 78.33% 100% 100% 100% 100% 83.33% 83.33% 100% 88.89%

78.33% 100% 84.72%

h

Anak (0-17) Dewasa (18-40) Tua (41-70)

K1 K2 K3

rata-rata

h K4 K5 K6

rata-rata

h

0.25 12.50% 25% 12.50% 16.67% 50% 19.64% 0% 23% 42.50% 50% 14.63% 12.50%

0.5 12.50% 25% 12.50% 16.67% 69.64% 83.93% 22.81% 59% 75% 80% 21.95% 12.50%

0.75 12.50% 25% 12.50% 16.67% 69.64% 83.93% 71.93% 75% 75% 80% 19.51% 12.50%

1 12.50% 25% 12.50% 16.67% 69.64% 83.93% 71.93% 75% 75% 80% 14.63% 12.50%

(37)

(38)

PENDAHULUAN

Latar Belakang

Tujuan Penelitian

Ruang Lingkup

TINJAUAN PUSTAKA

input layer, pattern layer, summation layer, decision layer. Struktur tersebut dapat dilihat pada Gambar 1.

(39)

PENDAHULUAN

Latar Belakang

Tujuan Penelitian

Ruang Lingkup

TINJAUAN PUSTAKA

(40)

[image:40.595.117.296.80.401.2]

( )













−

=

∏

= j ij j d j

h

x

k

x

f

1 , dengan

d :dimensi vektor

k(x) : ₂

2 z

e

−

xj :vektor input kolom ke-j

xij :vektor bobot baris ke-i kolom ke-j

hj :2.24 x (standar deviasi ke-j) x n-1/5

(Silverman 1985)

Summation layer dihitung melalui persamaan:

( ) ( )

∑ ∏

= =

























−

=

n i d j j ij j d d

h

x

k

n

h

x

p

1 1 2 1 2

...

2

1

π

dengan n adalah banyaknya observasi. Suatu vektor tes x diklasifikasikan pada decision

layer sebagai kelas Y jika nilai PY(x) paling

besar untuk kelas Y.

Validasi Silang

Sebelum digunakan, suatu sistem berbasis komputer harus dievaluasi dalam beberapa aspek. Validasi kinerja merupakan aspek yang paling penting. Validasi bertujuan menentukan kinerja sistem yang dapat diterima dalam hal akurasi dan efisiensi atau tidak (Fu 1994).

Sejumlah teknik telah dikembangkan untuk validasi sistem cerdas. Salah satu teknik yang dikembangkan ialah cross validation. Cross validation (validasi silang) merupakan salah satu teknik pendugaan error rate. Beberapa teknik lain ialah holdout, leave one out dan boostrapping (Weiss dan Kapouleas 1989, diacu dalam Fu 1994). K-fold cross validation melakukan pengulangan sebanyak k kali untuk sample yang dibagi secara acak ke dalam k himpunan bagian yang terpisah. Setiap pengulangan terdapat satu bagian untuk proses testing dan sisanya (k-1

bagian) sebagai data training sehingga terdapat sebanyak k pengulangan.

Teknik validasi silang digunakan karena teknik ini sesuai diterapkan untuk data yang berukuran kecil maupun besar. Teknik leave one out dan bootstrapping sesuai digunakan pada data berukuran kecil sedangkan teknik

holdout sesuai untuk data berukuran besar (Fu 1994).

Dalam dunia kedokteran, seringkali tersedia sedikit data untuk melakukan pelatihan terhadap model. Kasus baru untuk melakukan pengujian data jarang ditemukan. Karena alasan tersebut, prosedur validasi dengan teknik resampling biasanya digunakan. Pada teknik tersebut digunakan sebagian data untuk pelatihan dan sisanya untuk validasi (Kustiyo 2004).

METODE PENELITIAN

Data

Data yang digunakan dalam penelitian ini berasal dari hasil pemeriksaan terhadap 366 pasien penderita penyakit erythemato-squamous (Merz dan Murphy 1996, diacu dalam Fajriyati 2005). Namun, dari 366 data tersebut, terdapat 8 pasien yang tidak tercatat umurnya sehingga data yang digunakan hanya data yang lengkap, yaitu sebanyak 358. Data lengkap dapat dilihat pada Lampiran 1.

(41)

[image:41.595.117.296.80.401.2]

( )





<