BAB IV HASIL DAN PEMBAHASAN

(1)

31

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil

Eksperimen

Pada penelitian ini, eksperimen dilakukan terhadap 3 metode NMF, yaitu normal NMF, Local NMF, dan nsNMF.Untuk setiap metode NMF, eksperimenakan dilakukan sebanyak 5 kali dengan mnggunakan nilai r yang berbeda – beda untuk pembentukan matrix basis images W dan koefisien matrix H. nilai - nilai r yang digunakan dalam eksperimen ini adalah 10, 20, 30, 40 dan 50. Hal ini dilakukan untuk menentukan nilai r yang terbaik untuk mendapatkan nilai matrix basis images W yang akan digunakan dalam proses klasifikasi.

Proses klasifikasi yang dilakukan pada penelitian ini dibagi menjadi 2 bagian, pertama proses klasifikasi gambar mammogram menjadi benign dan malignant, yang kedua adalah proses klasifikasi gambar mammogram menjadi 4 jenis penyakit kanker, yaitu calcification (CALC), well-defined/circumscribed masses (CIRC), Other, ill-defined masses (MISC), Asymmetry (ASYM).Untuk melakukan proses klasifikasi tersebut, eksperimen dibagi menjadi fase online dan fase offline.

4.1.1 Fase Offline

Pada tahap awal, fase offline dijalankan dengan caramelakukan proses cropping pada mammogram untuk mengambil ROI. ROI yang didapatkan akan melalui proses morphology yang dibagi menjadi 2 proses, yaitu dilatasi dan erosi. Setelah proses processingimages dilakukan,proses

(2)

resize gambar akan dijalankan agar ROI gambar menjadi berukuran 90 x 90. Kemudian semua ROI akandisatukan menjadi matrix V. matrix V tersebut akan dipecah menjadi matrix W dan H untuk setiap metode NMF. Setiap metode NMF akan dibentuk 5 buah matrix W dan matrix H berdasarkan nilai r yang sudah ditetapkan. Proses pembentukan matrix W dan H ini dibentuk melalui proses perulangan sebanyak 1500 kali atau sampai rasio perubahan KL divergence menjadi lebih kecil atau sama dengan 10-6 .

Tahap kedua pada fase offline ini dilakukan dengan cara memasukkan koefisien matrix H yang sudah didapatkan ke dalam neural network untuk proses training. Untuk proses training ini, arsitektur jaringan neural network dipilih dengan bentuk sebagai berikut :

• Input Layer : 1 dengan banyak node berdasarkan nilai r • Hidden Layer : 1 dengan banyak node 50

• Output Layer : 1 dengan banyak node 2 pada klasifikasi benign malignant, 6 pada klasifikasi kanker

4.1.2 Fase Online

Fase online, dilakukan dengan cara melakukan kembali proses cropping, dilatasi dan erosi pada gambar yang ingin di tes. Setelah itu, satu per satu gambar tersebut dibentuk matrix H nya dengan cara melakukan pseudoinvers terhadap matrix W yang didapatkan pada saat fase offline dikalikan dengan matrix gambar yang ingin di tes. Setelah itu matrix H yang didapatkan dari gambar tes akan dimasukkan ke dalam proses neural

(3)

network yang sudah ditraining sebelumnya pada fase offline untuk diklasifikasi.

4.1.3 Experimen Menggunakan NMF

1. NMF dengan r = 10

Gambar 4.1 Basis Images NMF dengan nilai r = 10 Tabel 4.1 Confusion Matrix Benign Malignant NMF nilai r = 10

Benign Malignant

Benign 28 2

Malignant 12 3

Jika dilihat dari tabel 4.1 confusion matrix, pada eksperimen ini 28 dari 30 kasus benign dapat diklasifikasi dengan benar dan 3 dari 15 kasus malignant dapat diklasifikasi dengan benar.Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 68.89%.

2. NMF dengan r = 20

(4)

Tabel 4.2 Confusion Matrix Benign MalignantNMF nilai r = 20 Benign Malignant

Benign 18 12

Malignant 5 10

Jika dilihat dari tabel 4.2 confusion matrix, pada eksperimen ini 18 dari 30 kasus benign dapat diklasifikasi dengan benar dan 10 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 62.22%. 3. NMF dengan r = 30

Gambar 4.3 Basis Images NMF dengan nilai r = 30 Tabel 4.3 Confusion Matrix Benign MalignantNMF nilai r = 30

Benign Malignant

Benign 27 3

Malignant 9 6

Jika dilihat dari tabel 4.3 confusion matrix, pada eksperimen ini 27 dari 30 kasus benign dapat diklasifikasi dengan benar dan 6 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 73.33%.

(5)

Benign Malignant

Benign 27 3

Malignant 9 6

(6)

Benign Malignant

Benign 24 6

Malignant 8 7

Setelah klasifikasi benign dan malignant dilakukan, maka tahap selanjutnya adalah melakukan klasifikasi dari hasil benign malignant menjadi 4 jenis kanker yaitu well-defined/circumscribed masses (CIRC), Asymmetry (ASYM), calcification (CALC), Other, ill-defined masses (MISC).

(7)

Tabel 4.6 Hasil Klasifikasi Kanker NMF Untuk Setiap r

Abnormal Kanker Jumlah Data

Jumlah data yang diklasifikasi dengan benar untuk setiap nilai r

10 20 30 40 50 Benign CIRC 12 7 3 3 6 2 Benign ASYM 3 1 0 0 0 1 Benign CALC 9 7 7 9 8 6 Benign MISC 6 0 0 0 0 3 Malignant CIRC 0 0 0 0 0 0 Malignant ASYM 1 0 0 0 0 0 Malignant CALC 9 0 5 4 2 4 Malignant MISC 5 0 0 1 0 0 Total 45 15 15 17 16 16

Hasil ketepatan akurasi tertinggi NMF dengan neural network berdasarkan data di atas adalah :

- 33.33% untuk nilai r = 10 - 33.33 % untuk nilai r = 20 - 37.77% untuk nilai r = 30 - 35.55% untuk nilai r = 40 - 35.55% untuk nilai r=50

4.1.4 Experimen Menggunakan LNMF

1. LNMF dengan nilai r = 10

(8)

Tabel 4.7 Confusion Matrix Benign Malignant LNMF nilai r = 10 Benign Malignant

Benign 29 1

Malignant 12 3

Gambar 4.7 Basis Images LNMF dengan nilai r = 20 Tabel 4.8 Confusion Matrix Benign Malignant LNMF nilai r = 20

Benign Malignant

Benign 21 9

Malignant 3 12

Jika dilihat dari tabel 4.8 confusion matrix, pada eksperimen ini 18 dari 28 kasus benign dapat diklasifikasi dengan benar dan 12 dari 17 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 73.33%. 3. LNMF dengan nilai r = 30

(9)

Benign Malignant

Benign 30 0

Malignant 15 0

(10)

Tabel 4.10 Confusion Matrix Benign Malignant LNMF nilai r = 40 Benign Malignant

Benign 30 0

Malignant 15 0

Jika dilihat dari tabel 4.10 confusion matrix, pada eksperimen ini 30 dari 30 kasus benign dapat diklasifikasi dengan benar dan 0 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 66.66%. 5. LNMF dengan nilai r = 50

Benign Malignant

Benign 29 1

Malignant 13 2

Jika dilihat dari tabel 4.11 confusion matrix, pada eksperimen ini 29 dari 30 kasus benign dapat diklasifikasi dengan benar dan 2 dari

(11)

13kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 68.88%.

Tabel 4.12 Hasil Klasifikasi Kanker LNMF Untuk Setiap r

Hasil ketepatan akurasi tertinggi LNMF dengan neural network berdasarkan data di atas adalah :

- 33.33% untuk nilai r = 10 - 28.88 % untuk nilai r = 20 - 26.66% untuk nilai r = 30 - 28.88% untuk nilai r = 40 - 31.11% untuk nilai r=50

4.1.5 Experiment Menggunakan NSNMF

1. NSNMF dengan nilai r =10

(12)

Gambar 4.11 Basis Images NSNMF dengan nilai r = 10 Tabel 4.13 Confusion Matrix Benign Malignant NSNMF nilai r = 10

Benign Malignant

Benign 27 3

Malignant 10 5

Jika dilihat dari tabel 4.13 confusion matrix, pada eksperimen ini 27 dari 30 kasus benign dapat diklasifikasi dengan benar dan 5 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 71.11%. 2. NSNMF dengan nilai r =20

Benign Malignant

Benign 28 2

Malignant 9 6

(13)

3. NSNMF dengan nilai r =30

Benign Malignant

Benign 29 1

Malignant 14 1

Jika dilihat dari tabel 4.15 confusion matrix, pada eksperimen ini 29 dari 30 kasus benign dapat diklasifikasi dengan benar dan 1 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 66.66%. 4. NSNMF dengan nilai r =40

(14)

Benign Malignant

Benign 26 4

Malignant 8 7

Jika dilihat dari tabel 4.16 confusion matrix, pada eksperimen ini 26 dari 30 kasus benign dapat diklasifikasi dengan benar dan 7 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 73.33%. 5. NSNMF dengan nilai r = 50

Benign Malignant

Benign 28 2

Malignant 11 4

Jika dilihat dari tabel 4.17 confusion matrix , pada eksperimen ini 28 dari 30 kasus benign dapat diklasifikasi dengan benar dan 4 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 71.11%.

(15)

Tabel 4.18 Hasil Klasifikasi Kanker NSNMF Untuk Setiap r

Hasil ketepatan akurasi tertinggi NSNMF dengan neural network berdasarkan data di atas adalah :

- 40.00% untuk nilai r = 10 - 40.00 % untuk nilai r = 20 - 37.77% untuk nilai r = 30 - 40.00% untuk nilai r = 40 - 37.77% untuk nilai r = 50

4.2 Pembahasan Hasil Penelitian

Data tingkat akurasi dari pengklasifikasian mammogram menjadi benign dan malignant dapat digambarkan sebagai berikut

(16)

Gambar 4.16 Perbandingan hasil akurasi NMF, LNMF dan nsNMF untuk benign malignant dengan nilai r yang berbeda

Dari gambar 4.16 dapat dilihat bahwa nsNMF memiliki tingkat akurasi yang rata – rata lebih baik dari NMF dan LNMF. Untuk kasus klasifikasi kelas menjadi benign dan malignant, nsNMF hanya memerlukan nilai r sebesar 20 untuk mencapai akurasi yang tertinggi yaitu 75.55%, sedangkan untuk NMF membutuhkan nilai r sampai dengan 30 dengan akurasi 73.33% dan LNMF membutuhkan nilai r sebesar 20 untuk mencapai akurasi 73.33%. Perbedaan nilai r ini akan mempengaruhi besarnya ukuran basis images, sehingga semakin besar ukuran r, maka untuk menjalankan proses klasifikasi akan membutuhkan waktu yang semakin banyak.

Data tingkat akurasi dari pengklasifikasian images mammogram setelah tahap klasifikasi benign dan malignant dapat digambarkan sebagai berikut 0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 70.00% 80.00% 10 20 30 40 50 NMF LNMF nsNMF r

(17)

Gambar 4.17 Perbandingan hasil akurasi NMF, LNMF dan nsNMF untuk klasifikasi kanker dengan nilai r yang berbeda

Dari gambar 4.17, dapat dilihat nsNMF memiliki performance yang lebih baik dibandingkan dengan metode NMF dan LNMF. Untuk nsNMF dengan nilai r = 10 sudah mendapatkan performance yang terbaik yaitu 40% , sedangkan NMF perlu mendapatkan nilai r sebesar 30 untuk mencapai performance yang terbaik yaitu dengan akurasi 37.77% dan LNMF membutuhkan nilai r sebesar 10 untuk mendapatkan akurasi 33.33%.

Di dalam data MIAS ini memiliki beberapa kekurangan, yaitu titik koordinat yang diberikan untuk mendapatkan ROI (Region of Interest) dari gambar mammogram terkadang ada yang tidak tepat. Hal ini dapat menyebabkan turunnya akurasi karena dapat merusak hasil training pada neural network.

Jika dibandingkan hasil dari penelitian ini dengan penelitian sejenis mengenai NMF dan mammogram yang dilakukan oleh Buciu dan

0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 10 20 30 40 50 NMF LNMF nsNMF r

(18)

Gascadi.Hasil akurasi tertinggi yang dicapai oleh NMF pada penelitian Buciu dan Gascadi adalah pada saat nilai r = 70 dan r = 80, sedangkan dalam penelitian ini, nilai akurasi tertinggi yang dicapai NMF pada saat nilai r = 30 dan r = 40.Sedangkan untuk nsNMF, sudah mencapai nilai tertinggi pada saat nilai r = 20.Perbedaan hasil ini dapat disebabkan karena perbedaan classifier dan juga adanya image processing di dalam penelitian ini.