Seminar Hasil Tugas Akhir

(1)

Pendekatan Metode

Classification and Regression

Tree

untuk Diagnosis Tingkat Keganasan Kanker

pada pasien Kanker Tiroid

Seminar Hasil Tugas Akhir

Sri Hartati Selviani Handayani 1311106007

Pembimbing :

Jurusan Statistika - FMIPA

Institut Teknologi Sepuluh Nopember Surabaya - 2014

(2)

Kanker Tiroid

Indonesia

Terkadang Berlebih dalam menghasilkan hormon tiroid Membatasi menghasilkan hormon

tiroid

Membatasi menyerap Yodium

Kelenjar Tiroid

Urutan ke-9 dari

insiden kanker yang ada di Indonesia

(3)

Ganas

Faktor-faktor yang mempengaruhi timbulnya kanker tiroid

Classification and Regression Tree

(4)

 Sumartini (2013), Variabel yang signifikan terhadap hasil patologi kanker tiroid yaitu usia pasien dan riwayat penyakit keluarga pasiendengan ketepatan klasifikasi sebesar 86,6%

 Istichana (2013), Variabel penentu pada kanker

tiroid yang berpengaruh signifikan terhadap hasil

patologi yaitu hasil pemeriksaan USG dengan ketepatan klasifikasi sebesar 86,6%.

 Ramdani (2013) dengan menggunakan metode CART menyimpulkan bahwa kontribusi tertinggi dari

hasil Pap Smear Test berturut-turut yaitu usia

pasien, riwayat keguguran, pemakaian alat

kontrasepsi, usia menstruasi, dan frekuensi melahirkan

(5)

 Bagaimana karakteristik pasien kanker tiroid di Rumah Sakit “X” Surabaya?

 Bagaimana klasifikasi dan ketepatan klasifikasi pada diagnosis tingkat keganasan kanker berdasarkan faktor yang mempengaruhi dengan pendekatan metode Classification and Regression Tree ?

 Apa sajakah faktor-faktor yang memberi kontribusi tinggi terhadap klasifikasi pasien kanker tiroid di Rumah Sakit “X” Surabaya?

(6)

 Mengetahui karakteristik pasien kanker tiroid di Rumah Sakit “X“ Surabaya.

 Mengetahui klasifikasi dan ketepatan klasifikasi pada diagnosis tingkat keganasan kanker berdasarkan faktor yang mempengaruhi hasil patologi kanker tiroid dengan pendekatan metode Classification and

Regression Tree

 Mengetahui faktor-faktor yang memberi kontribusi tertinggi pada klasifikasi pasien kanker tiroid di Rumah Sakit “X” Surabaya

(7)

Dapat memberikan informasi kepada pihak Rumah Sakit “X” Surabaya tentang klasifikasi pasien hasil patologi kanker tiroid berdasarkan variabel-variabel (faktor-faktor) yang menyebabkan timbulnya kanker tiroid setelah

melakukan pemeriksaan patologi sehingga dapat

dilakukan perlakuan/pengobatan yang tepat pada

penderita kanker tiroid

Manfaat Penelitian

Batasan MAsalah

Data Pasien Hasil Patologi Kanker Tiroid yang

Melakukan operasi dan Pemeriksaan di rumah sakit “X” pada tahun 2011 dan 2012

(8)

Variabel Respon Hasil

Data Kontinu Model Pohon Regresi

Data Kategorik Model Pohon Klasifikasi

(Breiman dkk, 1993)

Classification and Regression Trees (CART)

Metode statistik nonparametrik yang dikembangkan

(9)

Langkah-Langkah Algoritma Pada Metode CART

(Breiman dkk, 1993) Pembentukan Pohon Klasifikasi Penghentian Pembentukan pohon Pemangkasan pohon Klasifikasi Pembentukan Pohon Klasifikasi Optimal 1. Pemilihan Pemilah 2. Pemilihan Simpul

3. Menentukan Goodness of split 4.Penentuan Simpul Terminal

(10)

Kanker Tiroid

(Djokomoeljanto,2009)

Kanker Tiroid merupakan penyakit yang tidak

menular yang menyerang pada bagian depan leher sedikit dibawah laring yang berbentuk kupu-kupu.

Ciri-Ciri Kanker Tiroid Jinak Ganas Mengganggu Fungsi Aktivitas Tubuh

dan Menyebar Keseluruh Tubuh

secara sporadik Tidak Ya

Sifat Lunak Padat

Nyeri pada bagian leher Tidak Ya

Pertumbuhan Lambat Cepat

Permukaan Nodul Rata/normal

Benjolan/terjadi pembengkakan

(11)

Penyebab Kanker Tiroid

Terjadinya perubahan atau mutasi genetik pada sel tiroid yang menjadikan sel berkembang secara cepat

(Djokomoeljanto,2009)

1. Nyeri di tenggorokan atau pada daerah leher .

2. Adanya pembesaran nodul / benjolan pada leher yang mengakibatkan terganggunya pernapasan.

3. Suara serak yang tidak kunjung sembuh.

4. Pembesaran pada kelenjar getah bening yang ada di leher.

(12)

Data yang digunakan dalam penelitian ini merupakan data sekunder pasien hasil patologi kanker tiroid yang diperoleh dari data rekam medis di salah satu rumah sakit “X” Surabaya pada tahun 2011 dan 2012 dimana data berjumlah 82 orang pasien.

(13)

No Variabel Skala Keterangan 1 Jenis Kanker (Y) Nominal 0 : Jinak

1 : Ganas 2 Jenis Kelamin (X1) Nominal 0 : Laki-laki

1 : Perempuan 3 Usia (X2) Nominal 0: < 42 tahun

1 : ≥ 42 tahun

4 Hasil Pemeriksaan USG (X3) Nominal

0 : Stuma 1 : Ca thyroid 2: Kista 5 Hasil Pemeriksaan Klinis (X4) Nominal

0 : Stuma 1 : Ca thyroid 2: Kista

6 Riwayat Penyakit Gondok (X5) Nominal 0 : Ada Keluhan

1 : Tidak Ada Keluhan 7 Riwayat Penyakit Kanker (X6) Nominal 0 : Ada Riwayat

1 : Tidak Ada Riwayat

(14)

Langkah Analisis

Analisis deskriptif dari data penderita Kanker Tiroid

1.

2.

3.

Kombinasi atau membagi data learning

dan testing

Klasifikasi data penderita Kanker Tiroid dengan metode CART

(15)

Langkah Analisis

Mulai

Analisis Statistika Deskriptif

Kesimpulan dan saran

Proses pembentukan Pohon Klasifikasi CART (Classification and Regression Trees)

Penentuan data learning dan data testing

Evaluasi Ketepatan Klasifikasi

(16)

Tahap pembentukan CART

Pemisahan data menjadi dua bagian yaitu lerning dan testing

Pembentukan Pohon Klasifikasi

Menghitung ketepatan Klasifikasi model yang dihasilkan

Penentuan Pohon Klasifikasi Optimal Pemangkasan Pohon Klasifikasi

(17)

Analisis & PEmbahasan

Jinak 67% Ganas 33% Hasil Patologi

Analisis Deskriptif

(18)

Jurusan Statistika - FMIPA Laki-laki Perempuan 11 44 8 19 Jenis Kelamin Jinak Ganas

Analisis Deskriptif

(19)

Analisis Deskriptif

< 42 Tahun >= 42 Tahun 21 34 19 8 Usia Pasien Jinak Ganas

(20)

Analisis Deskriptif

Struma Ca Thyroid Kista

47

0 8

15

12 0

Hasil Pemeriksaan USG

(21)

Analisis Deskriptif

Struma Ca Thyroid Kista

50

0 5 11

16 0

Hasil Pemeriksaan Klinis

(22)

Analisis Deskriptif

Ada Riwayat Tidak Ada Riwayat

15

40 8

19

Riwayat Penyakit Gondok

(23)

Analisis Deskriptif

Ada Riwayat Tidak Ada Riwayat

10

45 11

16

Riwayat Penyakit Keluarga

(24)

Kombinasi Data Learning dan Testing

Analisis Kombinasi Pohon (CART)

Pada penelitian ini data yang digunakan sebanyak 82

pengamatan, yang akan dicoba untuk kelompok Ke-i di jadikan sebagai data testing dan banyak data pada data learning untuk setiap kelompok ke-i merupakan penjumlahan data dari data

testing kelompok lainnya dimana i = 1,2,3,4,5. Ketepatan

klasifikasi pada data learning dan data testing yang paling tinggi yaitu pada kelompok 1 sehingga kombinasi data ini yang akan digunakan pada analisis selanjutnya

(25)

Kemungkinan Pemilah Pada Variabel

Prediktor

Variabel Skala Katagori Jumlah Katagori Kemungkinan Pemilah

X₁ Jenis Kelamin Nominal 2 22-1 _{-1= 1 Pemilahan} X₂ Usia Nominal 2 22-1 _{-1=1 Pemilahan}

X₃

Hasil Pemeriksaan

USG Nominal 3 23-1 _{-1=3 Pemilahan}

X₄

Hasil Pemeriksaan

Klinis Nominal 3 23-1 _{-1=3 Pemilahan}

X₅

Riwayat Penyakit

Gondok Nominal 2 22-1 _{-1=1 Pemilahan}

X₆

Riwayat Penyakit

(26)

Pohon Klasifikasi Maksimal yang

terbentuk

Variabel yang memberi kontribusi tertinggi Pada Pohon Klasifikasi Maksimal

Variable Score

Hasil Pemeriksaan Klinis (X₄) 100.00 Hasil Pemeriksaan USG (X₃) 86.63 Usia (X₂) 24.71 Riwayat Penyakit Keluarga (X₆) 16.46 Jenis Kelamin (X₁) 5.71 Riwayat Penyakit Gondok (X₅) 4.23

(27)

Pohon Klasifikasi Maksimal

Klasifikasi pohon maksimal yang terbentuk terdiri atas 8 simpul terminal. Hasil klasifikasi dengan simpul terminal ini menujukkan bahwa pohon maksimal memiliki pengertian yang kompleks sehingga perlu untuk dilakukan pemangkasan

Ketepatan Hasil Klasifikasi Pada Pohon Klasifikasi Maksimal

Observasi

Prediksi

Total

Prediksi Sensitivity Specificity

Total Tingkat Akurasi Jinak Ganas Data Learning Jinak 36,00 4,00 40,00 90,00% 92,00% 90,76% Ganas 2,00 23,00 25,00 Data Testing Jinak 12,00 3,00 15,00 80,00 % 50,00% 76,47% Ganas 1,00 1,00 2,00

(28)

Pemangkasan Pohon Klasifikasi Maksimal

** : Pohon Klasifikasi Optimal

Urutan Simpul Akhir

Pohon ke-4 dengan simpul ke-2 merupakan pohon optimal dengan uji kesalahan relatif 0,500 ± 0,354 dimana Resubtition Relative Cost

sebesar 0,400 dan kompleksitas parameter sebesar 0,034

0.500 Re la tiv e Co st Number of Nodes 0.1 0.3 0.5 0.7 0.9 1.1 0 2 4 6 8 0.700

(29)

(30)

Ketepatan Hasil Klasifikasi Pada Pohon Klasifikasi Optimal

Validasi Pohon Klasifikasi Optimal

Ketepatan klasifikasi yang dihasilkan oleh data testing tersebut maka model

klasifikasi

optimal yang dihasilkan sudah baik atau layak dalam model

Observasi Prediksi Total Misklasifikas i/ Kelsalahan Jinak Ganas Data Learning Jinak 40,00 0,00 40,00 0% Ganas 10,00 15,00 25,00 40,00%

Tingkat Akurasi Total % 84,6%

Observasi Prediksi Total Misklasifikasi / Kesalahan Jinak Ganas Data Testing Jinak 15,00 0,00 15,00 0% Ganas 1,00 1,00 2,00 50,00%

(31)

Evaluasi Ketepatan Klasifikasi

Dari 5 kelompok kombinasi data yang dicobakan diatas dapat dilihat bahwa ketepatan klasifikasi data learning dan data

testing yang paling tinggi yaitu pada kelompok 1 dengan

tingkat akurasi data learning sebesar 0,846 dan testing sebesar 0,941 sehingga kombinasi data kelompok 1 yang digunakan pada analisis dan rata-rata nilai akurasi dari 5

kelompok data diatas maka pada data learning sebesar 0,875 dan testing yaitu sebesar 0,839.

(32)

Variabel yang Berpengaruh pada Tiap-tiap Kelompok

di Pohon Klasifikasi Optimal

(33)

(34)

Kesimpulan & Saran

Kesimpulan

1.

2.

Hasil dari statistika deskriptif menunjukkan bahwa hasil patologi kanker tiroid pasien yang didiagnosis kanker tiroid yang jinak sebanyak 55 orang atau 67% dan pasien yang didiagnosis kanker tiroid yang jinak sebanyak 27 orang atau 33%.

Karakteristik pasien pada hasil patologi kanker tiroid mayoritas dengan pemeriksaan USG dan klinis mayoritas hasil

pemeriksaannya Struma, pada riwayat penyakit gondok mayoritas tidak ada riwayat dan tidak ada riwayat penyakit kanker pada keluarga pasien.

Klasifikasi dari diagnosis tingkat keganasan pada kanker tiroid dengan faktor yang berpengaruh yaitu hasil

pemeriksaan klinis. Pasien hasil patologi yang beresiko menderita kanker tiroid jinak hasil pemeriksaan klinisnya yaitu struma dan kista. Sedangkan pasien yang beresiko menderita kanker tiroid ganas yaitu ca thyroid

(35)

3.

Dengan total akurasi pada pasien kanker tiroid pada data learning sebesar 84,6%, maka dapat disimpulkan bahwa model klasifikasi optimal yang terbentuk baik untuk menggambarkan model klasifikasi pohon dan ketepatan klasifikasi pada data testing sebesar 94,1%, hal ini menyimpulkan bahwa pohon klasifikasi yang diklasifikasikan pada data baru layak dalam model.

Faktor yang memberi kontribusi tertinggi pada

klasifikasi pasien kanker tiroid dengan menggunakan metode CART yaitu hasil pemeriksaan

klinis, sedangkan pada ketiga metode yang telah diteliti sebelumnya faktor-faktor yang berpengaruh pada klasifikasi pasien kanker tiroid yaitu hasil

pemeriksaan klinis, hasil pemeriksaan USG, riwayat penyakit keluarga dan usia.

(36)

Saran

Hasil pemeriksaan klinis merupakan variabel yang sangat berpengaruh yang menyebabkan timbulnya kanker tiroid, oleh sebab disarankan bagi pihak rumah

sakit atau bagi orang yang pernah melakukan

pemeriksaan klinis pada kelenjar tiroid sebaiknya

memeriksakan dirinya sedinimungkin dan lebih

mendalam karena bila dibiarkan akan membawa dampak yang buruk bagi kesehatan

Pada penelitian selanjutnya sebaiknya melakukan

konsultasi kembali dengan dokter ahli dalam

melakukan riset, agar memperoleh variable-variabel prediktor baru yang menyebabkan timbulnya kanker tiroid.

(37)

Daftar Pustaka

American Cancer Society. 2012. [Online]. Avaible: (http://www.thyroid.cancer.int/,diakses tanggal 8 Oktober 2013)

Breiman L., Friedman J.H Olshen R.A & Stone C.J. (1993). Classification And Regression Tree. New York, NY: Chapman And Hall

Djokomoeljanto, (2009). Indonesian Society of Endocrinology, Indonesian Study Group of Thyroidology, Indonesian Society of Endocrinology Semarang Branch, The 2nd

Thyroidology Update2009. Semarang: Badan Penerbit Undip (Di unduh tanggal 22 September 2013) Hamdani , W dan Sampepajung, D. Thyroid cancer. The diagnose and the management.

Department of Surgery Medical Faculty, Hasanuddin University, Makasar

http://med.unhas.ac.id/jurnal/attachments/article/74/THYROID%20Ca-William%20Hamdani.pdf(Diunduh tanggal 23 September 2013)

Istichana, Y. Y. (2013). PenggunaanMetode CHAID Untuk Klasifikasi Pasien Hasil Patologi kanker Tiroid. Tugas Akhir Diploma III Jurusan Statistika, Surabaya, Institut Teknologi Sepuluh November.

Layla, R. D. (2013). Klasifikasi PendekatanDiabetes Melitus Dengan Metode CHAID dan CART. Tugas Akhir Sarjana Jurusan Statistika, Surabaya, Institut Teknologi Sepuluh November. Laseduw,J.(2012) Kanker Tiroid. http://kankertiroid.wordpress.com/2013/06/21/penyebab/.

(Di unduh tanggal 18 September 2013). Lewis, M.D dan Roger, J. (2000). An Introduction to Classification and Regression Tree (CART) Analysis.

Ramdani, Y. (2013). Klasifikasi Hasil Pap Smear Test Kanker Serviks berdasarkanFaktor Resiko. Tugas Akhir Sarjana Jurusan Statistika, Surabaya, Institut Teknologi Sepuluh November.

Subekti, I., Aru, W., Sudoyo., B. S., Idrus, A., Marcellius, S., Sesiati, S. (2010). Karsinoma Tiroid. Buku Ajaran Ilmu Penyakit Dalam. Edisi 5. Jakarta : Interna Publising. P. 2031-37

Sumartini, S. H. (2013). Analisis Regresi Biner Pada Faktor Yang Mempengaruhi Hasil Patologi kanker Tiroid. Tugas Akhir Diploma III Jurusan Statistika, Surabaya, Institut Teknologi Sepuluh November.

Utama, Y. D. C (2012). Nilai diagnostikKarakteristikklinis di Bandingkandengan Biopsi patologi Anatomi dalam mendiagnosis KarsinomaTiroid, Skripsi, fakultas

Kedokteran Universitas diponegoro,Semarang. (Di unduh tanggal 14 Oktober 2013) Walpole, (1995). Pengantar Statistika. Gramedia Pustaka Utama: Jakarta.

(38)