Seminar Hasil Tugas Akhir

(1)

Ramadhana Dio Gradianta | 1310 100 076

Seminar Hasil Tugas Akhir

Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika

Dosen pembimbing : Dr. Irhamah, S.Si.,M.Si.

(2)

AGENDA

Pendahuluan Tinjauan Pustaka

Metodologi Penelitian

Analisis dan Pembahasan

Kesimpulan dan Saran

Daftar Pustaka

Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014 ²

(3)

Pendahuluan

Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode

Hybrid

Analisis Diskriminan dan Algoritma Genetika

(4)

Latar belakang

Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014 4

(5)

Latar belakang

11.1 10.8

8.9 8.4

Jumlah Penderita Diabetes Melitus Dunia (dalam juta)

(6)

Latar belakang

6

Tipe 1 Tipe 2 Tipe Lain

Tipe 1 8%

Tipe 2 90%

Tipe Lain 2%

Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014

(7)

Latar belakang

Gula darah teregulasi Gula darah

belum teregulasi

ANALISIS DISKRIMINAN HYBRID

&

ALGORITMA GENETIKA

(8)

Penelitian Sebelumnya

8

Implementasi Algoritma Genetika Pada Struktur Backpropagation Neural Network Untuk Klasifikasi Kanker Payudara

Zamani (2013)

• Neural Network yang dioptimalkan parameternya menggunakan algoritma genetika terbukti mampu menghasilkan nilai rata-rata akurasi yang tinggi

Classification Rule Discovery for Diabetes Patients by Using Genetic Programming

Raj dan Rajesh (2012)

• Menggunakan algoritma genetika, akurasi yang diperoleh dari hasil klasifikasi lebih tinggi dibandingkan dengan metode konvensional.

(9)

Penelitian Sebelumnya

Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan

Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Agus Nurkhozin (2011)

• Klasifikasi menggunakan LVQ memberikan tingkat akurasi yang lebih tinggi dibandingkan dengan jaringan Backpropagation

Boosting Neural Network dan Boosting CART Pada Klasifikasi Diabetes Melitus Tipe II

Jehri Wahyu (2012)

• Boosting CART menghasilkan akurasi yang lebih tinggi dibandingkan dengan Boosting Neural Network

(10)

Perumusan masalah

1

• Bagaimana ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan analisis diskriminan?

2

• Bagaimana ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan metode hybrid analisis diskriminan dan algoritma genetika?

3

• Bagaimana perbandingan ketepatan klasifikasi menggunakan metode analisis diskriminan dan hybrid diskriminan-algoritma genetika?

(11)

Tujuan Penelitian

1

• Mendapatkan nilai ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan analisis diskriminan

2

• Mendapatkan nilai ketepatan klasifikasi penderita diabetes me-litus tipe dua dengan menggunakan metode hybrid analisis dis-kriminan-algoritma genetika.

3

• Membandingan ketepatan klasifikasi dengan menggunakan metode analisis diskriminan dan hybrid diskriminan-algoritma genetika

(12)

Manfaat Penelitian

1

• Sebagai informasi tambahan untuk mengambil suatu tindakan pada pasien diabetes melitus berdasarkan pengklasifikasian.

2

• Menjadi informasi tambahan bagi Dinas Kesehatan dalam membuat kebijakan- kebijakan untuk menekan angka penderita diabetes melitus di Indonesia

3

• Hasil perbandingan metode dapat digunakan sebagai dasar untuk menentukan klasifikasi pasien penyakit lain dengan akurasi yang lebih tinggi.

(13)

Batasan Masalah

1 • Penelitian tugas akhir hanya difokuskan pada

pasien penderita diabetes melitus di klinik penyakit dalam dr. Ipung Puruhito Sp.PD.

2 • Pasien yang menjadi responden diasumsikan hanya

menderita diabetes melitus tanpa komplikasi.

(14)

TINJAUAN PUSTAKA

Hybrid

(15)

Uji Distribusi Normal Multivariat

Hipotesis :

• H₀: Data pengamatan berdistribusi normal multivariat

• H₁: Data pengamatan tidak berdistribusi normal multivariat Statistik Uji :

Jika terdapat sekitar 50% ≤ _; maka dapat dikatakan bahwa variabel random x berdistribusi normal multivariat.

 ^ ^   ^ ^ ^ 



_j ^ _j

j

x x

d

² ¹

(16)

Uji Kesamaan Varian-Kovarian

Hipotesis :

• H₀ : ₀ = ₁ = ₂ = ...._k = .

• H₁ : Sedikitnya ada dua kelompok yang berbeda.

Statistik uji Box’s M (Johnson & Wichern, 2007) :

H0 ditolak jika C > χ² p(p+1)(k-1)/2,α dan dapat disimpulkan bahwa antar kelompok mempunyai matriks varian - kovarian yang berbeda

16

 

j

k

j

j pooled

k

j

j S n S

n

M 2ln * ( 1) ln 1 ln

1



 



 











 





 

(17)

Uji Perbedaan Rata-rata

Hipotesis :

• H₀ : µ₁ = µ₂ = … = µ_k

• H₁ : µ_i ≠ µ_j(minimal terdapat 2 kelompok yang berbeda) Statistik Uji Wilks’Lambda (Johnson & Wichern, 2007):

Wilks’ Lambda mendekati nilai nol, maka H₀ ditolak, artinya terdapat perbedaan kelompok di antara individu.

2 /

ˆ 0

ˆ ⁿ























(18)

Analisis Diskriminan

• Suatu teknik analisa statistik untuk

mengklasifikasikan objek ke dalam suatu kelompok tertentu berdasarkan peubah bebasnya

Dillon and

Goldstein (1984)

• Suatu metode yang dapat menghasilkan pemisahan yang terbaik antara berbagai macam populasi berdasarkan kombinasi linear dari peubah-peubah bebasnya

Johnson

Wichern (2007)

(19)

Analisis Diskriminan

Persamaan umum dari fungsi diskriminan untuk setiap objek sebagai berikut.

Nilai prediksi dari fungsi diskriminan merupakan skor diskriminan (Z).

Skor diskriminan dikalkulasi untuk setiap objek di dalam analisis (Hair, 2009)

nk n

k k

jk

a w x w x w x

Z  

₁ ₁



₂ ₂

 ... 

(20)

Membentuk Klasifikasi

Klasifikasi

Grup A

jika Z

_k

< Z

_ct

Grup B

jika Z

_k

> Z

_ct

20

Actual Predict

Negatif Positif

Negatif TN FP

Positif FN TP

(21)

Algoritma Genetika

• Algoritma genetika adalah metode untuk memecahkan masalah optimasi yang

didasarkan pada seleksi alam dan proses yang mendorong evolusi biologis.

Holland

(1975)

(22)

Langkah-langkah algoritma genetika :

22

Membuat populasi awal secara acak.

Menciptakan urutan populasi baru.

Algoritma berhenti ketika salah satu

kriteria telah terpenuhi.

0 1 0 1 1 1 0

1 1 0 0 1 1 1

1 0 0 1 0 1 1

PINDAH SILANG

Elitisme

SELEKSI ORANG TUA SELEKSI ORANG TUA

K1

K2 K3

K4

PINDAH SILANG

1 0 0 0 1 1 1

1 1 0 0 1 1 1

1 1 0 1 0 0 0

Orang Tua

Anak

1 0 0 1 0 0 0

Elitisme

1 1 1 1 0 0

1 1 1 1 0 1

Fitness = a

Fitness = b

1 1 1 1 0 1 Fitness = z

NILAI FITNESS

KONVERGEN

(23)

Diabetes Melitus

• Diabetes melitus (kencing manis) adalah kelainan yang disebabkan metabolik oleh banyak faktor dengan simtoma berupa hiperglikemia kronis dan gangguan

metabolisme karbohidrat, lemak, dan protein.

• Berbagai penyakit dan sindrom dapat terpicu oleh diabetes melitus, antara

lain: sindom Down, penyakit Hungtinton, penyakit Parkinson, leukoaraiosis,

(24)

Tipe-Tipe Diabetes Melitus

Tipe 1

• Terjadi karena

berkurangnya rasio insulin dalam sirkulasi darah akibat

hilangnya sel beta penghasil insulin

Tipe 2

• Terjadi bukan

disebabkan oleh rasio insulin di dalam

sirkulasi darah,

melainkan merupakan kelainan metabolisme yang disebabkan oleh mutasi pada banyak gen

Tipe lain

• Terjadi hanya selama kehamilan dan pulih setelah melahirkan, dengan keterlibatan interleukin-6 dan

protein reaktif C pada lintasan

patogenesisnya

24

Tipe 2

90%

Pasien diabetes melitus tipe dua

Kondisi pasca pemberian obat

Gula darah teregulasi

Gula darah belum teregulasi

(25)

METODOLOGI PENELITIAN

Hybrid

(26)

Sumber Data

26

DATA PASIEN 2012-2013 TEMPAT

PRAKTEK dR. IPUNG PARUHITO

Sp.PD DATA

SEKUNDER

(27)

Variabel Penelitian

Variabel Dependen

1 : Gula darah pasien telah teregulasi

2 : Gula darah pasien belum teregulasi

(28)

Variabel Penelitian

Variabel Independen

Gula darah 2 jam post prandial (mg/dl) Tekanan darah sistolic (mmHg)

Tekanan darah diastolic (mmHg) Gula darah puasa (mg/dl)

Usia (tahun)

(29)

Langkah Penelitian

Studi Literatur Menentukan Variabel Penelitian

Mengumpulkan Data Penelitian

Melakukan pengolahan data dengan analisis

diskriminan dan algoritma genetika Membandingkan hasil

analisis kedua metode Menarik kesimpulan

(30)

ANALISIS & PEMBAHASAN

Hybrid

(31)

Karakteristik Pasien DM Tipe 2

Variabel

Prediktor Rata-rata Simpangan

baku Max Min

Gula darah 2jpp 219,10 113,50 609 72

Sistolic 132,16 19,74 190 90

Diastolic 81,635 9,86 120 50

Gula darah

puasa 159,06 80,89 445 38

GD2JPP > 200 mg/dl

GDP > 140 mg/dl

(32)

Variabel prediktor

Rata-rata Simpangan baku Max Min

T BT T BT T BT T BT

Gula darah

2jpp 147,54 320,70 47,23 101,90 242 609 72 127

Sistolic 127,95 138,14 17,16 21,74 180 190 90 110

Diastolic 79,18 85,12 8,81 10,32 90 120 50 70

Gula darah

puasa 109,74 229,00 28,94 79,40 171 445 38 102

Usia 59,56 52,37 10,98 8,28 90 73 37 36

Karakteristik Pasien DM Tipe 2

32

Rata-rata = 128,64 mg/dl

< 140 mg/dl

Rata-rata = 275,85 mg/dl

> 140 mg/dl

(33)

Uji asumsi analisis diskriminan

Uji Distribusi Normal Multivariat Hipotesis :

• H₀: Data pengamatan berdistribusi normal multivariat

• H₁: Data pengamatan tidak berdistribusi normal multivariat

Statistik Uji : Proporsi nilai ≤ _; = 4,351 sebesar 59,6%

Kesimpulan : Gagal tolak H_0,karena proporsi di sekitar 50%.

20 15

10 5

0 15

10

5

0

dd

q

Data berdistribusi normal multivariat

(34)

Uji asumsi analisis diskriminan

34

Uji Kesamaan Matriks Varian-Kovarian Hipotesis :

• H₀ : ₀ = ₁ = ₂ = ...._k = .

• H₁ : Sedikitnya ada dua kelompok yang berbeda.

Statistik Uji : Box’s M = 36,510 χ²_15;0,05 = 24,996

Kesimpulan : Tolak H_0,karena statistik uji Box’s M > χ²_15;0,05

Varian-kovarian kedua kelompok tidak homogen

Analisis fungsi diskriminan tetap robust walaupun asumsi kesamaan varian- kovarian tidak terpenuhi (Gozhali, 2006)

(35)

Uji asumsi analisis diskriminan

Uji Perbedaan Rata-Rata Antar Kelompok Hipotesis :

• H₀ : µ₁ = µ₂ = … = µ_k

• H₁ : µ_i ≠ µ_j(minimal terdapat 2 kelompok yang berbeda)

Kesimpulan : Tolak H_0, terdapat 3 variabel yang mengandung statistik uji wilk’s lambda yang menjauhi 1.

Data memiliki rata-rata yang berbeda antar kelompok Variabel

prediktor

Wilks'

Lambda Pvalue

GD2JPP 0,430 0,000

Sistolic 0,935 0,009

Diastolic 0,911 0,002

GDP 0,467 0,000

Usia 0,886 0,000

Statistik Uji :

(36)

Pemilihan model terbaik

36

Berhenti ketika tidak ada lagi F_hitung > F_tabel= 3,84

Variabel pembentuk fungsi diskriminan :

Gula darah 2 jam past prandial

Usia

Tekanan darah diastolic

(37)

Pembentukan Model Diskriminan

Grup Centroid Kelompok 1 = -1,100

) (

042 ,

0 )

( 031 ,

0 )

2 (

013 ,

0 912

,

2 gd jpp diastolic usia

Z     

Grup Centroid Kelompok 2 = 1,560

Critical Cutting Score = 0,23

(38)

Histogram Z

_score

38

Domain antara -3,125 hingga 1,25 Domain antara -0,625 hingga 6,125

(39)

Membentuk klasifikasi

Prediksi

Total Kelompok 1 Kelompok 2

Aktual

Kelompok 1 13 2 15

Kelompok 2 2 9 11

Ketepatan klasifikasi = 0,846 84,6% 9

2 3

12

9

13  



(40)

Inisialisasi Kromosom

40

2.5876 0.2888 0.0310 -1.2583

2.2628 0.2888 0.0310 -1.2583 2.6658 0.7728 0.0310 -1.2583

1.6770 -0.0001 -0.4974 -1.6428 2.1292 0.6543 -0.0389 -0.8600 2.9085 0.3652 0.0310 -1.2583 3.7282 -0.1814 0.0310 -1.2583

2.3456 1.0421 0.0310 -1.2583 1.8639 -0.1228 0.3764 -0.8600 1

2

3 4

50

51 52

53 54

100

-2,192 0,013 0,031 -0,042

0.0769 0.5385

0. 154 0.4231

0.0769

0.4231 0.1923

0.1538 0.5769

0.0769

KROMOSOM ^FITNESS KROMOSOM

2.5876 0.2888 0.0310 -1.2583

(41)

Roulette Wheel

Populasi

ke- Fitness Fitness Relatif (rk)

Fitness Komulatif

(kk) Bilangan Random

1 0,0769 0,002731464 0,002731464 0,499084

2 0,4231 0,01502838 0,017759844 0,009868

100 0,5769 0,020491308 1 0,051255

    

Populasi ke-dua terpilih sebagai induk untuk proses crossover

(42)

Crossover

42

Kedua kromosom telah berpindahsilang

2.5876 0.2888 0.0310 -1.2583 -1.9739 0.4648 -0.3903 -1.2483

INDUK ANAK

2.5876 0.2888 0.0310 -1.2583 -1.9739 0.4648 -0.3903 -1.2483

(43)

Elitisme

2.5876 0.2888 0.0310 -1.2583 2.6658 0.7728 0.0310 -1.2583

1.6770 -0.0001 -0.4974 -1.6428 2.1292 0.6543 -0.0389 -0.8600 2.9085 0.3652 0.0310 -1.2583 3.7282 -0.1814 0.0310 -1.2583

2.3456 1.0421 0.0310 -1.2583 1.8639 -0.1228 0.3764 -0.8600 1

2

3 4

50

51 52

53 54

100

0.0769 0.5385

0.5769 0.4231

0.0769

0.4231 0.1923

0.1538 0.5769

2.2628 0.2888 0.0310 -1.2583 0.0769

KROMOSOM ^FITNESS KROMOSOM

2.5876 0.2888 0.0310 -1.2583

Generasi PertamaGenerasi Kedua

2

3 4

50

51

52 53 54

(44)

Hasil Algoritma Genetika

44

) (

033 ,

1 )

( 016 ,

0 )

2 (

273 ,

0 639

,

2 gd jpp diastolic usia

Z     

Ketepatan Klasifikasi = 92,31%

(45)

Perbandingan

Hybrid analisis diskriminan-algoritma genetika memberikan akurasi yang lebih tinggi

Metode Parameter Ketepatan Klasifikasi

Analisis diskriminan

a = -2,912 w₁= 0,013 w₃= 0,031 w₅= -0,042

84,6%

Hybrid analisis diskriminan dan algoritma genetika

a = -2,6393 w₁= 0,2739 w₃= -0,0169 w₅= -1,0334

92,31%

(46)

Kesimpulan

46

1

• Akurasi dengan analisis diskriminan sebesar 84,6% dengan

parameter fungsi diskriminan antara lain a=-2,912; w₁= 0,013; w₃= 0,031; dan w₅= -0,042.

2

• Akurasi dengan hybrid analisis diskriminan dan algoritma genetika sebesar 92,31%. Parameter fungsi diskriminan yang diperoleh

antara lain a = -2,6393; w₁= 0,2739; w₃= -0,0169; dan w₅= -1,0334.

3

• Hybrid diskriminan-algoritma genetika menghasilkan ketepatan klasifikasi yang lebih tinggi dibandingkan analisis diskriminan.

(47)

Saran

1

• Menambah jumlah variabel penelitian yang berhubungan dengan kondisi gula darah pada pasien diabetes melitus tipe dua

2

• Mengambil sampel dengan jumlah yang lebih banyak karena pada analisis diskriminan,

semakin banyak sampel yang diambil semakin baik analisis yang akan dihasilkan.

(48)

Daftar Pustaka

Darmanto, E. 2010. Implementasi Algoritma Genetika Pada Pelatihan Jaringan Syaraf Tiruan Untuk Klasifikasi Skala Sentra Industri: Studi Kasus Skala Industri Di Kabupaten Kudus. Yogyakarta: UGM.

Engelbrecht, A.P. 2002. Computaional Intelligence. South Africa: John Wiley & Sons. Inc.

Fernanda, J. W. 2012. Boosting Neural Network dan Boosting Cart Pada Klasifkasi Diabetes Militus Tipe II. Surabaya: ITS.

Ghozali, Imam. 2006. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : Badan Penerbit Universitas Diponegoro

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. 2010. Multivariate Data Analysis (7th Edition ed.). New Jersey: Pearson Prentice Hall.

Johnson, N. & Wichern, D. 2002. Applied Multivariate Statistical Analysis, 6th Edition. New Jersey: Prentice Hall, Englewood Cliffs.

Kumar, R. & Verma, R. 2012. Classification Rule Discovery for Diabetes Patients by Using Genetic Programming. India : International Journal of Soft Computing and Engineering (IJSCE).

(49)

MathWorks. 2013. Diakses 23 Oktober 2013, dari How The Genetic Algorithm Works:

http://www.mathworks.com/help/gads/how-the-genetic-algorithm-works.html

Nurkhozin, A. 2011. Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropa-gation Dan Learning Vector Quantization. Surabaya: ITS.

Suyanto. 2005. Algoritma Genetika dalam Matlab. Yogyakarta : Andi Offset.

Tjokronegoro,A & Utama, H. 1996. Ilmu Penyakit Dalam. Jakarta: Gaya Baru.

Widodo, T.S. 2012. Komputasi Evolusioner. Yogyakarta: Graha Ilmu.

Wikipedia, 2013. Diakses 23 Oktober 2013, dari Diabetes Melitus:

http://id.wikipedia.org/wiki/Diabetes_melitus

Zamani. 2013. Implementasi Algoritma Genetika Pada Struktur Backpropagation Neural Network Untuk Klasifikasi Kanker Payudara. Surabaya: ITS.

Daftar Pustaka

(50)

Selasa, 24 Juni 2014|Ruang Sidang Lantai 4 Ramadhana Dio Gradianta | 1310 100 076

Proposal Tugas Akhir

Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika

Dosen pembimbing : Dr. Irhamah, S.Si.,M.Si.

Seminar Hasil Tugas Akhir