2832 9741 1 PB
2832 9741 1 PB
43~49
ISSN: 2355-6579
E-ISSN: 2528-2247 43
Abstrak
Kardiotokografi adalah metode investigasi yang paling disukai, dalam pemerhati penggunaan
kesejahteraan janin yang praktis. Informasi yang diperoleh dari kardiotokografi, digunakan
untuk mengidentifikasi awal keadaan patologis (gangguan pada janin, perkembangan penyakit
pada janin atau hipoksia dan lain-lain). Organisasi Kesehatan Dunia atau WHO (World Health
Organization) memperkirakan sekitar 15% dari seluruh wanita hamil akan berkembang menjadi
komplikasi yang berkaitan dengan kehamilannya dan dapat mengakibatkan kematian ibu dan
janin. Teknologi data mining merupakan salah satu alat bantu untuk mengoptimalkan data pada
basis data yang berukuran besar, Data mining medis memiliki potensi besar untuk dipelajari
pola-pola yang tersembunyi dalam kumpulan data utama medis. Dataset Kardiotokografi
memiliki fitur/atribut sebanyak 36 dan diklasifikasikan menjadi 3 kelas yaitu : kelas Normal,
kelas Suspect, dan kelas Pathologic dengan record sebanyak 2126. Metode Neural network
dapat mengklasifikasi kardiotokografi dengan baik dibuktikan dengan nilai akurasi yang tinggi
yaitu sebesar 99,15%, serta dapat membantu user untuk mengambil keputusan selanjutnya
pada Karditokografi tersebut.
Absract
Kardiotokografi is the most preferred method of investigation, in the use of fetal well being
observers. Information obtained from kardiotokografi, used to identify the initial state of the
pathological (disorders of the fetus, the development of fetal disease or hypoxia and others).
World Health Organization estimates approximately 15% of all pregnant women will develop into
complications related to her pregnancy and can lead to the death of the mother and the fetus.
The technology of data mining is one of the tools for optimizing the data in the data base of
large-sized medical. Data mining, has great potential to learn the patterns that are hidden in the
main medical data sets. Kardiotokografi DataSet features/attributes as much as 36 and are
classified into three classes as follows: Normal class, class Suspect and Pathologic class with
the record as much as 2126. Neural network method of classifying kardiotokografi can properly
evidenced by high accuracy value of 99,15%, and can help the user to take decisions on the
Karditokografi.
menggunakan metode bagging dan neural Neural network banyak digunakan untuk
network lebih akurat dibanding dengan proses klasifikasi, namun proses pelatihan
metode individual neural network (Setiyorini, dengan algoritma back-propagation (BP) yang
2015). menggunakan metode gradient steepest
Neural network dan Particle Swarm descent solusinya banyak terjebak kedalam
Optimization, Jaringan saraf tiruan (Artificial minimum lokal. Tujuan penelitian untuk
Neural network) sebagian besar telah cukup melakukan optimalisasi dalam proses
handal dalam pemecahan masalah penentuan pembobotan dari metode neural
peramalan yang sering ditemukan dalam network dalam mengklasifikasikan aktivitas
proses pengambilan keputusan salah satunya mental sinyal EEG.
adalah prediksi kelulusan mahasiswa dengan Particle Swarm Optimization
menggunakan metode backpropagation digunakan untuk mengoptimalisasi bobot dari
neural network. namun proses pembelajaran NN dengan Evolutionary Direction Operator
backpropagation terkadang menemui kendala dan Migration serta menggunakan Fuzzy
seperti over fitting sehingga tidak dapat Inference System untuk menentukan bobot
menggeneralisasikan masalah. inersia adaptif serta Cross-Mutated Operation
Untuk mengatasi masalah tersebut merupakan strategi baru yang
diusulkan penggunaan Particle Swarm diusulkan.Metode ini menyediakan
Optimization untuk melatih bobot pada peningkatan akurasi untuk tiga pekerjaan
jaringan. Variabel input yang digunakan aktivitas mental dimana rata-rata akurasi
dalam Prediksi kelulusan mahasiswa ini untuk subjek pertama adalah 54,20%, subjek
menggunakan yaitu 30 nilai mata kuliah. dua 58,40% dan 54,48% untuk subjek tiga.
Output yang dihasilkan adalah kelulusan tepat Akurasi terbaik dari seluruh percobaan pada
waktu atau melebihi batas waktu. Adapun subjek pertama adalah 69,18%, subjek dua
tools yang digunakan yaitu MatlabR2010a. 67,20% dan 57,67% untuk subjek tiga (Sakur
Pengujian dilakukan menggunakan perangkat & Tjandrasa, 2016).
lunak matlab yang diuji dengan beberapa Peningkatan jumlah kendaraan bermotor yang
bentuk arsitektur jaringan. Berdasarkan data terus terjadi di Indonesia tiap tahunnya,
uji aristektur dengan konfigurasi terbaik untuk membuat kebutuhan akan sistem yang
NN terdiri dari 30 lapisan masukan, 25 lapisan mampu mengidentifikasi kendaraan secara
tersembunyi dan 1 lapisan keluaran dengan otomatis atau sering disebut Sistem Lalu
nilai learning rate 0.2, RMSE 0.070 dengan Lintas Cerdas juga ikut meningkat. Sistem ini
akurasi 78.26% . Nilai RMSE setelah dapat digunakan antara lain untuk
dioptimasi yaitu 0.048 dengan tingkat akurasi menemukan kendaraan yang dicuri,
87.31% (Kusumawati, Winarno, & Arief, pembayaran tiket parkir otomatis, dan
2015). menindak para pelanggar lampu merah.
Penilaian kualitas daun tembakau ini Kemampuan utama dari sistem tersebut
terdiri dari dua faktor yaitu human sensory adalah pengenalan plat nomor.
dan human vision yang dilakukan oleh grader. Pada penelitian kali ini akan
Perkembangan teknologi informasi saat ini digunakan metode Momentum
mampu melakukan pengolahan citra sehingga Backpropagation Neural network untuk
dapat memaksimalkan faktor human vision mengenali karakter dari suatu citra plat nomor
yang diharapkan dapat menghemat waktu kendaraan di Indonesia. Namun sebelumnya,
dan biaya. Pada penelitian ini, deteksi kualitas citra plat nomor akan diubah menjadi citra
daun tembakau didasarkan pada dua biner. Citra biner kemudian disegmentasi
ekstraksi fitur daun tembakau yaitu bentuk untuk mengisolasi karakter-karakter yang
dan tekstur. Kedua fitur tersebut nantinya akan dikenali. Terakhir dimensi citra hasil
akan diklasifikasikan menggunakan optimasi segmentasi akan direduksi menggunakan
Conjugate Gradient pada Backpropagation Haar Wavelet.Uji coba pada penelitian kali ini
Neural network. melibatkan 276 karakter yang terdiri dari huruf
Hasilnya, metode yang digunakan dan angka pada plat nomor kendaraan di
mampu meningkatkan tingkat akurasi deteksi Indonesia. Hasil uji coba menunjukkan 268
kualitas daun tembakau. Peningkatan akurasi karakter diantaranya mampu dikenali dengan
untuk klasifikasi grade daun tembakau benar. Dengan kata lain metode yang
dengan metode backpropagation neural digunakan memiliki tingkat akurasi hingga
network mencapai akurasi hingga 77,50% 97,10% (Avianto, 2016).
(Sari, Marleny, Izzana, Ricardus , & Lareno, Pengertian penelitian dalam
2015). akademik yaitu digunakan untuk mengacu
pada aktivitas yang rajin dan penyelidikan data) juga diperlukan untuk pembuatan
sistematis atau investigasi di suatu daerah, model.
dengan tujuan menemukan atau merevisi Pada tahap ini, dibutuhkan eksplorasi
fakta, teori, aplikasi dan tujuannya adalah dari datasets yang disediakan. Diketahui
untuk menemukan dan menyebarkan bahwa tujuan utama yang ingin dicapai
pengetahuan baru (Berndtssom, Hansson, adalah untuk mengetahui hasil klasifikasi
Olsson, & Lundell, 2008). terbaik dataset Kardiotokografi. Dibutuhkan
Ada empat metode penelitian yang umum metode yang diusulkan dan evaluasi dan
digunakan yaitu tindakan penelitian, validasi untuk mengetahui efektifitas dari
eksperimen, studi kasus dan survey (Dawson, klasifikasi dataset Kardiotokografi.
2009). Dalam konteks penelitian, metode A. Metode yang Diusulkan
yang dilakukan mengacu kepada pemecahan Dalam penelitian ini akan memilih dan
masalah yang meliputi mengumpulkan data, menerapkan teknik yang tepat untuk
merumuskan hipotesis atau proposisi, klasifikasi dataset Kardiotokografi. Tahap
pengujian hipotesis, menafsirkan hasil, dan pertama dalam penelitian ini adalah membagi
kesimpulan (Berndtssom, Hansson, Olsson, & dataset Kardiotokografi menjadi 10 bagian
Lundell, 2008). dengan menggunakan cross validation,
Dalam penelitian ini dilakukan beberapa dimana semua bagian dataset akan menjadi
langkah yang dilakukan dalam proses data training dan data testing. Setelah data
penelitian. tersebut terbagi menjadi data training dan
1. Instrumen Penelitian testing langkah selanjutnya adalah dilakukan
Pada tahap ini dijelaskan fitur yang apa saja diklasifikasi menggunakan algoritma Neural
yang terdapat dalam dataset dan menjelaskan network. Hasil dari klasifikasi akan diukur
dataset tersebut diklasifikasikan termasuk dengan nilai akurasi. Desain penelitian dapat
jenis klasifikasi Binominal (diklasifikasikan dilihat pada gambar III.1.
menjadi 2 kategori) atau Polynominal
(diklasifikasikan kedalam 3 kategori atau lebih
dari 3).
2. Metode Pengumpulan Data
Pada tahap ini ditentukan data yang akan
diproses. Mencari data yang tersedia,
memperoleh data tambahan yang dibutuhkan,
mengintegrasikan semua data ke dalam data
set, termasuk variabel yang diperlukan dalam
proses.
Data Kardiotokografi diperoleh dari University
of Porto, Portugal dalam eksperimen ini
digunakan data Campos et al. Data yang
digunakan untuk training dan testing
merupakan data sekunder yang
diklasifikasikan sebanyak 2126 janin
cardiotocograms (CTGs) diolah secara
otomatis dan fitur diagnostik masing-masing
telah diukur. CTGs juga diklasifikasikan oleh
tiga ahli obstetricians dan label klasifikasi
diberikan ke masing-masing klasifikasi. Data
Kardiotokografi dapat diunggal melalui
halaman website :
(http://archive.ics.uci.edu/ml/datasets/Cardioto Gambar 1.1 Desain Penelitian
cography).
3. Metode Analisis Data B. Evaluasi Dan Validasi
Pada tahap ini data dianalisis, dikelompokan Pada tahap ini dilakukan evaluasi
variabel mana yang berhubungan dengan menggunakan tabel confusion matrix untuk
satu sama lainnya. Setelah data dianalisis lalu melakukan pengukuran kinerja algoritma pada
diterapkan model-model yang sesuai dengan model algoritma klasifikasi. Kinerja yang
jenis data. Pembagian data kedalam data diukur adalah Accuracy. Validasi yang
latihan (training data) dan data uji (testing dilakukan dengan menggunakan 10-fold cross
validation dimana dataset akan dibagi dalam
dua segmen yaitu, data training dan data True 3, hasil komparasi antara dataset testing
testing menjadi 10 bagian. Kinerja model akan dengan dataset training, dimana tingkat
dibandingkan dengan algoritma Neural akurasi yang diberikan dari masing-masing
network. Untuk membandingkan hasil prediksi maupun hasil akurasi prediksi dari
tersebut diukur menggunakan Accuracy keseluruhan dataset.
sehingga hasil yang didapat lebih akurat.
Tabel I.2 Hasil Klasifikasi Algoritma Neural
3. Hasil dan Pembahasan network
Pada tahap ini ditampilkan hasil true true 1 true 3 class
eksperimen klasifikasi dataset Kardiotokografi 2 precisio
menggunakan algoritma Neural network. n
Tahap awal dilakukan identifikasi dataset, pred. 2 283 4 1 98.26%
diketahui bahwa jumlah dataset pred. 1 10 1651 1 99.34%
Kardiotokografi sebanyak 2126 record, tahap
selanjutnya dilakukan pemisahan data training pred. 3 2 0 174 98.86%
dan testing menggunakan 10 fold cross class 95. 99.76 98.86
validation pembagian data menjadi, data recall 93 % %
training 90% dan data testing 10 %. Data %
training untuk dijadikan model dan data
testing untuk mendapatkan akurasi dengan Ket
sebaran data pada tabel IV.1. Pred 1 = Normal
Tabel IV.1 Sebaran Dataset Pred 2 = Suspect
Kardiotokografi Pred 3 = Pathologic
NO Jenis Jumlah Data Data Komparasi hasil eksperimen yang telah
Klasifikasi Record Training Testing dilakukan meliputi klasifikasi menggunakan
Dataset
algoritma Neural network, K-NN, Naïve
1 Normal 1655 1490 165 Bayes, C.45, Random Forest untuk klasifikasi
2 Suspect 295 266 29 menggunakan Neural network dengan hasil
3 Pathologic 176 158 18 pada tabel 7.
Jumlah 2126 1914 212 Tabel I.3 Tabel Algoritma Klasifikasi
Kardiotokografi
Klasifikasi dataset Kardiotokografi No Algoritma Akurasi Ket
diuraikan ke dalam 3 kelas dengan kelas
Normal, kelas Suspect, dan kelas Pathologic 1 k-NN 81.28% Default
dengan atribut sebanyak 36 dengan 2 Naïve 97.32% Default
penjelasan pada tabel IV.2, dengan atribut Bayes
sebanyak 36 dan Output sebanyak 3. Model 3 C.45 98.45% Default
algoritma Neural Netwrok dalam penelitian ini 4 Random 86.03% Default
menggunakan satu buah lapisan input yang Forest
terdiri dari 37 neuron (36 neuron adalah 5 Neural 99.11% Default
atribut yang digunakan sebagai predictor dan Nework
satu neuron bias), satu buah lapisan 6 Neural 99.15% learning rate
tersembunyi yang terdiri dari 21 buah neuron,
Nework 0,5 dan
dan tiga buah lapisan Output yang merupakan
momentum 0,5
hasil klasifikasi, model dari algoritma Neural
network. Hasil akurasi klasifikasi algoritma
Pada tabel hasil komparasi klasifikasi
Neural network dengan nilai akurasi sebesar
terlihat bahwa klasifikasi algoritma Neural
99.15%. Pada tabel IV.3 dijelaskan nilai dari
network dengan nilai Learning Rate 0,5 dan
akurasi yang dihasilkan oleh algoritma Neural
Momentum 0,5 dengan nilai akurasi 99.15%
network yang akan diajukan sebagai rujukan
lakurasi terlihat baik. Gambar IV.7
model yang dapat diimplementasikan dengan
menjelaskan grafik perbandingan antara
baik untuk dilakukan penelitian selanjutnya.
klasifikasi menggunakan algoritma Neural
Keterangan yang diberikan pada tabel
network, K-NN, Naïve Bayes, C.45, Random
tersebut diantaranya, pred 1, pred 2, dan pred
Forest untuk klasifikasi menggunakan Neural
3 merupakan prediksi dari dataset
network.
dikategorikan menjadi 3 kelas yaitu Pred 1 =
Normal, Pred 2 = Suspect, Pred 3 =
Pathologic. Sedangkan untuk True 1, True 2,