DENGUE MENGGUNAKAN
VOTING FEATURE INTERVALS 5
Oleh :
Aristi Imka Apniasari
G64103027
Pembimbing :
Aziz Kustiyo, S.Si, M.Kom
Irman Hermadi S.Kom, MS
Outline
Pendahuluan
Tinjauan Pustaka
Metode Penelitian
Hasil dan Pembahasan
Kesimpulan dan Saran
Daftar Pustaka
Latar Belakang
Tingkat kematian akibat penyakit Demam
Berdarah Dengue (DBD) relatif masih tinggi.
Salah satu penyebab tingginya tingkat kematian
tersebut adalah keterlambatan diagnosis.
Penyakit DBD juga sering salah didiagnosis
dengan penyakit lain seperti flu atau tipus.
Semakin cepat diagnosis dapat dilakukan,
semakin cepat pula pertolongan bisa diberikan
Latar Belakang (cont..)
VFI5 digunakan oleh HA Güvenir, G Demiröz
dan N Ilter (1998) dalam memprediksi penyakit
erythemato-squamous dengan akurasi 96,2%.
Selain itu juga digunakan oleh Iqbal (2007)
dalam mengklasifikasi pasien Suspect Parvo
dan Distemper. Akurasi yang dihasilkan adalah
90%.
Tujuan
Tujuan dari penelitian ini adalah untuk
menerapkan algoritma klasifikasi VFI5
dalam diagnosa penyakit DBD.
Ruang Lingkup
Data yang digunakan adalah data sekunder
penyakit DBD pada penelitian M.Syafii (2006).
Bobot (weight) setiap feature pada data
diasumsikan sama.
Manfaat
Penelitian ini diharapkan dapat membantu
semua pihak dalam deteksi dini penyakit
DBD menggunakan algoritma klasifikasi
VFI5.
Back
Tinjauan Pustaka
Back
Metode Penelitian
Data
Seleksi data
Data latih
Pelatihan
Model VFI5
Akurasi
Data
Data yang digunakan adalah data sekunder
penyakit DBD pada penelitian Syafii (2006).
Sampel terdiri dari data pasien yang menderita
penyakit DBD dan Demam Dengue (DD).
Catatan medis yang dijadikan sampel adalah
yang mencatat 4 kriteria klinis yaitu : demam,
bercak-bercak, tanda pendarahan spontan dan
hasil uji tornikuet.
Dari 205 catatan medis yang ditemukan, yang
memenuhi persyaratan hanya 64, yang terdiri
dari 32 kasus DBD dan 32 kasus DD.
Seleksi Data
Pada penelitian ini akan dilakukan seleksi
terhadap keseluruhan data baik sebelum
maupun setelah validasi. Seleksi ini dilakukan
untuk menentukan data mana yang digunakan
sebagai data latih dan data uji.
Data Latih dan Data Uji
Seluruh data yang digunakan dibagi
menjadi beberapa subset dengan ukuran
contoh yang hampir sama.
Setiap subset dibagi-bagi lagi menjadi tiga
sub-subset dengan metode 3-fold cross
validation.
Subset-subset tersebut akan digunakan
sebagai data pelatihan (training) dan data
pengujian (testing).
VFI5
Pada penelitian ini digunakan algoritma
klasifikasi VFI5 dengan bobot setiap feature
diasumsikan sama, yaitu satu.
Pelatihan
Pada tahap ini akan ditentukan nilai end point
untuk setiap feature. Selanjutnya akan dibentuk
interval-interval dari setiap feature yang ada.
Setelah semua interval terbentuk, langkah
selanjutnya adalah menghitung jumlah instance
setiap kelas yang berada pada setiap interval
tersebut dan dilakukan normalisasi.
VFI5 (cont..)
Klasifikasi
Setiap nilai feature dari suatu instance baru
diperiksa letak interval nilai feature tersebut.
Vote-vote setiap kelas untuk setiap feature pada
setiap interval yang bersesuaian diambil dan
kemudian dijumlahkan. Kelas dengan nilai total
vote tertinggi akan menjadi kelas prediksi
instance baru tersebut.
Analisis
Pada tahapan ini dilakukan proses
penghitungan tingkat akurasi. Tingkat akurasi
diperoleh dengan perhitungan :
data uji benar diklasifik asi
tingkat akurasi
total data uji
Back
Hasil dan Pembahasan
Terdapat 4 gejala klinis objektif yang kemudian
menjadi fitur pada VFI5
Selanjutnya akan dilakukan validasi data.
Semua data yang nilainya dianggap tidak
konsisten dengan kelasnya akan dihilangkan.
Sebaran data sebelum dan sesudah validasi :
Kasus Sebelum validasi Setelah validasi
DBD 32 23
Bukan DBD 32 19
Jumlah 64 42
Iterasi Akurasi
Pertama 66,67%
Kedua 66,67%
Ketiga 63,64%
Rata-rata 65,66%
Tahap Kedua
Data sebanyak 42 instance dibagi menjadi 3 himpunan
bagian.
Iterasi ketiga
S3 : data pengujian
S1&S2 : data pelatihan
Proses pelatihan menghasilkan selang-selang fitur.
Akurasi yang dihasilkan 100%
Tahap Kedua (cont..)
Hasil pengujian tahap kedua
Iterasi Akurasi
Pertama 100%
Kedua 78,57%
Ketiga 100%
Rata-rata 92,86%
Tahap Ketiga
Pembagian data menjadi 3 himpunan bagian dan
susunan data yang digunakan sebagai data pelatihan
dan data pengujian sama seperti pada tahap kedua.
Dari hasil pengujian tahap kedua, ditemukan 3 instance
yang salah diklasifikasi dimana ketiga instance tersebut
berada pada satu data pengujian yang sama.
Pada tahap ini, ketiga instance tersebut akan disebar
pada 3 data pengujian yang berbeda. Sehingga masing-
masing data perngujian mengandung satu instance yang
salah diklasifikasi.
Tahap Ketiga (cont..)
Iterasi pertama
S1 : data pengujian
S2&S3 : data pelatihan
Proses pelatihan menghasilkan selang-selang fitur.
Iterasi ketiga
S3 : data pengujian
S1&S2 : data pelatihan
Proses pelatihan menghasilkan selang-selang fitur.
Akurasi yang dihasilkan 100%
Tahap Ketiga (cont..)
Hasil pengujian tahap ketiga
Iterasi Akurasi
Pertama 92,86%
Kedua 100%
Ketiga 100%
Rata-rata 97,62%
Tiga instance yang salah diklasifikasi pada tahap kedua
tidak semuanya diklasifikasi salah pada pengujian tahap
ketiga.
Back
Kesimpulan dan Saran
Kesimpulan
Algoritma Voting Feature Intervals (VFI5) pada penelitian ini
dapat digunakan secara selektif untuk memprediksi penyakit
Demam Berdarah Dengue (DBD).
Pada pengujian tahap pertama, rata-rata akurasi yang dihasilkan
adalah 65,66%, dimana terdapat 22 instance yang kelas
prediksinya tidak sesuai dengan kelas sebenarnya.
Pada pengujian tahap kedua ditemukan 3 instance yang kelas
prediksinya tidak sesuai dengan kelas sebenarnya dengan rata-
rata akurasi 92,86%.
Pada pengujian tahap ketiga hanya terdapat 1 instance yang
kelas prediksinya tidak sesuai dengan kelas sebenarnya dengan
rata-rata akurasi 97,62%.
Saran
Pada penelitian selanjutnya dapat digunakan bobot yang
berbeda untuk setiap fiturnya.
Data yang akan digunakan diharapkan memiliki jumlah record
yang lebih banyak. Disarankan juga adanya pengembangan
jumlah kriteria klinis termasuk tanda subjektif seperti sakit
kepala, nyeri perut, mual dan sebagainya.
Back
Daftar Pustaka
Demiröz G, Güvenir HA. 1997. Classification by Voting Feature Intervals.
http://www.cs.ucf.edu/~ecl/papers/demiros97classification.pdf.
Güvenir HA, Demiröz G, Ilter N. 1998. Learning Differential Diagnosis of
Erythemato-Squamous Diseases using Voting Feature Intevals. Artificial
Intelligence in Medicine, 13(3), 147-165.
Ibrahim F, Taib MN, Abas WABW, Guan CC, Sulaiman S. 2005. A Novel
Dengue Fever (DF) and Dengue Haemorrhagic Fever (DHF) Analysis Using
Artificial Neural Network (ANN).
http://www.intl.elsevierhealt.com/journals/cmpb.
Iqbal M. 2007. Klasifikasi Pasien Suspect Parvo dan Distemper pada Data
Rekam Medik Rumah Sakit Hewan IPB Menggunakan Voting Feature
Intevals [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Kristina, Isminah, Wulandari L. 2004. Demam Berdarah Dengue. http://
www.litbang.depkes.go.id/maskes/052004/demamberdarah1.htm.
Sarle W. 2004. What are cross-validation and
bootstrapping?.http://www.faqs.org/faqs/ai-faq/neuralnets/part3/section-
12.html.
Syafii M. 2006. Adaptive Neuro Fuzzy Inference System (ANFIS) untuk
Diagnosa dan Tatalaksana Penyakit Demam Berdarah Dengue [tesis].
Bogor: Sekolah Pascasarjana, Intitut Pertanian Bogor.
Terima Kasih