Seminar Hasil Tugas Akhir

Transkripsi

1 Seminar Hasil Tugas Akhir Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada pasien Kanker Tiroid Sri Hartati Selviani Handayani Pembimbing : Dr. Santi Wulan Purnami, S.Si, M.Si Institut Teknologi Sepuluh Nopember Surabaya

2 Kanker Tiroid Kelenjar Tiroid Indonesia Urutan ke-9 dari insiden kanker yang ada di Indonesia Membatasi menyerap Yodium Membatasi menghasilkan hormon tiroid Terkadang Berlebih dalam menghasilkan hormon tiroid Hiperteriodisme

3 Faktor-faktor yang mempengaruhi timbulnya kanker tiroid Ganas Classification and Regression Tree

4 Penelitian Sebelumnya 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 Rumusan Masalah 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 Tujuan 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 Manfaat Penelitian 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 Batasan MAsalah Data Pasien Hasil Patologi Kanker Tiroid yang Melakukan operasi dan Pemeriksaan di rumah sakit X pada tahun 2011 dan 2012

8 Classification and Regression Trees (CART) Metode statistik nonparametrik yang dikembangkan untuk klasifikasi Variabel Respon Data Kontinu Data Kategorik Hasil Model Pohon Regresi Model Pohon Klasifikasi (Breiman dkk, 1993)

9 Langkah-Langkah Algoritma Pada Metode CART Pembentukan Pohon Klasifikasi Penghentian Pembentukan pohon 1. Pemilihan Pemilah 2. Pemilihan Simpul 3. Menentukan Goodness of split 4.Penentuan Simpul Terminal 5.Penandaan Label kelas Pemangkasan pohon Klasifikasi Pembentukan Pohon Klasifikasi Optimal (Breiman dkk, 1993)

10 Kanker Tiroid 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 FungsiAktivitasTubuh dan Menyebar Keseluruh Tubuh secara sporadik Tidak Ya Sifat Lunak Padat Nyeri pada bagian leher Tidak Ya Pertumbuhan Lambat Cepat Benjolan/terjadi Permukaan Nodul Rata/normal pembengkakan (Djokomoeljanto,2009)

11 Gejala pada Kanker Tiroid 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. Penyebab Kanker Tiroid Terjadinya perubahan atau mutasi genetik pada sel tiroid yang menjadikan sel berkembang secara cepat (Djokomoeljanto,2009)

12 Sumber Data 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 Variabel Penelitian 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 1. Analisis deskriptif dari data penderita Kanker Tiroid 2. Kombinasi atau membagi data learning dan testing 3. Klasifikasi data penderita Kanker Tiroid dengan metode CART

15 Langkah Analisis Mulai Analisis Statistika Deskriptif Penentuan data learning dan data testing CART (Classification and Regression Trees) Proses pembentukan Pohon Klasifikasi Evaluasi Ketepatan Klasifikasi Kesimpulan dan saran Selesai

16 Tahap pembentukan CART Pemisahan data menjadi dua bagian yaitu lerning dan testing Pembentukan Pohon Klasifikasi Pemangkasan Pohon Klasifikasi Penentuan Pohon Klasifikasi Optimal Menghitung ketepatan Klasifikasi model yang dihasilkan

17 Analisis & PEmbahasan Analisis Deskriptif Hasil Patologi Ganas 33% Jinak 67%

18 Analisis Deskriptif Jenis Kelamin Jinak Ganas Laki-laki Perempuan

19 Analisis Deskriptif Usia Pasien Jinak Ganas < 42 Tahun >= 42 Tahun

20 Analisis Deskriptif Hasil Pemeriksaan USG 15 Jinak Ganas Struma Ca Thyroid Kista

21 Analisis Deskriptif Hasil Pemeriksaan Klinis 11 Jinak Ganas Struma Ca Thyroid Kista 0 5

22 Analisis Deskriptif Riwayat Penyakit Gondok Jinak Ganas Ada Riwayat Tidak Ada Riwayat

23 Analisis Deskriptif Riwayat Penyakit Keluarga 16 Jinak Ganas Ada Riwayat Tidak Ada Riwayat

24 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 Kombinasi Data Learning dan Testing

25 Kemungkinan Pemilah Pada Variabel Prediktor Variabel Skala Katagori Jumlah Katagori Kemungkinan Pemilah X 1 Jenis Kelamin Nominal = 1 Pemilahan X 2 Usia Nominal =1 Pemilahan X 3 Hasil Pemeriksaan USG Nominal =3 Pemilahan X 4 X 5 X 6 Hasil Pemeriksaan Klinis Nominal =3 Pemilahan Riwayat Penyakit Gondok Nominal =1 Pemilahan Riwayat Penyakit Keluarga Nominal =1 Pemilahan

26 Pohon Klasifikasi Maksimal yang terbentuk Variabel yang memberi kontribusi tertinggi Pada Pohon Klasifikasi Maksimal Variable Score Hasil Pemeriksaan Klinis (X 4 ) Hasil Pemeriksaan USG (X 3 ) Usia (X 2 ) Riwayat Penyakit Keluarga (X 6 ) Jenis Kelamin (X 1 ) 5.71 Riwayat Penyakit Gondok (X 5 ) 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 Prediksi Observasi Jinak Ganas Total Prediksi Sensitivity Specificity Total Tingkat Akurasi Data Learning Data Testing Jinak 36,00 4,00 40,00 Ganas 2,00 23,00 25,00 Jinak 12,00 3,00 15,00 Ganas 1,00 1,00 2,00 90,00% 92,00% 90,76% 80,00 % 50,00% 76,47%

28 Pemangkasan Pohon Klasifikasi Maksimal Relative Cost Number of Nodes Urutan Simpul Akhir ** : Pohon Klasifikasi Optimal 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

29 Pohon Klasifikasi Optimal

30 Ketepatan Hasil Klasifikasi Pada Pohon Klasifikasi Optimal Data Learning Observasi Jinak Prediksi Ganas Total Validasi Pohon Klasifikasi Optimal Misklasifikas i/ Kelsalahan Jinak 40,00 0,00 40,00 0% Ganas 10,00 15,00 25,00 40,00% Tingkat Akurasi Total % 84,6% Observasi Jinak Prediksi Ganas Total Misklasifikasi / Kesalahan Data Testing Jinak 15,00 0,00 15,00 0% Ganas 1,00 1,00 2,00 50,00% Tingkat Akurasi Total (%) 94,1% Ketepatan klasifikasi yang dihasilkan oleh data testing tersebut maka model klasifikasi optimal yang dihasilkan sudah baik atau layak dalam model

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 Perbandingan Hasil Penelitian

34 Kesimpulan & Saran Kesimpulan 1. 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. 2. 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 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. 3. 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 [Online]. Avaible: ( 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 2 nd 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 (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, InstitutTeknologi Sepuluh November. Laseduw,J.(2012) Kanker Tiroid. tiroid.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 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 diagnostik Karakteristik klinis di Bandingkandengan Biopsi patologi Anatomi dalam mendiagnosis Karsinoma Tiroid, Skripsi, fakultas KedokteranUniversitasdiponegoro,Semarang. (Di unduh tanggal 14 Oktober 2013) Walpole, (1995). Pengantar Statistika. Gramedia Pustaka Utama: Jakarta.

38