Seminar Hasil Tugas Akhir

Transkripsi

1 Seminar Hasil Tugas Akhir Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika Ramadhana Dio Gradianta Dosen pembimbing : Dr. Irhamah, S.Si.,M.Si. Selasa, 24 Juni 2014 Ruang Sidang Lantai 4

2 AGENDA Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran Daftar Pustaka 2

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

4 Latar belakang 4

5 Latar belakang Jumlah Penderita Diabetes Melitus Dunia (dalam juta) China India USA Indonesia 5

6 Latar belakang Tipe 1 Tipe 2 Tipe Lain Tipe Lain 2% Tipe 1 8% Tipe 2 90% 6

7 Latar belakang HYBRID ANALISIS DISKRIMINAN & ALGORITMA GENETIKA Gula darah teregulasi Gula darah belum teregulasi 7

8 Penelitian Sebelumnya Zamani (2013) Implementasi Algoritma Genetika Pada Struktur Backpropagation Neural Network Untuk Klasifikasi Kanker Payudara Neural Network yang dioptimalkan parameternya menggunakan algoritma genetika terbukti mampu menghasilkan nilai rata-rata akurasi yang tinggi Raj dan Rajesh (2012) Classification Rule Discovery for Diabetes Patients by Using Genetic Programming Menggunakan algoritma genetika, akurasi yang diperoleh dari hasil klasifikasi lebih tinggi dibandingkan dengan metode konvensional. 8

9 Penelitian Sebelumnya Agus Nurkhozin (2011) Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Klasifikasi menggunakan LVQ memberikan tingkat akurasi yang lebih tinggi dibandingkan dengan jaringan Backpropagation Jehri Wahyu (2012) Boosting Neural Network dan Boosting CART Pada Klasifikasi Diabetes Melitus Tipe II Boosting CART menghasilkan akurasi yang lebih tinggi dibandingkan dengan Boosting Neural Network 9

10 Perumusan masalah Bagaimana ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan analisis diskriminan? Bagaimana ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan metode hybrid analisis diskriminan dan algoritma genetika? Bagaimana perbandingan ketepatan klasifikasi menggunakan metode analisis diskriminan dan hybrid diskriminan-algoritma genetika? 10

11 Tujuan Penelitian Mendapatkan nilai ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan analisis diskriminan Mendapatkan nilai ketepatan klasifikasi penderita diabetes me-litus tipe dua dengan menggunakan metode hybrid analisis dis-kriminan-algoritma genetika. Membandingan ketepatan klasifikasi dengan menggunakan metode analisis diskriminan dan hybrid diskriminan-algoritma genetika 11

12 Manfaat Penelitian Sebagai informasi tambahan untuk mengambil suatu tindakan pada pasien diabetes melitus berdasarkan pengklasifikasian. Menjadi informasi tambahan bagi Dinas Kesehatan dalam membuat kebijakankebijakan untuk menekan angka penderita diabetes melitus di Indonesia Hasil perbandingan metode dapat digunakan sebagai dasar untuk menentukan klasifikasi pasien penyakit lain dengan akurasi yang lebih tinggi. 12

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. 13

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

15 Uji Distribusi Normal Multivariat Hipotesis : H 0 : Data pengamatan berdistribusi normal multivariat H 1 : Data pengamatan tidak berdistribusi normal multivariat Statistik Uji : d 2 j x 1 x j j Jika terdapat sekitar 50% ; maka dapat dikatakan bahwa variabel random x berdistribusi normal multivariat. 15

16 Uji Kesamaan Varian-Kovarian Hipotesis : H 0 : 0 = 1 = 2 =... k =. H 1 : Sedikitnya ada dua kelompok yang berbeda. Statistik uji Box s M (Johnson & Wichern, 2007) : M 2ln * k j 1 ( n j 1) ln S k n j 1 ln S j H0 ditolak jika C > χ 2 p(p+1)(k-1)/2,α dan dapat disimpulkan bahwa antar kelompok mempunyai matriks varian - kovarian yang berbeda pooled j 1 16

17 Uji Perbedaan Rata-rata Hipotesis : H 0 : µ 1 = µ 2 = = µ k H 1 : µ i µ j (minimal terdapat 2 kelompok yang berbeda) Statistik Uji Wilks Lambda (Johnson & Wichern, 2007): ˆ ˆ 0 Wilks Lambda mendekati nilai nol, maka H 0 ditolak, artinya terdapat perbedaan kelompok di antara individu. n / 2 17

18 Analisis Diskriminan Dillon and Goldstein (1984) Suatu teknik analisa statistik untuk mengklasifikasikan objek ke dalam suatu kelompok tertentu berdasarkan peubah bebasnya Johnson Wichern (2007) Suatu metode yang dapat menghasilkan pemisahan yang terbaik antara berbagai macam populasi berdasarkan kombinasi linear dari peubah-peubah bebasnya 18

19 Analisis Diskriminan Persamaan umum dari fungsi diskriminan untuk setiap objek sebagai berikut. Z jk a w x w x k Nilai prediksi dari fungsi diskriminan merupakan skor diskriminan (Z). Skor diskriminan dikalkulasi untuk setiap objek di dalam analisis (Hair, 2009) 2 2k w n x nk 19

20 Membentuk Klasifikasi Grup A Actual Negatif Predict Klasifikasi Positif Negatif TN FP Positif FN TP jika Z k < Z ct Grup B jika Z k > Z ct 20

21 Algoritma Genetika Holland (1975) Algoritma genetika adalah metode untuk memecahkan masalah optimasi yang didasarkan pada seleksi alam dan proses yang mendorong evolusi biologis. 21

22 Langkah-langkah algoritma genetika : Membuat populasi awal secara acak. Menciptakan urutan populasi baru. SELEKSI PINDAH Elitisme ORANG SILANG TUA SELEKSI ORANG TUA K40 0 Fitness = a K1 NILAI FITNESS K3 KONVERGEN 1 1 PINDAH SILANG Orang Tua Fitness = 1 b Algoritma berhenti ketika salah satu kriteria telah terpenuhi Anak Elitisme K Fitness 1 = z

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, hipotiroidisme, hipogonadisme, dan lainlain. 23

24 Tipe-Tipe Diabetes Melitus Tipe 12 Terjadi karena 90% berkurangnya rasio insulin dalam sirkulasi darah akibat hilangnya sel beta penghasil insulin Pasien diabetes melitus tipe dua Tipe Kondisi 2 pasca pemberian obat Tipe lain Terjadi bukan disebabkan oleh rasio insulin di dalam sirkulasi darah, melainkan merupakan Terjadi hanya selama kehamilan dan pulih Gula darah teregulasi setelah melahirkan, dengan keterlibatan interleukin-6 dan Gula kelainan darah metabolisme belum protein teregulasi reaktif C pada yang disebabkan oleh lintasan mutasi pada banyak patogenesisnya gen 24

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

26 Sumber Data DATA SEKUNDER TEMPAT PRAKTEK dr. IPUNG PARUHITO Sp.PD DATA PASIEN

27 Variabel Penelitian Variabel Dependen 1 : Gula darah pasien telah teregulasi 2 : Gula darah pasien belum teregulasi 27

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) 28

29 Langkah Penelitian Studi Literatur Menentukan Variabel Penelitian Mengumpulkan Data Penelitian Menarik kesimpulan Membandingkan hasil analisis kedua metode Melakukan pengolahan data dengan analisis diskriminan dan algoritma genetika 29

30 ANALISIS & PEMBAHASAN Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika

31 Karakteristik Pasien DM Tipe 2 Variabel Prediktor Rata-rata Simpangan baku Max Min Gula darah 2jpp 219,10 113, GD2JPP > 200 mg/dl Sistolic 132,16 19, Diastolic 81,635 9, Gula darah puasa 159,06 80, GDP > 140 mg/dl Usia 56,59 10,

32 Karakteristik Pasien DM Tipe 2 Variabel prediktor Gula darah 2jpp Rata-rata Simpangan baku Max Min T BT T BT T BT T BT 147,54 320,70 47,23 101, Rata-rata = 128,64 mg/dl < 140 mg/dl Sistolic 127,95 138,14 17,16 21, Diastolic 79,18 85,12 8,81 10, Gula darah puasa 109,74 229,00 28,94 79, Rata-rata = 275,85 mg/dl > 140 mg/dl Usia 59,56 52,37 10,98 8,

33 Uji asumsi analisis diskriminan Uji Distribusi Normal Multivariat Hipotesis : H 0 : Data pengamatan berdistribusi normal multivariat H 1 : 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%. q dd Data berdistribusi normal multivariat 33

34 Uji asumsi analisis diskriminan Uji Kesamaan Matriks Varian-Kovarian Hipotesis : H 0 : 0 = 1 = 2 =... k =. H 1 : Sedikitnya ada dua kelompok yang berbeda. Statistik Uji : Box s M = 36,510 χ 2 15;0,05 = 24,996 Kesimpulan : Tolak H 0, karena statistik uji Box s M > χ 2 15;0,05 Varian-kovarian kedua kelompok tidak homogen Analisis fungsi diskriminan tetap robust walaupun asumsi kesamaan variankovarian tidak terpenuhi (Gozhali, 2006) 34

35 Uji asumsi analisis diskriminan Uji Perbedaan Rata-Rata Antar Kelompok Hipotesis : H 0 : µ 1 = µ 2 = = µ k H 1 : 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. Statistik Uji : 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 Data memiliki rata-rata yang berbeda antar kelompok 35

36 Pemilihan model terbaik Variabel pembentuk fungsi diskriminan : Gula darah 2 jam past prandial Usia Tekanan darah diastolic Berhenti ketika tidak ada lagi F hitung > F tabel = 3,84 36

37 Pembentukan Model Diskriminan Z 2,912 0,013( gd 2 jpp) 0,031( diastolic ) 0,042( usia) Grup Centroid Kelompok 1 = -1,100 Grup Centroid Kelompok 2 = 1,560 Critical Cutting Score = 0,23 37

38 Histogram Z score Domain antara -3,125 hingga 1,25 Domain antara -0,625 hingga 6,125 38

39 Membentuk klasifikasi Aktual Prediksi Kelompok 1 Kelompok 2 Total Kelompok Kelompok Ketepatan klasifikasi = 0,846 84,6%

40 Inisialisasi Kromosom KROMOSOM FITNESS KROMOSOM , , , ,

41 Roulette Wheel Populasi Fitness Relatif Fitness Komulatif Fitness ke- (rk) (kk) Bilangan Random 1 0,0769 0, , , ,4231 0, , , ,5769 0, , Populasi ke-dua terpilih sebagai induk untuk proses crossover 41

42 Crossover INDUK ANAK Kedua kromosom telah berpindahsilang 42

43 Elitisme KROMOSOM FITNESS KROMOSOM Generasi Pertama Generasi Kedua

44 Hasil Algoritma Genetika Z 2,639 0,273( gd 2 jpp) 0,016( diastolic ) 1,033( usia) Ketepatan Klasifikasi = 92,31% 44

45 Perbandingan Metode Parameter Ketepatan Klasifikasi Analisis diskriminan a = -2,912 w 1 = 0,013 w 3 = 0,031 w 5 = -0,042 84,6% a = -2,6393 Hybrid analisis w diskriminan dan 1 = 0,2739 w algoritma genetika 3 = -0,0169 w 5 = -1, ,31% Hybrid analisis diskriminan-algoritma genetika memberikan akurasi yang lebih tinggi 45

46 Kesimpulan 1 2 Akurasi dengan analisis diskriminan sebesar 84,6% dengan parameter fungsi diskriminan antara lain a=-2,912; w 1 = 0,013; w 3 = 0,031; dan w 5 = -0,042. Akurasi dengan hybrid analisis diskriminan dan algoritma genetika sebesar 92,31%. Parameter fungsi diskriminan yang diperoleh antara lain a = -2,6393; w 1 = 0,2739; w 3 = -0,0169; dan w 5 = -1, Hybrid diskriminan-algoritma genetika menghasilkan ketepatan klasifikasi yang lebih tinggi dibandingkan analisis diskriminan. 46

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. 47

48 Daftar Pustaka Darmanto, E 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 Computaional Intelligence. South Africa: John Wiley & Sons. Inc. Fernanda, J. W Boosting Neural Network dan Boosting Cart Pada Klasifkasi Diabetes Militus Tipe II. Surabaya: ITS. Ghozali, Imam Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : Badan Penerbit Universitas Diponegoro Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E Multivariate Data Analysis (7th Edition ed.). New Jersey: Pearson Prentice Hall. Johnson, N. & Wichern, D Applied Multivariate Statistical Analysis, 6th Edition. New Jersey: Prentice Hall, Englewood Cliffs. Kumar, R. & Verma, R Classification Rule Discovery for Diabetes Patients by Using Genetic Programming. India : International Journal of Soft Computing and Engineering (IJSCE). 48

49 Daftar Pustaka MathWorks Diakses 23 Oktober 2013, dari How The Genetic Algorithm Works: Nurkhozin, A Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropa-gation Dan Learning Vector Quantization. Surabaya: ITS. Suyanto Algoritma Genetika dalam Matlab. Yogyakarta : Andi Offset. Tjokronegoro,A & Utama, H Ilmu Penyakit Dalam. Jakarta: Gaya Baru. Widodo, T.S Komputasi Evolusioner. Yogyakarta: Graha Ilmu. Wikipedia, Diakses 23 Oktober 2013, dari Diabetes Melitus: Zamani Implementasi Algoritma Genetika Pada Struktur Backpropagation Neural Network Untuk Klasifikasi Kanker Payudara. Surabaya: ITS. 49

50 Proposal Tugas Akhir Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika Ramadhana Dio Gradianta Dosen pembimbing : Dr. Irhamah, S.Si.,M.Si. Selasa, 24 Juni 2014 Ruang Sidang Lantai 4