seminar hasil tugas akhir -...
Post on 03-Mar-2019
231 Views
Preview:
TRANSCRIPT
Selasa, 24 Juni 2014|Ruang Sidang Lantai 4
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.
AGENDA
PendahuluanTinjauan Pustaka
Metodologi Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
Daftar Pustaka
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014 2
PendahuluanKlasifikasi Pasien Penderita Diabetes Melitus Menggunakan
Metode Hybrid Analisis Diskriminan dan Algoritma Genetika
Latar belakang
5
11.1 10.8
8.98.4
China India USA Indonesia
Jumlah Penderita Diabetes Melitus Dunia(dalam juta)
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Latar belakang
6
Tipe 1 Tipe 2 Tipe LainTipe 1
8%
Tipe 290%
Tipe Lain2%
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Latar belakang
7
Gula darah teregulasi
Gula darah belum
teregulasi
ANALISIS DISKRIMINANHYBRID
&ALGORITMA GENETIKA
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Penelitian Sebelumnya
8
Implementasi Algoritma Genetika Pada Struktur BackpropagationNeural 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.
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Penelitian Sebelumnya
9
Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus MenggunakanJaringan 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
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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?
10Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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
11Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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.
12Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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.
13Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
TINJAUAN PUSTAKAKlasifikasi Pasien Penderita Diabetes Melitus Menggunakan
Metode Hybrid Analisis Diskriminan dan Algoritma Genetika
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 bahwavariabel random x berdistribusi normal multivariat.
jjj xxd 12
15Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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 > χ2p(p+1)(k-1)/2,α dan dapat disimpulkan bahwa antar
kelompok mempunyai matriks varian - kovarian yang berbeda
16
j
k
jjpooled
k
jj SnSnM ln1ln)1(*ln2
11
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Uji Perbedaan Rata-rata
Hipotesis :
• H0 : µ1 = µ2 = … = µk
• H1 : µi ≠ µj (minimal terdapat 2 kelompok yang berbeda)
Statistik Uji Wilks’Lambda (Johnson & Wichern, 2007):
Wilks’ Lambda mendekati nilai nol, maka H0 ditolak, artinya terdapatperbedaan kelompok di antara individu.
17
2/
0ˆ
ˆn
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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)
18Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Analisis Diskriminan
19
Persamaan umum dari fungsi diskriminan untuk setiap objek sebagaiberikut.
Nilai prediksi dari fungsi diskriminan merupakan skor diskriminan (Z).Skor diskriminan dikalkulasi untuk setiap objek di dalam analisis (Hair,2009)
nknkkjk xwxwxwaZ ...2211
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Membentuk Klasifikasi
Klasifikasi
Grup Ajika Zk < Zct
Grup Bjika Zk > Zct
20
ActualPredict
Negatif Positif
Negatif TN FP
Positif FN TP
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Algoritma Genetika
21
• Algoritma genetika adalah metode untuk memecahkan masalah optimasi yang didasarkan pada seleksi alam dan proses yang mendorong evolusi biologis.
Holland (1975)
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Langkah-langkah algoritma genetika :
22
Membuat populasi awal secara acak.
Menciptakan urutan populasi baru.
Algoritma berhenti ketika salah satu
kriteria telah terpenuhi.
0 1 0 011 1
1 1 0 110 1
1 0 0 101 1
PINDAH SILANG
Elitisme
SELEKSI ORANG TUA
SELEKSI ORANG TUA
K1
K2
K3
K4
PINDAH SILANG
1 0 0 110 1
1 1 0 110 1
1 1 0 001 0
Orang Tua
Anak
1 0 0 001 0
Elitisme
1 1 1 01 0
1 1 1 01 1
Fitness = a
Fitness = b
1 1 1 01 1 Fitness = z
NILAI FITNESS
KONVERGEN
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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 lain-lain.
23Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
METODOLOGI PENELITIANKlasifikasi Pasien Penderita Diabetes Melitus Menggunakan
Metode Hybrid Analisis Diskriminan dan Algoritma Genetika
Sumber Data
26
DATA PASIEN 2012-2013
TEMPAT PRAKTEK
dR. IPUNG PARUHITO
Sp.PD
DATA SEKUNDER
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Variabel Penelitian
Variabel Dependen
1 : Gula darah pasien telah teregulasi
2 : Gula darah pasien belum teregulasi
27Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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)
28Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Langkah Penelitian
Studi LiteraturMenentukan Variabel
PenelitianMengumpulkan Data
Penelitian
Melakukan pengolahan data dengan analisis
diskriminan dan algoritma genetika
Membandingkan hasil analisis kedua metode
Menarik kesimpulan
29Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
ANALISIS & PEMBAHASANKlasifikasi Pasien Penderita Diabetes Melitus Menggunakan
Metode Hybrid Analisis Diskriminan dan Algoritma Genetika
Karakteristik Pasien DM Tipe 2
31
Variabel
PrediktorRata-rata
Simpangan
bakuMax 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
puasa159,06 80,89 445 38
Usia 56,59 10,53 90 36
GD2JPP > 200 mg/dl
GDP > 140 mg/dl
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Variabel
prediktor
Rata-rata Simpangan baku Max Min
T BT T BT T BT T BT
Gula darah
2jpp147,54 320,70 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
puasa109,74 229,00 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
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Uji asumsi analisis diskriminan
33
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 H0, karena proporsi di sekitar 50%.
20151050
15
10
5
0
dd
q
Data berdistribusi normal multivariat
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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
χ215;0,05 = 24,996
Kesimpulan : Tolak H0, karena statistik uji Box’s M > χ215;0,05
Varian-kovarian kedua kelompok tidak homogen
Analisis fungsi diskriminan tetap robust walaupun asumsi kesamaan varian-kovarian tidak terpenuhi (Gozhali, 2006)
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Uji asumsi analisis diskriminan
35
Uji Perbedaan Rata-Rata Antar Kelompok
Hipotesis :
• H0 : µ1 = µ2 = … = µk
• H1 : µi ≠ µj (minimal terdapat 2 kelompok yang berbeda)
Kesimpulan : Tolak H0, terdapat 3 variabel yang mengandung statistik uji wilk’s lambdayang menjauhi 1.
Data memiliki rata-rata yang berbeda antar kelompok
Variabel
prediktor
Wilks'
LambdaPvalue
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 :
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Pemilihan model terbaik
36
Berhenti ketika tidak ada lagi Fhitung > Ftabel = 3,84
Variabel pembentuk fungsi diskriminan :
Gula darah 2 jam past prandial
Usia
Tekanan darah diastolic
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Pembentukan Model Diskriminan
37
Grup Centroid Kelompok 1 = -1,100
)(042,0)(031,0)2(013,0912,2 usiadiastolicjppgdZ
Grup Centroid Kelompok 2 = 1,560
Critical Cutting Score = 0,23
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Histogram Zscore
38
Domain antara -3,125 hingga 1,25 Domain antara -0,625 hingga 6,125
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Membentuk klasifikasi
39
PrediksiTotal
Kelompok 1 Kelompok 2
AktualKelompok 1 13 2 15
Kelompok 2 2 9 11
Ketepatan klasifikasi = %6,84846,092312
913
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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 KROMOSOMFITNESS
2.5876 0.2888 0.0310 -1.2583
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Roulette Wheel
41
Populasike-
FitnessFitness 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
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Elitisme
43
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 -1.25830.0769
KROMOSOM KROMOSOMFITNESS
2.5876 0.2888 0.0310 -1.2583
Generasi PertamaGenerasi Kedua
2
3
4
50
51
52
53
54
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Hasil Algoritma Genetika
44
)(033,1)(016,0)2(273,0639,2 usiadiastolicjppgdZ
Ketepatan Klasifikasi = 92,31%
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Perbandingan
45
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 = -2,6393w1 = 0,2739w3 = -0,0169w5 = -1,0334
92,31%
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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.
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Saran
47
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.
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
Daftar PustakaDarmanto, 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).
48Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
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.
49
Daftar Pustaka
Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014
top related