seminar hasil tugas akhir -...

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

4Seminar Hasil Tugas Akhir|Selasa, 23 Juni 2014

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%


Latar belakang

7

Gula darah teregulasi

Gula darah belum

teregulasi

ANALISIS DISKRIMINANHYBRID

&ALGORITMA GENETIKA


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.


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


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?


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


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.


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.


TINJAUAN PUSTAKAKlasifikasi Pasien Penderita Diabetes Melitus Menggunakan


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


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


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


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)


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


Membentuk Klasifikasi

Klasifikasi

Grup Ajika Zk < Zct

Grup Bjika Zk > Zct

20

ActualPredict

Negatif Positif

Negatif TN FP

Positif FN TP


Algoritma Genetika

21

• Algoritma genetika adalah metode untuk memecahkan masalah optimasi yang didasarkan pada seleksi alam dan proses yang mendorong evolusi biologis.

Holland (1975)


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


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.


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


METODOLOGI PENELITIANKlasifikasi Pasien Penderita Diabetes Melitus Menggunakan


Sumber Data

26

DATA PASIEN 2012-2013

TEMPAT PRAKTEK

dR. IPUNG PARUHITO

Sp.PD

DATA SEKUNDER


Variabel Penelitian

Variabel Dependen

1 : Gula darah pasien telah teregulasi

2 : Gula darah pasien belum teregulasi


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)


Langkah Penelitian

Studi LiteraturMenentukan Variabel

PenelitianMengumpulkan Data

Penelitian

Melakukan pengolahan data dengan analisis

diskriminan dan algoritma genetika

Membandingkan hasil analisis kedua metode

Menarik kesimpulan


ANALISIS & PEMBAHASANKlasifikasi Pasien Penderita Diabetes Melitus Menggunakan


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


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


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



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)



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 :


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


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


Histogram Zscore

38

Domain antara -3,125 hingga 1,25 Domain antara -0,625 hingga 6,125


Membentuk klasifikasi

39

PrediksiTotal

Kelompok 1 Kelompok 2

AktualKelompok 1 13 2 15

Kelompok 2 2 9 11

Ketepatan klasifikasi = %6,84846,092312

913


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


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


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


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


Hasil Algoritma Genetika

44

)(033,1)(016,0)2(273,0639,2 usiadiastolicjppgdZ

Ketepatan Klasifikasi = 92,31%


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%


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.


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.


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).


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


http://www.mathworks.com/help/gads/how-the-genetic-algorithm-works.html

Selasa, 24 Juni 2014|Ruang Sidang Lantai 4

Ramadhana Dio Gradianta | 1310 100 076

Proposal Tugas Akhir

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

Dosen pembimbing : Dr. Irhamah, S.Si.,M.Si.

seminar hasil tugas akhir -...

Documents