1 newff
: digunakan untuk membentuk jaringan syaraf dengan backpropagation;
2 train
: digunakan untuk melakukan pelatihan jaringan; 3
sim : digunakan untuk melakukan output dari jaringan yang sudah
dilatih; 4
minmax : digunakan untuk mencari nilai minimum dan maksimum data
input; 5
trainParam : digunakan untuk menentukan parameter pelatihan jaringan seperti epoch, goal, learning rate, dan momentum coefisient
mc; 6
tansig, logsig : parameter fungsi aktivasi dari suatu layer jaringan: tansig adalah fungsi aktivasi bipolar sigmoid dan logsig fungsi
aktivasi binary sigmoid.
2.5 Confusion Matrix
Setelah dilakukan pemodelan data untuk klasifikasi, maka hal yang harus dikerjakan selanjutnya adalah menentukan seberapa besar tingkat akurasi sistem
tersebut dalam mengenali data set pengujian.
Suatu confusion matrix merupakan alat yang berguna untuk menganalisis seberapa baik pengklasifikasi tersebut dapat mengenali tupel dalam kelas-kelas
yang berbeda Hermoza et all., 2011. Misalnya terdapat m kelas data, confusion matrix adalah tabel ukuran minimal
× . Entri ��
,
dalam baris pertama
dan kolom menunjukkan jumlah tupel kelas yang dilabeli oleh pengelompok
sebagai kelas . Agar pengelompok memiliki akurasi yang baik, idealnya sebagian
besar tupel akan diwakili sepanjang diagonal dari confusion matrix, dari entri ��
1,1
sampai entri ��
,
, dengan sisa entri yang mendekati nol. Tabel ini dapat memiliki tambahan baris atau kolom untuk nilai total atau tingkat persentase per
kelas. Tabel 2.1 Contoh Confussion Matrix
Kelas Prediksi Kelas Utama
Suspek TBC Negatif TBC
Suspek TBC True Positive
False Negative Negatif TBC
False Positive True Negative
Diberikan dua kelas, yaitu tupel positif tupel dari kelas utama, misalnya, suspek TBC versus tupel negatif misalnya, negatif TBC.
a. True positives mengacu pada tupel positif yang dikelompokkan dengan benar
sebagai positif. b.
True negatives adalah tupel negatif yang dikelompokkan dengan benar sebagai negatif.
c. False positives adalah tupel negatif yang berlabel salah misalnya, tupel kelas
“negatif TBC” oleh pengelompok dikenali “suspek TBC”. d.
False negatives adalah tupel positif yang dilabelkan dengan salah misalnya, tupel dari kelas “suspek TBC” tetapi pengelompok dikenali sebagai “negatif
TBC”. Untuk mengetahui seberapa baik program tersebut dapat mengenali tupel
“suspek TBC” tupel positif dan seberapa baik pengelompok dapat mengenali tupel “negatif TBC” tupel negatif. Ukuran sensitivitas dan spesifisitas dapat
digunakan secara berurutan untuk tujuan ini.
Sensitivitas dapat disebut sebagai angka positif benar true positive yaitu proporsi dari tupel positif yang dikenali dengan benar, sedangkan spesifisitas
adalah angka negatif benar yaitu proporsi dari tupel negatif yang dikenali dengan benar. Ukuran ini didefinisikan sebagai berikut Hermoza et all., 2011.
= _
= _
� =
_ _
+ _
Keterangan:
t_pos : jumlah dari positif benar misalnya tupel “suspek TBC” yang
dikelompokkan dengan benar; pos
: jumlah dari tupel positif “suspek TBC”;
t_neg : jumlah dari negatif benar misalnya tupel “negatif TBC ” yang
dikelompokkan dengan benar; neg
: jumlah dari tupel negatif “negatif TBC”;
f_pos : jumlah dari positif salah misalnya tupel “negatif TBC” yang dilabelkan
salah sebagai “suspek TBC”.
46
BAB 3 METODE PENELITIAN
Pada penelitian ini metode atau langkah-langkah yang digunakan adalah sebagai berikut.
3.1 Studi Pustaka
Dalam studi pustaka ini digunakan sumber pustaka yang relevan yang digunakan untuk mengumpulkan informasi yang diperlukan dalam penelitian.
Studi pustaka dengan mengumpulkan sumber pustaka yang dapat berupa buku, teks, makalah, dan sebagainya. Setelah sumber pustaka terkumpul dilanjutkan
dengan penelaahan dari sumber pustaka tersebut. Pada akhirnya sumber pustaka itu dijadikan landasan untuk menganalisis permasalahan.
Dalam skripsi ini, perlu adanya studi pustaka yang berkaitan dengan permasalahan yang ada, yaitu tentang apa saja gejala-gejala umum penyakit TBC,
jaringan syaraf tiruan backpropagation dan software Matlab yang akan dimanfaatkan untuk membantu menyelesaikan masalah yang ada.
3.2 Perumusan Masalah
Tahap ini dimaksudkan untuk memperjelas permasalahan sehingga mempermudah pembahasan selanjutnya. Selain itu, perumusan masalah juga
menjadi sangat penting karena hal ini menjadi dasar dan tujuan akhir kenapa dilakukan penelitian ini. Masalah yang diangkat dalam penelitian ini adalah
bagaimana mengimplementasikan jaringan syaraf tiruan backpropagation sebagai sistem deteksi penyakit Tuberculosis. Agar bisa dimanfaatkan sebagai upaya
