43
G. Ketepatan Hasil Diagnosa
Pengujian ketepatan hasil diagnosa dilakukan untuk menguji sejauh mana model memberikan ketepatan hasil diagnosa. Untuk menghitung ketepatan hasil
diagnosa digunakan tiga ukuran statistik. Tiga ukuran statistik tersebut adalah sensitivitas, spesifisitas, dan akurasi Zhu, Zeng Wang, 2010: 1. Hasil
kemungkinan yang dapat terjadi dalam hasil uji diagnosa tersaji pada Tabel 2.1 di bawah ini:
Tabel 2.1 Hasil Uji Diagnosa 2 Kategori
Hasil Uji Diagnosa
Kondisi Penyakit sebagaimana yang ditetapkan oleh Standar Kebenaran
Positif Negatif
Jumlah Baris Positif
TP FP
TP + FP
Negatif
FN TN
FN + TN
Jumlah Kolom
TP + FN FP + TN
N = TP + FN + FP + FN
dengan, � True Positive
: subjek yang memiliki penyakit dan hasil diagnosa menyatakan subjek memiliki penyakit.
�� False Positive : subjek yang tidak memiliki penyakit namun hasil
diagnosa menyatakan subjek memiliki penyakit. True Negative
: subjek yang tidak memiliki penyakit dan hasil diagnosa menyatakan subjek tidak memiliki penyakit.
� False Negative : subjek yang memiliki penyakit namun hasil
diagnosa menyatakan subjek tidak memiliki penyakit. Sensitivitas menyatakan proporsi subjek yang terindikasi positif berdasarkan
hasil pengujian dalam jumlah keseluruhan subjek yang memiliki penyakit. Dengan
44 kata lain, sensitivitas adalah peluang mendapatkan hasil positif pada subjek yang
memiliki penyakit Simundic, 2003: 3. Rumus sensitivitas adalah sebagai berikut: =
�� ��+�
×
2.43
Spesifisitas menyatakan proporsi subjek yang terindikasi negatif berdasarkan hasil pengujian dalam jumlah keseluruhan subjek yang tidak memiliki penyakit.
Dengan kata lain, spesifisitas adalah peluang mendapatkan hasil negatif pada subjek yang tidak memiliki penyakit Simundic, 2003: 4. Rumus spesifisitas adalah
sebagai berikut: =
� � +��
×
2.44
Akurasi adalah proporsi dari kebenaran hasil dimana hasil positif dan hasil negatif dalam populasi. Rumus akurasi adalah sebagai berikut:
=
� +��
×
2.45
45
BAB III PEMBAHASAN
Bab III merupakan pembahasan yang meliputi proses penelitian yaitu Fuzzy Radial Basis Function Neural Network FRBFNN, prosedur pembentukan model
FRBFNN, hasil model FRBFNN untuk deteksi dini kanker paru, dan ketepatan hasil deteksi dini kanker paru.
A. Fuzzy Radial Basis Function Neural Network FRBFNN
Fuzzy Radial Basis Function Neural Network FRBFNN merupakan model yang terintegrasi dari Radial Basis Function Neural Network RBFNN dan logika
fuzzy. Model tersebut menerapkan konsep teori himpunan fuzzy pada input, output dan lapisan tersembunyi. Penggunaan logika fuzzy yang diterapkan pada suatu
jaringan saraf tiruan untuk mengantisipasi dalam mengolah informasi-informasi yang memiliki ketidakpastian atau bersifat ambigu. Model RBFNN telah banyak
digunakan dalam menyelesaikan permasalahan-permasalahan seperti data mining, prediksi runtun waktu, pengolahan sinyal, sistem kontrol dan pengenalan pola.
Model FRBFNN melakukan pembelajaran jaringan secara hybrid dengan menggunakan pembelajaran tak terawasi unsupervised learning dan pembelajaran
terawasi supervised learning. Model FRBFNN menggunakan variabel input fuzzy yang didasarkan pada logika fuzzy, yaitu derajat keanggotaan masing-masing
himpunan fuzzy yang merupakan hasil dari proses fuzzifikasi input fitur, sedangkan proses pengambilan keputusan diselesaikan dengan menggunakan pendekatan
jaringan saraf tiruan.