c. Mulai Baru
Command button mulai baru pushbutton3 berfungsi untuk melakukan perintah mengosongkan semua isi form sebelumnya guna melakukan perhitungan
deteksi penyakit TBC dengan data variabel yang baru. Berikut adalah source code Matlab yang menjalankan perintah command button mulai baru pushbutton3
. function
pushbutton3_CallbackhObject, eventdata, handles sethandles.batuk,
String ,
; sethandles.sesak,
String ,
; sethandles.nyeri,
String ,
; sethandles.demam,
String ,
; sethandles.makan,
String ,
; sethandles.malaise,
String ,
; sethandles.node,
String ,
; sethandles.deteksi,
String ,
Hasil Deteksi... ;
4.3 Pengukuran Evaluasi Unjuk Kerja Sistem
Setelah sistem selesai dirancang, selanjutnya harus diuji tingkat akurasi sistem dalam mendeteksi suspek atau tidaknya seseorang mengidap TBC. Hal ini
dilakukan untuk mengetahui sejauh mana sistem dapat bekerja dalam mendeteksi suspek atau tidaknya seseorang mengidap TBC.
Sub bab ini akan membahas mengenai hasil dari sistem yang telah dirancang dan dibuat. Pembahasan akan diarahkan ke pembahasan mengenai hasil arsitektur
JST dalam proses pelatihan dan pengenalan.
4.3.1 Pembahasan Hasil Arsitektur Jaringan Syaraf Tiruan Backpropagation
Akan dilihat pengaruh perubahan learning rate dan jumlah neuron hidden layer terhadap MSE, lama waktu pelatihan, kemudian jumlah data yang dikenali
oleh sistem dengan benar.
Dari 80 data latih dan 20 data yang diujikan, diperoleh analisis sebagai berikut. Untuk masing-masing variasi, jumlah iterasi maksimum dan target error
sama, yaitu: Jumlah iterasi epoch
: 1000 Target error
: 0,001 Berikut disajikan dalam tabel hasil dari variasi arsitektur jaringan yang
dilakukan. Tabel 4.4. Analisis Hasil Variasi Arsitektur Jaringan
No. �
Banyaknya Neuron
Hidden Layer
Hasil Epoch
MSE Waktu
detik Data latih
yang dikenali
Data non latih
yang dikenali
Recog nition
rate 1
0,05 10
1000 0,283
0:00:07 57
13 70
2 0,05
50 1000
0,0378 0:00:09
74 20
94 3
0,05 100
1000 0,0112
0:00:10 80
20 100
4 0,1
10 1000
0.135 0:00:09
64 18
82 5
0,1 50
1000 0,0152
0:00:09 78
20 98
6 0,1
100 1000
0,0217 0:00:16
79 19
98 7
0,2 10
1000 0,0832
0:00:08 71
19 90
8 0,2
50 1000
0,00554 0:00:11
79 20
99 9
0,2 100
1000 0,00549
0:00:10 80
20 100
10 0,5
10 1000
0,012 0:00:07
79 20
99 11
0,5 50
1000 0,00368
0:00:08 79
20 99
12 0,5
100 1000
0,00144 0:00:11
80 20
100
13 0,75
10 1000
0,00757 0:00:07
80 20
100 14
0,75 50
1000 0,00193
0:00:10 80
20 100
15 0,75
100 1000
0,00128 0:00:11
79 19
98
Untuk menghitung tingkat akurasi sistem, digunakan confusion matrix dengan rumus sebagai berikut.
Berdasarkan Tabel 4.4 didapatkan bahwa arsitektur jaringan yang paling optimal dalam proses deteksi penyakit TBC adalah sebagai berikut
Learning rate : 0,5
Banyaknya neuron hidden layer : 100 Jumlah iterasi epoh
: 1000 Target error
: 0,001. Diperoleh recognition rate atau tingkat akurasi sistem sebesar 100
dengan MSE sebesar
0,00144
. 4.3.2
Pembahasan Hasil Pendeteksian
Data yang diujikan dalam sistem merupakan data yang telah dilatihkan dan data yang belum dilatihkan dalam sistem. Berikut hasil dari pendeteksian oleh
sistem berdasarkan variasi yang dilakukan. 1.
Variasi 1 a.
Hasil deteksi data latih a
True positives suspek TBC dikenali suspek TBC : 57
Ini berarti dari 80 data latih dapat dikenali dengan benar 57 data suspek TBC.
b False positives negatif TBC dikenali suspek TBC
: 23 Ini berarti dari 80 data latih terdapat 23 data negatif TBC yang
dikenali sistem sebagai data suspek TBC. Tabel 4.5 Confusion Matrix Hasil Deteksi Data Latih Variasi 1
Suspek TBC Negatif TBC
Suspek TBC 57
Negatif TBC 23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 Ini berarti dari 20 data uji dapat dikenali dengan benar 13 data suspek
TBC. b
False positives negatif TBC dikenali suspek TBC : 7
Ini berarti dari 20 data uji terdapat 7 data negatif TBC yang dikenali sistem sebagai data suspek TBC.
Tabel 4.6 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 1 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 70 .
2. Variasi 2
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 54 b
False positives negatif TBC dikenali suspek TBC : 3 Tabel 4.7 Confusion Matrix Hasil Deteksi Data Latih Variasi 2
Suspek TBC Negatif TBC Suspek TBC
54 3
Negatif TBC 3
20
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.8 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 2 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 94 .
3. Variasi 3
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 57 b
False positives negatif TBC dikenali suspek TBC : 0 Tabel 4.9 Confusion Matrix Hasil Deteksi Data Latih Variasi 3
Suspek TBC Negatif TBC Suspek TBC
57 Negatif TBC
23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.10 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 3 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 100 .
4. Variasi 4
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 50 b
False positives negatif TBC dikenali suspek TBC : 9
Tabel 4.11 Confusion Matrix Hasil Deteksi Data Latih Variasi 4 Suspek TBC Negatif TBC
Suspek TBC 50
7 Negatif TBC
9 14
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 2
Tabel 4.12 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 4 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 2
5 Recognition rate : 82
. 5.
Variasi 5 a.
Hasil deteksi data latih a
True positives suspek TBC dikenali suspek TBC : 56
b False positives negatif TBC dikenali suspek TBC : 1
Tabel 4.13 Confusion Matrix Hasil Deteksi Data Latih Variasi 5 Suspek TBC Negatif TBC
Suspek TBC 56
1 Negatif TBC
1 22
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.14 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 5 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 98 .
6. Variasi 6
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 56 b
False positives negatif TBC dikenali suspek TBC : 0 Tabel 4.15 Confusion Matrix Hasil Deteksi Data Latih Variasi 6
Suspek TBC Negatif TBC Suspek TBC
56 1
Negatif TBC 23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 12 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.16 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 6 Suspek TBC Negatif TBC
Suspek TBC 12
1 Negatif TBC
7 Recognition rate : 98
. 7.
Variasi 7 a.
Hasil deteksi data latih a
True positives suspek TBC dikenali suspek TBC : 52
b False positives negatif TBC dikenali suspek TBC : 4
Tabel 4.17 Confusion Matrix Hasil Deteksi Data Latih Variasi 7 Suspek TBC Negatif TBC
Suspek TBC 52
5 Negatif TBC
4 19
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.18 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 7 Suspek TBC Negatif TBC
Suspek TBC 13
1 Negatif TBC
6 Recognition rate : 90
. 8.
Variasi 8 a.
Hasil deteksi data latih a
True positives suspek TBC dikenali suspek TBC : 56
b False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.19 Confusion Matrix Hasil Deteksi Data Latih Variasi 8 Suspek TBC Negatif TBC
Suspek TBC 56
1 Negatif TBC
23 b.
Hasil deteksi data non latih data uji a
True positives suspek TBC dikenali suspek TBC : 13
b False positives negatif TBC dikenali suspek TBC
: 0 Tabel 4.20 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 8
Suspek TBC Negatif TBC Suspek TBC
13 Negatif TBC
7 Recognition rate : 99
.
9. Variasi 9
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 57 b
False positives negatif TBC dikenali suspek TBC : 0 Tabel 4.21 Confusion Matrix Hasil Deteksi Data Latih Variasi 9
Suspek TBC Negatif TBC Suspek TBC
57 Negatif TBC
23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.22 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 9 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 100 .
10. Variasi 10
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 56 b
False positives negatif TBC dikenali suspek TBC : 0 Tabel 4.23 Confusion Matrix Hasil Deteksi Data Latih Variasi 10
Suspek TBC Negatif TBC Suspek TBC
56 1
Negatif TBC 23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.24 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 10 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 99 .
11. Variasi 11
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 56 b
False positives negatif TBC dikenali suspek TBC : 0 Tabel 4.25 Confusion Matrix Hasil Deteksi Data Latih Variasi 11
Suspek TBC Negatif TBC Suspek TBC
56 1
Negatif TBC 23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.26 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 11 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 99 .
12. Variasi 12
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 57 b
False positives negatif TBC dikenali suspek TBC : 0 Tabel 4.27 Confusion Matrix Hasil Deteksi Data Latih Variasi 12
Suspek TBC Negatif TBC Suspek TBC
56 Negatif TBC
23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.28 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 12 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 100 .
13. Variasi 13
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 57 b
False positives negatif TBC dikenali suspek TBC : 0 Tabel 4.29 Confusion Matrix Hasil Deteksi Data Latih Variasi 13
Suspek TBC Negatif TBC Suspek TBC
56 Negatif TBC
23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 13 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.30 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 13 Suspek TBC Negatif TBC
Suspek TBC 13
Negatif TBC 7
Recognition rate : 100 .
14. Variasi 14
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 57 b
False positives negatif TBC dikenali suspek TBC : 0 Tabel 4.31 Confusion Matrix Hasil Deteksi Data Latih Variasi 14
Suspek TBC Negatif TBC Suspek TBC
56 Negatif TBC
23 b.
Hasil deteksi data non latih data uji a
True positives suspek TBC dikenali suspek TBC : 13
b False positives negatif TBC dikenali suspek TBC
: 0 Tabel 4.32 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 14
Suspek TBC Negatif TBC Suspek TBC
13 Negatif TBC
7 Recognition rate : 100
.
15. Variasi 15
a. Hasil deteksi data latih
a True positives suspek TBC dikenali suspek TBC
: 56 b
False positives negatif TBC dikenali suspek TBC : 1 Tabel 4.33 Confusion Matrix Hasil Deteksi Data Latih Variasi 15
Suspek TBC Negatif TBC Suspek TBC
56 Negatif TBC
1 23
b. Hasil deteksi data non latih data uji
a True positives suspek TBC dikenali suspek TBC
: 12 b
False positives negatif TBC dikenali suspek TBC : 0
Tabel 4.34 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 15 Suspek TBC Negatif TBC
Suspek TBC 12
1 Negatif TBC
7 Recognition rate : 98
.
4.4 Analisis Hasil Kerja Sistem