66
D. Analisis Pengujian Sistem
Setelah data dimasukkan kedalam sistem maka langkah selanjutnya adalah melakukan pengujian pada data latih dan data uji, cara pengujian dilakukan dengan
penghitungan akurasi, True Positive , True Negative, False Positive dan False Negative
. Hasil deffuzifikasi 80 data training terdapat pada lampiran 11, dengan jumlah TP = 60, FP = 0, TN = 20, FN = 0. Dengan demikian diperoleh hasil nilai
akurasi, sensitivitas dan spesifisitas untuk data latih sebagai berikut.
79 100
100 98.75
80 jumlah data benar
akurasi jumlah data keseluruhan
Jadi, keakurasian sistem fuzzy untuk data latih sebesar 98.75.
60 100
100 100 60 0
TP sensitivitas
TP FN
Jadi, tingkat sensitivitas sistem fuzzy untuk data latih sebesar 100.
20 100
100 100 20 0
TN spesifisitas
TN FP
Jadi, tingkat spesifisitas sistem fuzzy untuk data latih sebesar 100. Setelah melakukan pengujian data latih selanjutnya adalah melakukan
pengujian untuk data uji, hasil deffuzifikasi data uji terdapat pada lampiran 12, dengan jumlah TP = 13, FP = 2, TN = 5, FN = 0. Dengan demikian diperoleh hasil
nilai akurasi, sensitivitas dan spesifisitas untuk data uji sebagai berikut.
16 100
100 80
20 jumlah data benar
akurasi jumlah data keseluruhan
Jadi, keakurasian sistem fuzzy untuk data uji sebesar 80.
13 100
100 100 13 0
TP sensitivitas
TP FN
67 Jadi, tingkat sensitivitas sistem fuzzy untuk data uji sebesar 100.
5 100
100 71.43
5 2 TN
spesifisitas TN
FP
Jadi, tingkat spesifisitas sistem fuzzy untuk data latih sebesar 100. Tingkat sensitivitas untuk data latih dan data uji adalah 100 sehingga
model mengklasifikasikan sesuai untuk diagnosa positif penyakit jantung.
E. Tampilan Diagnosa Penyakit Jantung dengan GUI
Konstruksi model fuzzy yang dibangun dengan GUI agar lebih menarik dan memudahkan pengguna dalam klasifikasi. Tampilan GUI dibuat berdasarkan model
fuzzy yang sudah dibangun. Berikut adalah rancangan akhir dari tampilan GUI
diagnose penyakit jantung
Gambar 4 .13 Tampilan layer GUI diagnosa penyakit jantung
Rancangan GUI diatas menggunakan contoh sinyal PCG data training dengan diagnosis normal. Sinyal dimasukkan dalam rancangan GUI yang telah dibuat untuk
mengekstraksi energi, kemudian memasukkan sinyal hasil dekomposisi untuk mengekstraksi minimum, maksimum, rata-rata dan standar deviasi. Kemudian hasil
68
ekstraksi dijadikan input pada model fuzzy yang dibangun. Setelah diproses menggunakan model fuzzy yang telah dibangun, diperoleh hasil bahwa sinyal PCG
data training tersebut normal. Hasil rancangan sistem GUI telah sesuai dengan rancangan model fuzzy yang telah diuji tingkat akurasinya.
69
BAB V PENUTUP
A. Kesimpulan
Berdasarkan pembahasan yang telah diuraikan sebelumnya, maka kesimpulan yang dapat diambil adalah sebagai berikut.
1. Klasifikasi penyakit jantung menggunakan wavelet fuzzy systems diawali
dengan pengambilan data pasien penyakit jantung di RSU PKU Muhammadiyah dari tanggal 28 Februari sampai dengan 18 April 2017
sebanyak 75 data penyakit jantung dengan tiga diagnosa dari dokter yaitu HHD, CHF, dan Angina Pectoris. Selain itu dilakukan pegambilan data
terhadap orang-orang dengan jantung normal sebanyak 25 data. Selanjutnya data dibagi menjadi 80 data latih dengan 20 data normal 20 data HHD, 20
data CHF, 20 data Angina Pectoris dan 20 data uji dengan 5 data normal, 5 data HHD, 5 data CHF, 5 data Angina Pectoris. Semua data kemudian
dlakukan normalisasi dan dipotong untuk diambil satu detakan, data yang sudah dinormalisasi dan dipotong kemudian didekomposisi dengan wavelet
haar pada level masing-masing, hasil dekomposisi digunakan untuk ekstraksi
fitur berupa nilai minimum, maksimum, rata-rata, standar deviasi dan energi yang digunakan untuk input dalam fuzzy systems. Fuzzy systems yang
digunakan adalah mamdani dengan defuzifikasi Mean of Maxima MOM dan terdapat 80 rule. Hasil klasifikasi diuji dengan diagnosa aslinya untuk mencari
nilai akurasi, sensitivitas, dan spesifisitasnya. Langkat terakhir adalah mengimplementasikan model wavelet fuzzy dengan GUI.
Kategori