Pengidentifikasian Penyakit Erythemato-Squamous Menggunakan Probabilistic Neural Network
ABSTRAK
ADITYA NUGROHO. Pengidentifikasian Penyakit Erythemato-Squamous menggunakan
Probabilistic Neural Network. Dibimbing oleh AGUS BUONO, HERU SUKOCO dan ARIEF
RAMADHAN.
Diagnosa untuk membedakan penyakit-penyakit erythemato-squamous merupakan masalah
dalam ilmu tentang kesehatan kulit (dermatologi). Penyakit-penyakit yang termasuk ke dalam
kelompok tersebut adalah psoriasis, seboreic dermatitis, lichen planus, pityriasis rosea, cronic
dermatitis dan pityriasis rubra pilaris. Pada pengamatan awal, penyakit-penyakit tersebut
memiliki ciri-ciri klinis erythema dan scaling dengan perbedaan-perbedaan yang sangat kecil
(Merz dan Murphy dalam Kustiyo 2004).
Tujuan dari penelitian ini adalah mengetahui ketepatan hasil pengklasifikasian penyakit
erythemato-squamous menggunakan Probabilistic Neural Network (PNN) dengan pengelompokan
data family history serta selang umur, sedangkan nilai smoothing parameter yang digunakan
adalah 0.25, 0.5, 0.75 dan 1.
Rata-rata keakuratan dega algoritma PNN untuk data family history 1 dan 0 masing-masing
sebesar 87.68% dan 42.38%, sedangkan untuk pengelompokan umur, selang dewasa (18-40)
menghasilkan ketepatan tertinggi, maka algoritma PNN seperti yang digunakan dalam penelitian
ini dapat menjadi salah satu alternatif untuk indentifikasi penyakit erythemato-squamous pada data
kelompok family history 1 dan selang dewasa.
Kata Kunci: probabilistic neural network, pnn, erythemato-squamous.
PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS
MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
ADITYA NUGROHO
G06400039
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS
MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
ADITYA NUGROHO
G06400039
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS
MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Oleh:
ADITYA NUGROHO
G06400039
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
ABSTRAK
ADITYA NUGROHO. Pengidentifikasian Penyakit Erythemato-Squamous menggunakan
Probabilistic Neural Network. Dibimbing oleh AGUS BUONO, HERU SUKOCO dan ARIEF
RAMADHAN.
Diagnosa untuk membedakan penyakit-penyakit erythemato-squamous merupakan masalah
dalam ilmu tentang kesehatan kulit (dermatologi). Penyakit-penyakit yang termasuk ke dalam
kelompok tersebut adalah psoriasis, seboreic dermatitis, lichen planus, pityriasis rosea, cronic
dermatitis dan pityriasis rubra pilaris. Pada pengamatan awal, penyakit-penyakit tersebut
memiliki ciri-ciri klinis erythema dan scaling dengan perbedaan-perbedaan yang sangat kecil
(Merz dan Murphy dalam Kustiyo 2004).
Tujuan dari penelitian ini adalah mengetahui ketepatan hasil pengklasifikasian penyakit
erythemato-squamous menggunakan Probabilistic Neural Network (PNN) dengan pengelompokan
data family history serta selang umur, sedangkan nilai smoothing parameter yang digunakan
adalah 0.25, 0.5, 0.75 dan 1.
Rata-rata keakuratan dega algoritma PNN untuk data family history 1 dan 0 masing-masing
sebesar 87.68% dan 42.38%, sedangkan untuk pengelompokan umur, selang dewasa (18-40)
menghasilkan ketepatan tertinggi, maka algoritma PNN seperti yang digunakan dalam penelitian
ini dapat menjadi salah satu alternatif untuk indentifikasi penyakit erythemato-squamous pada data
kelompok family history 1 dan selang dewasa.
Kata Kunci: probabilistic neural network, pnn, erythemato-squamous.
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 16 Desember 1981 dari ayah Tjipto Sunarjo dan
ibu Sri Saptaningsih. Penulis adalah putra pertama dari empat bersaudara.
Penulis memulai pendidikan formal pada tahun 1986 di TK Seruni dan lulus pada tahun
1988, kemudian melanjutkan pendidikan di SDS Kartika Sari Jakarta Selatan dan lulus pada tahun
1994. Setelah itu penulis melanjutkan pendidikan di SLTPN 98 Jakarta, lulus pada tahun 1997.
Pendidikan menengah atas ditempuh penulis di SMUN 38 Jakarta dan lulus pada tahun 2000. Pada
tahun yang sama penulis diterima di Departemen Ilmu Komputer Fakultas Matematika dan Ilmu
Pengetahuan Alam IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru.
Pada tahun 2004 Penulis menjalankan Praktik Lapang di PT Indosat selama kurang lebih
dua bulan. Penulis beberapa kali menjadi asisten pelatihan pemrograman berbasis web
menggunakan PHP yang diadakan oleh Badan Diklat Departemen dalam Negeri.
DAFTAR ISI
Halaman
DAFTAR TABEL ..........................................................................................................................viii
DAFTAR LAMPIRAN...................................................................................................................viii
PENDAHULUAN
Latar Belakang........................................................................................................................ 1
Tujuan Penelitian.....................................................................................................................1
Ruang Lingkup........................................................................................................................ 1
Manfaat Penelitian...................................................................................................................1
TINJAUAN PUSTAKA
Probabilistic Neural Network (PNN)...................................................................................... 1
Validasi Silang.........................................................................................................................2
METODE PENELITIAN
Data..........................................................................................................................................3
Validasi Silang.........................................................................................................................4
Pelatihan dan Pengujian Sistem...............................................................................................4
Spesifikasi Perangkat Lunak dan Perangkat Keras................................................................. 5
HASIL DAN PEMBAHASAN
Perbandingan Ketepatan kelompok data antara family history nilai 1 berdasarkan umur...... 5
Perbandingan Ketepatan kelompok data antara family history nilai 0 berdasarkan umur...... 6
Perbandingan Ketepatan kelompok data antara family history nilai 1 dengan nilai 0.............6
KESIMPULAN DAN SARAN
Kesimpulan..............................................................................................................................6
Saran........................................................................................................................................ 6
DAFTAR PUSTAKA........................................................................................................................ 6
vii
DAFTAR TABEL
Halaman
1 Contoh Data Pengelompokan berdasarkan family history nilai 1 ................................................. 3
2 Contoh Data Pengelompokan berdasarkan family history nilai 0 .................................................3
3 Pengelompokan data family history nilai 1 dengan umur anak.....................................................3
4 Pengelompokan data family history nilai 1 dengan umur dewasa................................................ 3
5 Pengelompokan data family history nilai 1 dengan umur tua....................................................... 3
6 Pengelompokan data family history nilai 0 dengan umur anak.....................................................3
7 Pengelompokan data family history nilai 0 dengan umur dewasa................................................ 3
8 Pengelompokan data family history nilai 0 dengan umur tua....................................................... 4
9 18 Kelompok data ......................................................................................................................... 4
10 Pasangan data pelatihan, data pengujian, dan smoothing parameter ........................................... 4
DAFTAR LAMPIRAN
Halaman
1 Data yang digunakan dalam penelitian........................................................................................... 9
2 Daftar atribut pemeriksaan klinis.................................................................................................. 10
3 Daftar atribut pemeriksaan histopatologis.....................................................................................10
4 Data hasil pengelompokan parent history.....................................................................................11
5 Pengelompokan berdasarkan umur............................................................................................... 13
6 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 1.........................................17
7 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 0.........................................17
viii
PENDAHULUAN
Latar Belakang
Diagnosa untuk membedakan penyakitpenyakit erythemato-squamous merupakan
masalah dalam ilmu tentang kesehatan kulit
(dermatologi).
Penyakit-penyakit
yang
termasuk ke dalam kelompok tersebut adalah
psoriasis, seboreic dermatitis, lichen planus,
pityriasis rosea, cronic dermatitis dan
pityriasis rubra pilaris. Pada pengamatan
awal, penyakit tersebut memiliki ciri-ciri
klinis erythema dan scaling dengan perbedaan
yang sangat kecil (Merz dan Murphy 1996,
diacu dalam Kustiyo 2004).
Dalam dunia kedokteran, langkah-langkah
yang dilakukan untuk menentukan jenis
penyakit tersebut terdiri atas dua tahap yaitu
pemeriksaan secara klinis dan histopatologis.
Nilai yang diberikan untuk hasil pemeriksaan
histopatologis ditentukan melalui analisis
terhadap sampel yang diamati menggunakan
mikroskop. Kesulitan yang timbul pada
evaluasi tersebut adalah satu penyakit dapat
menunjukkan ciri-ciri histopatologis penyakit
lain pada tahap permulaan dan baru
menunjukkan karakteristik yang sebenarnya
pada tahap berikutnya (Merz dan Murphy
1996, diacu dalam Kustiyo 2004).
Beberapa penelitian telah dilakukan untuk
memprediksi jenis penyakit tersebut, antara
lain menggunakan algoritma nearest neighbor
classifier, naïve bayesian classifier, voting
feature intervals-5, algoritma genetika, dan
jaringan syaraf tiruan (JST) dengan algoritma
propagasi balik.
Penelitian yang menggunakan JST
dilakukan oleh Lay (1999) dengan
menggunakan algoritma propagasi balik dan
algoritma apriori, yang menghasilkan
ketepatan prediksi sebesar 68.00%. Algoritma
propagasi balik digunakan Kustiyo (2004)
dengan
inisialisasi
pembobot
awal
menggunakan regresi logistik biner yang
menghasilkan ketepatan prediksi sebesar
94.40%, serta menggunakan inisialisasi
pembobot acak yang menghasilkan ketepatan
prediksi sebesar 76.02% sedangkan pada
Fajriyati
(2005)
dilakukan
penelitian
menggunakan JST propagasi balik dengan
insialisasi bobot awal acak dan NguyenWidrow, dengan ketepatan masing-masing
96.65 % dan 94.42 %
Ketepatan prediksi menggunakan model
JST tersebut masih lebih rendah dibandingkan
dengan ketepatan prediksi menggunakan
algoritma lainnya yang mencapai 99.20%,
yaitu menggunakan voting feature interval-5
(Güvenir et al 1998).
Semua penelitian yang telah dilakukan
belum mencakup pembedaan faktor family
history dan selang umur (anak, dewasa, dan
tua). Oleh karena itu pada penelitian ini akan
digunakan algoritma Probilistic Neural
Network (PNN) untuk menganalisis data.
Tujuan Penelitian
Tujuan dari penelitian ini ialah
menganalisa ketepatan hasil pengklasifikasian
penyakit erythemato-squamous menggunakan
PNN yang dikelompokan berdasarkan family
history dan umur.
Ruang Lingkup
Penelitian ini menggunakan data asli dari
hasil diagnosa terhadap pasien. Teknik
pembelajaran yang digunakan adalah teknik
PNN. Nilai smoothing parameter (h) yang
digunakan yaitu 0.25, 0.5, 0.75 dan 1. Selang
umur yang digunakan yaitu anak (0 sampai
17), dewasa (18 sampai 40) dan tua (41
sampai 75).
Manfaat Penelitian
Manfaat dari penelitian ini ialah sistem
dapat mengetahui ketepatan hasil diagnosa
pasien.
TINJAUAN PUSTAKA
Probabilistic Neural Network (PNN)
Probabilistic Neural Network (PNN)
diperkenalkan oleh Donal F. Spect tahun 1990
dalam tulisannya berjudul “Probabilistic
Neural
Network”
yang
merupakan
penyempurnaan ide-ide sebelumnya yang
telah dilakukannya sejak 1966 (Fausett 1994).
Probabilistic Neural Network
dirancang
menggunakan ide dari teori probabilitas klasik
yaitu
Bayesian
dan
estimator
pengklasifikasian Parzen untuk Probability
Density Function. Dengan menggunakan
pengklasifikasian Bayesian dapat ditentukan
bagaimana
sebuah
data
masukkan
diklasifikasi sebagai anggota suatu kelas dari
beberapa kelas yang ada, yaitu yang
mempunyai nilai maksimum pada kelas
tersebut (Fausett 1994).
Struktur PNN terdiri dari empat layer yaitu
input layer, pattern layer, summation layer,
decision layer. Struktur tersebut dapat dilihat
pada Gambar 1.
9
layer sebagai kelas Y jika nilai PY(x) paling
besar untuk kelas Y.
Validasi Silang
Sebelum digunakan, suatu sistem berbasis
komputer harus dievaluasi dalam beberapa
aspek. Validasi kinerja merupakan aspek yang
paling
penting.
Validasi
bertujuan
menentukan kinerja sistem yang dapat
diterima dalam hal akurasi dan efisiensi atau
tidak (Fu 1994).
Sejumlah teknik telah dikembangkan
untuk validasi sistem cerdas. Salah satu
teknik yang dikembangkan ialah cross
validation. Cross validation (validasi silang)
merupakan salah satu teknik pendugaan error
rate. Beberapa teknik lain ialah holdout, leave
one out dan boostrapping (Weiss dan
Kapouleas 1989, diacu dalam Fu 1994). Kfold cross validation melakukan pengulangan
sebanyak k kali untuk sample yang dibagi
secara acak ke dalam k himpunan bagian yang
terpisah. Setiap pengulangan terdapat satu
bagian untuk proses testing dan sisanya (k-1
bagian) sebagai data training sehingga
terdapat sebanyak k pengulangan.
Gambar 1 Struktur Probabilistic Neural
Network (Ganchev 2005).
Sistem menerima sebuah masukkan vektor
tes x dari input layer. Keluaran dari pattern
layer dapat dihitung melalui persamaan
sebagai berikut:
f ( x) =
d
Dalam dunia kedokteran, seringkali
tersedia sedikit data untuk melakukan
pelatihan terhadap model. Kasus baru untuk
melakukan pengujian data jarang ditemukan.
Karena alasan tersebut, prosedur validasi
dengan
teknik
resampling
biasanya
digunakan. Pada teknik tersebut digunakan
sebagian data untuk pelatihan dan sisanya
untuk validasi (Kustiyo 2004).
∏
:dimensi vektor
k(x) :
xj
x j − xij
k
h , dengan
j= 1
j
d
e
−
Teknik validasi silang digunakan karena
teknik ini sesuai diterapkan untuk data yang
berukuran kecil maupun besar. Teknik leave
one out dan bootstrapping sesuai digunakan
pada data berukuran kecil sedangkan teknik
holdout sesuai untuk data berukuran besar (Fu
1994).
z2
2
:vektor input kolom ke-j
xij :vektor bobot baris ke-i kolom ke-j
hj
METODE PENELITIAN
2.24 x (standar deviasi ke-j) x n-1/5
:
Data
(Silverman 1985)
Summation
persamaan:
p( x ) =
layer
dihitung
melalui
n d
1
∏ k x j − xij
∑
d 2
( 2π ) h1h2 ...hd n i= 1 j= 1 h j
dengan n adalah banyaknya observasi. Suatu
vektor tes x diklasifikasikan pada decision
Data yang digunakan dalam penelitian ini
berasal dari hasil pemeriksaan terhadap 366
pasien penderita penyakit erythematosquamous (Merz dan Murphy 1996, diacu
dalam Fajriyati 2005). Namun, dari 366 data
tersebut, terdapat 8 pasien yang tidak tercatat
umurnya sehingga data yang digunakan hanya
data yang lengkap, yaitu sebanyak 358. Data
lengkap dapat dilihat pada Lampiran 1.
10
Data tersebut berasal dari pemeriksaan
klinis dan histopatologis. Pemeriksaan klinis
meliputi dua belas ciri-ciri klinis, antara lain
umur, erythema dan scaling sedangkan pada
pemeriksaan histopatologis terdapat 22 ciri,
antara
lain
melanin
incontinence,
hyperkeratosis dan spongiosis. Daftar atribut
pemeriksaan klinis dan histopatologis masingmasing dapat dilihat pada Lampiran 2 dan
Lampiran 3.
Secara keseluruhan terdapat 34 ciri klinis
dan histopatologis yang digunakan untuk
menentukan jenis penyakit erythematosquamous. Setiap ciri baik klinis maupun
histopatologis diberi nilai antara 0 sampai 3
kecuali ciri family history dan umur. Nilai 0
menunjukkan tidak terdapat ciri tersebut, nilai
3 menunjukkan kemungkinan terbesar adanya
ciri, sedangkan nilai 1 dan 2 menunjukkan
nilai pertengahan. Family history memiliki
nilai 1 jika terdapat riwayat jenis penyakit
tersebut pada keluarga pasien yang
didiagnosis dan nilai 0 jika tidak ditemukan.
Age menunjukkan umur pasien.
Langkah pertama yang akan dilakukan
untuk
mempersiapkan
data
adalah
pengelompokan berdasarkan family history
seperti telihat dalam Tabel 1 dan 2. Data
lengkap hasil pengelompokan berdasarkan
family history dapat dilihat pada Lampiran 4.
Tabel 1 Contoh Data Pengelompokan
berdasarkan family history
nilai 1
X1
X2
X3
...
X1
1
...
X3
4
Kelas
3
3
2
...
2
2
3
3
3
...
2
2
3
2
3
...
2
2
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
8
20
10
..
9
75
1
1
1
...
1
1
...
2
3
...
1
2
...
2
2
...
...
...
...
0
0
...
...
...
..
50
35
...
3
1
Langkah kedua adalah pengelompokan
berdasarkan umur sehingga data akan menjadi
6 kelompok seperti yang terdapat pada Tabel
3, 4, 5, 6, 7, dan 8.
Tabel 3 Pengelompokan data family history
nilai 1 dengan umur anak
X1
X2
X3
...
X1
1
...
X3
4
Kelas
1
2
2
...
2
3
1
2
2
...
2
2
2
1
2
...
1
2
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
7
7
7
..
13
16
6
6
6
...
6
2
Tabel 4 Pengelompokan data family history
nilai 1 dengan umur dewasa
X1
X2
X3
...
X1
1
...
X3
4
Kelas
2
3
3
...
1
2
2
2
3
...
1
3
2
2
2
...
2
0
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
18
19
20
..
39
40
1
1
1
...
1
1
Tabel 5 Pengelompokan data family history
nilai 1 dengan umur tua
X1
X2
X3
...
X1
1
...
X3
4
Kelas
3
3
3
...
2
2
3
3
3
...
3
2
2
3
2
...
3
2
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
42
42
42
..
62
75
1
1
1
...
1
1
Tabel 6 Pengelompokan data family history
nilai 0 dengan umur anak
Tabel 2 Contoh Data Pengelompokan
berdasarkan family history
nilai 0
X1
X2
X3
...
X1
1
2
2
2
2
1
2
0
2
2
...
...
...
0
0
0
...
X3
4
Kelas
...
...
...
55
26
40
2
3
1
X1
X2
X3
...
X1
1
...
X3
4
Kelas
1
2
2
...
1
3
1
2
2
...
1
1
1
1
2
...
0
2
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
0
7
8
..
17
17
1
6
6
...
5
1
11
Tabel 7 Pengelompokan data family history
nilai 0 dengan umur dewasa
X1
X2
X3
...
X1
1
...
X3
4
Kelas
2
1
0
...
1
...
18
5
2
1
0
...
1
...
18
4
2
2
2
...
1
...
18
3
...
...
... ...
...
...
..
...
2
2
2
...
1
...
40
4
2
2
0
...
1
...
40
2
Tabel 8 Pengelompokan data family history
nilai 0 dengan umur tua
X1
X2
X3
...
X1
1
...
X3
4
Kelas
2
2
2
...
2
2
3
2
2
...
2
1
2
1
2
...
2
0
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
41
41
41
..
70
70
2
1
1
...
2
5
Validasi Silang
Teknik validasi silang yang digunakan
dalam penelitian ini ialah 3-fold cross
validation. Teknik ini membagi data menjadi
tiga sub sample terpisah. Dua sub sample akan
digunakan sebagai data pelatihan dan satu sub
sample akan digunakan sebagai data
pengujian sehingga akan terdapat tiga pasang
data pelatihan-pengujian. Langkah-langkah
yang dilakukan dalam membagi data menjadi
tiga sub sample yaitu:
1
setiap data hasil pengelompokan family
history dan pengelompokan umur dipecah
menjadi 3.
2
data test dan data sample dibuat untuk
menghasilkan 18 buah kelompok data
baru
Data baru sebanyak 18 kelompok hasil
dari validasi silang dapat dilihat dalam Tabel
9.
Tabel 9 18 Kelompok data
X11
X34
1
Anak
(0-17)
Dewasa
(18-40)
Tua
(40-75)
D1
D2
D3
K-1
K-2
K-3
K-4
K-5
K-6
K-7
K-8
K-9
0
Anak
(0-17)
Dewasa
(18-40)
Tua
(40-75)
K-10
K-11
K-12
K-13
K-14
K-15
K-16
K-17
K-18
Pelatihan dan Pengujian Sistem
Hasil dari proses persiapan data dengan
validasi silang dijadikan pasangan data
pelatihan, data pengujian dan smoothing
parameter (h) seperti yang terlihat dalam
Tabel 10.
Tabel 10 Pasangan data pelatihan, data
pengujian, dan smoothing
parameter
Percobaan
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
Pelatihan
K2 dan K3
K2 dan K3
K2 dan K3
K2 dan K3
K1 dan K3
K1 dan K3
K1 dan K3
K1 dan K3
K1 dan K2
K1 dan K2
K1 dan K2
K1 dan K2
K5 dan K6
K5 dan K6
K5 dan K6
K5 dan K6
K4 dan K6
K4 dan K6
K4 dan K6
K4 dan K6
K4 dan K5
K4 dan K5
K4 dan K5
K4 dan K5
K8 dan K9
K8 dan K9
K8 dan K9
K8 dan K9
K7 dan K9
K7 dan K9
K7 dan K9
K7 dan K9
K7 dan K8
K7 dan K8
K7 dan K8
K7 dan K8
K11 dan K12
Pengujian
K1
K1
K1
K1
K2
K2
K2
K2
K3
K3
K3
K3
K4
K4
K4
K4
K5
K5
K5
K5
K6
K6
K6
K6
K7
K7
K7
K7
K8
K8
K8
K8
K9
K9
K9
K9
K10
h
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
12
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
Percobaan
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
K11 dan K12
K11 dan K12
K11 dan K12
K10 dan K12
K10 dan K12
K10 dan K12
K10 dan K12
K10 dan K11
K10 dan K11
K10 dan K11
K10 dan K11
K12 dan K14
K12 dan K14
K12 dan K14
K12 dan K14
Pelatihan
K13 dan K15
K13 dan K15
K13 dan K15
K13 dan K15
K13 dan K14
K13 dan K14
K13 dan K14
K13 dan K14
K17 dan K18
K17 dan K18
K17 dan K18
K17 dan K18
K16 dan K18
K16 dan K18
K16 dan K18
K16 dan K18
K16 dan K17
K16 dan K17
K16 dan K17
K16 dan K17
K10
K10
K10
K11
K11
K11
K11
K12
K12
K12
K12
K13
k13
K13
K13
Pengujian
K14
K14
K14
K14
K15
K15
K15
K15
K16
K16
K16
K16
K17
K17
K17
K17
K18
K18
K18
K18
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
h
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
Ketepatan model diukur dari ketepatan
model dalam memprediksi. Ketepatan model
dengan metode validasi silang ialah jumlah
klasifikasi yang tepat dibagi dengan
banyaknya contoh pada himpunan data
tersebut (Arana et al. 1999). Persamaan untuk
menghitung ketepatan model dengan mencari
jumlah prediksi yang tepat ialah :
Yi − Yi
x100%
n
'
Ketepatan=
dengan:
Yi : klasifikasi sebenarnya
Yi’ : hasil prediksi klasifikasi model
n : jumlah data yang diklasifikasi
Arsitektur PNN yang digunakan terdiri
atas input layer, 6 kelas pada pattern layer, 6
neuron pada summation layer dan berakhir di
sebuah neuron pada decision layer. Arsitektur
PNN tersebut dapat dilihat pada Gambar 3
Gambar 3 Arsitektur PNN.
Spesifikasi
Perangkat
Perangkat Keras
Lunak
dan
Sistem
yang
digunakan
untuk
implementasi adalah perangkat lunak Matlab
6.5. Pemilihan perangkat lunak ini dilakukan
dengan mempertimbangkan kemudahan dalam
pengolahan matriks. Perangkat lunak untuk
mengolah data digunakan Microsoft Excel
2003 sedangkan sistem operasi yang
digunakan ialah Microsoft Windows XP
Professional.
Perangkat keras yang digunakan dalam
penelitian ini ialah sebuah komputer dengan
processor AMD Athlon XP 1700+, RAM
DDR 768 MB, dan harddisk dengan kapasitas
240 GB.
HASIL DAN PEMBAHASAN
Perbandingan Ketepatan kelompok data
antara family history nilai 1 berdasarkan
umur
Nilai ketepatan rata-rata umur dewasa
memiliki ketepatan tertinggi, kemudian diikuti
oleh umur tua dan anak, masing-masing
13
100%, 84.72%, dan 78.33%. Nilai tersebut
dapat dilihat pada Lampiran 5.
praproses pengelompokkan variabel umur
menggunakan algoritma clustering tertentu.
Perbandingan Ketepatan kelompok data
antara family history nilai 0 berdasarkan
umur
Pemilihan faktor pemulus yang optimal
juga
sangat
disarankan,
misalnya
menggunakan algoritma genetika sehingga
dapat dihasilkan ketepatan prediksi yang lebih
tinggi.
Nilai ketepatan rata-rata umur dewasa
memiliki ketepatan tertinggi, kemudian diikuti
oleh umur anak dan tua, masing-masing
58.09%, 16.67%, dan 12.50 %. Nilai tersebut
dapat dilihat pada Lampiran 6.
Perbandingan Ketepatan kelompok data
antara family history nilai 1 dengan nilai 0
Setelah seluruh percobaan dilaksanakan,
terlihat bahwa nilai rata-rata ketepatan
kelompok data dengan family history nilai 1
memiliki ketepatan jauh lebih besar dari pada
kelompok data dengan family history 0. Data
tersebut dapat dilihat pada Lampiran 7.
KESIMPULAN DAN SARAN
Kesimpulan
Kesimpulan dari penelitian ini adalah:
1
pada kelompok data dengan family
history nilai 1 memiliki rata-rata
ketepatan jauh lebih besar dengan
kelompok data dengan family history
nilai 0,
2
penelitian ini menghasilkan rata-rata
ketepatan yang lebih besar dari data
kelompok umur dewasa baik dengan
familiy history bernilai 1 ataupun 0,
3
4
berdasarkan algoritma PNN, rata-rata
ketepatan kelompok data family history
nilai 1 yang dihasilkan pada penelitian
ini mencapai 87.68% sehingga algoritma
PNN dapat dijadikan salah satu alternatif
untuk identifikasi penyakit erythematosquamous.
berdasarkan algoritma PNN, rata-rata
ketepatan kelompok data family history
nilai 0 yang dihasilkan pada penelitian
ini mencapai 42.38% sehingga algoritma
PNN tidak dapat dijadikan salah satu
alternatif untuk identifikasi penyakit
erythemato-squamous.
Saran
Penulis mengharapkan agar penelitian ini
dapat dikembangkan lagi pada penelitianpenelitian selanjutnya. Misalnya, dengan
DAFTAR PUSTAKA
Arana E, Delicado P, Bonmati ML. 1999.
“Validation procedures in radiological
diagnostic models. Neural networks and
logistik
regression”.
http://www.econ.upf.es/deehome/what/wp
apers/postscripts/414.pdf [16 November
2006].
Fajriati M. 2005. Model Jaringan Syaraf
Tiruan
dengan Inisialisasi Pembobot
Awal
Nguyen-Widrow
dan
Acak
untuk Prediksi Penyakit ErythematoSquamous [Skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Fu LM. 1994. Neural Networks in Computer
Intelligence. Singapore: Mc Graw-Hill.
Ganchev, TD. 2005. Speaker Recognition
[Tesis]. Greece: Wire Communication
Laboratory, Department of Computer and
Electrical Engineering, University of
Patras.
http://wcl.ee.upatras.gr/ai/papers/Ganchev
_PhDThesis.pdf [16 November 2006].
Güvenir HA, Demiröz G, İlter N. 1998.
Learning
differential
diagnosis
of
erythemato-squamous
diseases
using
voting
feature
intervals.
Artificial
Intelligence in Medicine 13: 147-165. [3
Agustus 2005].
Kustiyo A. 2004. Model Neural Network
dengan Inisialisasi Pembobot Awal
Menggunakan Regresi Logistik Biner
untuk Memprediksi Jenis Penyakit
Erythemato-squamous [Tesis]. Surabaya:
Fakultas Teknologi Informasi, Institut
Teknologi Sepuluh November.
Lay B, Khalid M, Yusof R. 1999. Intelligent
Database by Neural Network and Data
Mining.
http://www.cairo.utm.my/4_cairo_publicat
ions.htm [16 November 2006].
Merz C, Murphy M. 1996. UCI repository of
machine learning databases. University of
California,
Irvine,
Department
of
Information and Computer Science.
14
http://www.ics.uci.edu/pub/machinelearning-databases [16 November 2006].
Silverman, B W. 1985. Density Estimation for
Statistics and Data Analysis. New York :
Chapman and Hall.
Silverman, B.W. 1990. Density Estimation for
Statistics and Data Analysis. New York :
Chapman and Hall.
Specht, P.F. 1990. Probabilistic Neural
Network and The Polynomial Adaline as
Complementary
Thechniques
for
Clasiffication. IEEE Transaction on
Neural Network, vol.1, PP.111-114.
15
LAMPIRAN
No
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
1
2
2
0
3
0
0
0
0
1
0
0
0
0
0
0
3
2
0
0
0
0
0
0
0
0
0
0
3
0
0
0
1
0
55
2
2
3
3
3
2
1
0
0
0
1
1
1
0
0
1
0
1
2
0
2
2
2
2
2
1
0
0
0
0
0
0
0
1
0
8
1
3
2
1
2
3
1
3
0
3
0
0
0
1
0
0
0
1
2
0
2
0
0
0
0
0
2
0
2
3
2
0
0
2
3
26
3
4
2
2
2
0
0
0
0
0
3
2
0
0
0
3
0
0
2
0
3
2
2
2
2
0
0
3
0
0
0
0
0
3
0
40
1
5
2
3
2
2
2
2
0
2
0
0
0
1
0
0
0
1
2
0
0
0
0
0
0
0
2
2
3
2
3
0
0
2
3
45
3
6
2
3
2
0
0
0
0
0
0
0
0
0
2
1
0
2
2
0
2
0
0
0
1
0
0
0
0
2
0
0
0
1
0
41
2
7
2
1
0
2
0
0
0
0
0
0
0
0
0
0
3
1
3
0
0
0
2
0
0
0
0
0
0
0
0
0
0
2
0
18
5
8
2
2
3
3
3
3
0
2
0
0
0
2
0
0
0
2
3
0
0
0
0
0
0
0
0
2
2
3
2
0
0
3
3
57
3
9
2
2
1
0
2
0
0
0
0
0
0
0
0
0
0
2
1
0
1
0
0
0
0
0
0
0
0
2
0
0
0
2
0
22
4
10
2
2
1
0
1
0
0
0
0
0
0
0
0
0
0
3
2
0
2
0
0
0
0
0
0
0
0
2
0
0
0
2
0
30
4
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
..
…
…
…
…
…
…
…
…
…
…
…
…
357
2
2
2
2
2
0
0
0
3
0
1
0
0
0
0
0
2
2
2
2
3
3
0
2
0
3
0
0
0
0
0
0
0
75
1
358
2
2
2
0
1
0
0
0
0
1
0
0
0
1
0
0
2
0
2
3
2
3
2
1
0
1
0
0
0
0
0
2
0
45
1
359
2
3
2
1
0
0
0
0
2
2
0
0
0
1
0
0
2
0
2
2
2
2
0
2
0
2
0
0
0
0
0
3
0
24
1
360
2
2
0
0
0
0
0
0
0
0
0
0
1
0
0
3
2
0
0
0
0
0
0
0
0
0
0
2
0
0
0
1
0
40
2
361
2
2
1
1
0
0
0
0
0
0
0
0
1
1
0
2
2
1
0
0
0
0
0
0
0
0
0
3
0
0
0
1
0
25
2
362
2
1
1
0
1
0
0
0
0
0
0
0
0
1
0
1
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
2
0
25
4
363
3
2
1
0
1
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
1
0
1
0
0
0
2
0
36
4
364
3
2
2
2
3
2
0
2
0
0
0
2
2
0
0
3
3
0
0
0
0
0
0
0
3
0
3
0
3
0
0
2
3
28
3
365
2
1
3
1
2
3
0
2
0
0
0
2
0
0
0
3
2
0
0
0
0
0
0
0
3
0
2
0
1
0
0
2
3
50
3
366
3
2
2
0
0
0
0
0
3
3
0
0
0
1
0
0
2
0
2
3
2
3
0
2
0
2
0
0
0
0
0
3
0
35
1
Lampiran 2 Daftar atribut pemeriksaan klinis
Variabel
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X34
Ciri yang diamati
erythema
Scaling
definite borders
Itching
Koebner phenomenon
polygonal papules
follicular papules
oral mucosal involvement
knee and elbow involvement
scalp involvement
family history
Age
Nilai
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0 atau 1
0 sampai 100
Lampiran 3 Daftar atribut pemeriksaan histopatologis
Variabel
X12
X13
X14
X15
X16
X17
X18
X19
X20
X21
X22
X23
X24
X25
X26
X27
X28
X29
X30
X31
X32
X33
Ciri yang diamati
melanin incontinence
eosinophils in the infiltrate
PNL infiltrate
fibrosis of the papillary dermis
exocytosis
acanthosis
hyperkeratosis
parakeratosis
clubbing of the rete ridges
elongation of the rete ridges
thinning of the suprapapillary epidermis
spongiform pustule
munro microabcess
focal hypergranulosis
disappearance of the granular layer
vacuolisation and damage of basal layer
spongiosis
saw-tooth appearance of retes
follicular horn plug
perifollicular parakeratosis
inflammatory monoluclear inflitrate
band-like infiltrate
Nilai
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
Data dengan parent history nilai 1
X
1
No
1
2
3
4
5
6
7
8
9
10
…
35
36
37
38
39
40
41
42
43
44
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
0
0
0
0
0
0
0
0
2
2
1
1
1
2
0
0
2
1
1
2
2
2
2
2
2
2
2
1
1
1
0
0
1
1
2
1
0
1
1
2
2
2
1
0
2
2
1
1
1
0
0
2
1
0
2
1
0
0
0
0
0
2
1
0
2
2
0
0
0
0
0
2
0
0
2
3
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
0
0
1
2
0
0
0
0
0
0
0
0
0
0
2
3
2
0
1
3
0
0
1
1
2
3
2
0
1
2
0
0
2
2
2
2
2
1
1
2
2
2
1
2
0
0
0
0
0
0
0
0
0
0
7
7
7
8
8
9
9
10
10
10
6
6
6
1
6
6
1
1
6
6
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
0
2
0
2
0
1
1
0
0
0
3
2
2
2
3
2
2
2
2
2
0
2
0
0
2
0
1
0
2
2
2
2
2
0
1
3
2
2
2
2
2
1
2
0
2
3
2
3
2
2
3
2
3
0
2
3
2
3
2
3
2
2
2
0
2
2
2
3
2
3
1
0
1
0
1
1
1
1
2
2
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
2
1
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
3
2
3
2
2
2
0
0
0
0
0
0
0
0
0
0
0
50
52
55
55
55
57
60
62
62
75
1
2
2
3
2
2
2
2
2
2
1
2
2
3
2
2
2
3
2
2
2
1
2
3
1
2
2
3
0
1
0
0
1
2
1
0
3
0
0
1
0
0
0
1
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
3
3
2
0
1
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
3
2
2
1
1
1
2
1
1
2
0
0
2
1
1
0
3
1
1
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
…
…
…
…
…
…
…
…
…
…
…
…
…
…
3
2
3
3
3
2
2
1
2
2
2
2
2
2
2
2
2
2
3
2
2
1
2
0
2
3
2
2
3
2
0
1
3
2
0
1
1
1
0
2
0
0
1
0
0
0
1
1
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
3
2
2
1
3
1
2
1
0
2
2
0
2
0
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
2
0
2
1
1
0
…
0
0
0
0
0
0
0
0
0
0
..
0
0
1
0
1
1
1
2
2
0
…
1
1
1
2
1
1
1
1
1
1
Data dengan parent history nilai 0
X
1
No
1
2
3
4
5
6
7
8
9
10
…
110
111
112
113
114
115
116
117
118
119
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
0
0
0
0
3
0
0
0
0
3
0
2
2
1
1
0
2
2
2
2
1
2
1
1
2
1
1
1
1
0
2
2
0
1
1
1
1
0
1
1
2
2
2
1
0
1
1
2
2
0
0
0
0
0
0
0
0
0
2
0
1
0
0
0
2
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
1
2
0
1
0
2
0
0
0
0
0
0
0
0
0
0
0
2
1
2
2
1
0
2
0
0
0
2
2
2
3
2
0
2
0
0
0
2
1
2
3
2
1
1
1
2
2
0
0
0
0
0
0
0
0
0
0
7
8
8
8
8
8
10
10
10
1
6
6
6
6
6
5
6
2
2
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
0
0
0
0
0
0
0
0
0
0
2
2
2
2
2
2
2
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
2
2
2
2
2
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
41
41
41
41
41
41
41
41
41
41
1
2
2
2
3
2
2
1
3
3
1
2
1
2
2
2
1
1
2
2
1
1
1
2
0
1
0
0
0
2
1
0
2
0
0
1
2
1
2
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
3
2
2
2
0
3
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
2
2
0
0
1
0
0
2
0
2
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
0
1
0
0
0
0
1
2
1
…
…
…
…
…
…
…
…
…
…
…
…
…
…
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
2
2
2
2
2
2
2
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
…
0
0
0
0
0
0
0
0
0
0
..
1
1
1
1
1
1
1
1
1
1
…
2
2
2
2
2
2
2
2
2
2
Data Pengelompokan family history nilai 1 dan umur anai (0-17)
X
1
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
X
2
1
2
2
3
2
2
2
2
2
2
3
3
2
3
X
3
1
2
2
3
2
2
2
3
2
2
2
2
2
2
X
4
2
1
2
3
1
2
2
3
0
1
2
0
1
2
X
5
0
0
1
2
1
0
3
0
0
1
0
1
0
1
X
6
0
0
0
1
0
0
2
0
0
0
0
0
0
0
X
7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
8
3
3
2
0
1
1
0
0
2
2
3
2
2
0
X
9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
2
2
1
1
1
2
1
1
2
1
1
2
1
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
2
1
1
0
3
1
1
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
1
1
2
0
0
2
1
1
1
1
3
1
2
2
2
2
2
2
2
2
1
3
2
1
2
1
1
0
0
1
1
2
1
0
1
1
1
1
0
1
2
2
2
1
0
2
2
1
1
1
2
1
1
1
0
0
2
1
0
2
1
0
0
0
0
0
0
0
0
0
2
1
0
2
2
0
0
0
0
0
0
0
0
0
2
0
0
2
3
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
0
0
1
2
2
3
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
3
2
0
1
3
0
0
1
1
3
1
1
0
2
3
2
0
1
2
0
0
2
2
2
2
1
0
2
2
2
1
1
2
2
2
1
2
2
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
7
7
7
8
8
9
9
10
10
10
10
12
13
16
6
6
6
1
6
6
1
1
6
6
6
6
6
2
Data Pengelompokan family history nilai 1 dan umur anai (18-40)
X
1
No
1
2
3
4
5
6
7
8
9
No
2
3
3
2
2
2
3
2
3
X
X
2
2
2
3
2
3
3
3
1
2
X
X
3
2
2
2
2
2
2
2
2
2
X
X
4
0
0
1
3
1
0
0
0
0
X
X
5
0
0
1
0
0
1
1
0
0
X
X
6
0
0
0
0
0
0
0
0
0
X
X
7
0
0
0
0
0
0
0
0
0
X
X
8
0
0
0
0
0
0
0
0
0
X
X
9
2
0
2
2
1
3
2
3
3
X
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
2
1
2
2
2
2
2
2
3
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
1
0
2
3
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
2
2
3
2
1
3
2
2
3
0
0
2
1
0
0
1
0
0
3
1
3
2
1
2
3
2
2
3
1
2
3
2
2
3
3
3
2
2
2
3
2
3
3
2
2
2
2
2
3
1
3
2
2
3
2
1
1
0
1
0
1
0
2
1
0
1
1
0
0
0
2
0
0
0
0
0
0
0
0
0
0
2
2
0
2
0
2
1
3
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
1
2
2
2
2
2
0
0
0
0
0
0
0
0
0
18
19
20
25
27
27
30
33
35
1
1
1
1
1
1
1
1
1
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
kel
1
10
11
12
13
3
3
2
2
2
2
3
2
1
3
3
3
2
1
4
2
0
2
0
5
0
0
2
0
6
0
0
0
0
7
0
0
0
0
8
0
0
0
0
9
0
3
2
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
2
3
2
1
1
1
1
1
0
0
0
0
0
0
0
0
0
2
1
1
0
0
0
0
2
0
0
0
1
2
2
2
3
0
1
2
2
2
2
2
2
3
2
2
2
3
2
2
2
3
1
2
0
2
0
0
0
3
2
1
0
0
0
0
3
3
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
2
1
1
0
0
0
0
35
38
39
40
1
1
1
1
Data Pengelompokan family history nilai 1 dan umur anai (41-75)
X
1
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
3
3
3
2
3
3
2
3
2
3
3
3
2
2
1
2
2
X
2
3
3
3
2
1
2
2
2
2
2
2
2
2
2
2
3
2
X
3
2
3
2
2
1
1
2
2
1
2
0
2
3
2
2
3
2
X
4
1
3
0
1
1
3
2
0
1
3
2
0
1
1
1
0
2
X
5
1
3
0
0
1
0
0
0
0
1
0
0
0
1
1
0
2
X
6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
9
2
3
2
0
0
0
2
0
0
1
0
2
3
2
2
1
3
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
2
3
2
1
1
0
2
1
2
1
0
2
2
0
2
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
2
1
0
0
2
2
2
0
2
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
3
0
0
2
0
2
0
1
1
0
0
0
3
2
2
1
1
2
3
3
2
2
2
3
2
2
2
2
2
2
1
2
2
0
0
0
0
2
0
0
2
0
1
0
2
2
3
2
3
2
2
1
3
2
2
2
0
1
3
2
2
2
2
2
2
2
2
2
0
2
2
1
2
0
2
3
2
3
2
2
2
2
2
1
2
1
2
3
2
3
0
2
3
2
3
2
3
2
2
1
2
3
0
2
2
2
2
0
2
2
2
3
2
3
1
2
0
0
0
0
0
0
0
1
0
1
1
1
2
2
0
1
2
2
0
3
0
2
1
0
1
0
1
1
1
1
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
2
2
2
0
0
0
2
1
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
1
2
2
1
2
2
2
1
3
2
3
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
42
42
46
47
48
50
50
50
52
55
55
55
57
60
62
62
75
1
1
1
1
1
2
1
1
1
1
2
1
1
1
1
1
1
Data Pengelompokan family history nilai 0 dan umur anai (0-17)
X
1
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
2
3
2
2
2
2
2
2
3
3
2
3
X
2
1
2
2
3
2
2
2
3
2
2
2
2
2
2
X
3
2
1
2
3
1
2
2
3
0
1
2
0
1
2
X
4
0
0
1
2
1
0
3
0
0
1
0
1
0
1
X
5
0
0
0
1
0
0
2
0
0
0
0
0
0
0
X
6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
7
3
3
2
0
1
1
0
0
2
2
3
2
2
0
X
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
9
3
2
2
1
1
1
2
1
1
2
1
1
2
1
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
2
1
1
0
3
1
1
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
1
1
2
0
0
2
1
1
1
1
3
1
2
2
2
2
2
2
2
2
1
3
2
1
2
1
1
0
0
1
1
2
1
0
1
1
1
1
0
1
2
2
2
1
0
2
2
1
1
1
2
1
1
1
0
0
2
1
0
2
1
0
0
0
0
0
0
0
0
0
2
1
0
2
2
0
0
0
0
0
0
0
0
0
2
0
0
2
3
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
0
0
1
2
2
3
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
3
2
0
1
3
0
0
1
1
3
1
1
0
2
3
2
0
1
2
0
0
2
2
2
2
1
0
2
2
2
1
1
2
2
2
1
2
2
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
7
7
7
8
8
9
9
10
10
10
10
12
13
16
6
6
6
1
6
6
1
1
6
6
6
6
6
2
Data Pengelompokan family history nilai 0 dan umur anai (18-40)
X
1
No
1
2
3
4
5
6
7
8
No
2
3
3
2
2
2
3
2
X
1
X
2
2
2
3
2
3
3
3
1
X
2
X
3
2
2
2
2
2
2
2
2
X
3
X
4
0
0
1
3
1
0
0
0
X
4
X
5
0
0
1
0
0
1
1
0
X
5
X
6
0
0
0
0
0
0
0
0
X
6
X
7
0
0
0
0
0
0
0
0
X
7
X
8
0
0
0
0
0
0
0
0
X
8
X
9
2
0
2
2
1
3
2
3
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
2
1
2
2
2
2
2
2
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
1
0
2
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
2
2
3
2
1
3
2
2
0
0
2
1
0
0
1
0
3
1
3
2
1
2
3
2
3
1
2
3
2
2
3
3
2
2
2
3
2
3
3
2
2
2
2
3
1
3
2
2
2
1
1
0
1
0
1
0
1
0
1
1
0
0
0
2
0
0
0
0
0
0
0
0
2
2
0
2
0
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
1
2
2
2
2
0
0
0
0
0
0
0
0
18
19
20
25
27
27
30
33
1
1
1
1
1
1
1
1
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
9
10
11
12
13
3
3
3
2
2
2
2
3
2
1
2
3
3
2
1
0
2
0
2
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
3
2
1
3
2
3
2
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
3
0
2
1
1
0
0
0
0
0
0
2
0
0
0
3
1
2
2
2
0
3
0
1
2
2
2
2
2
2
3
2
3
2
2
2
2
3
2
2
3
2
3
1
2
2
0
2
0
0
0
0
3
2
1
0
0
0
0
0
3
3
3
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
3
2
1
1
0
0
0
0
0
35
35
38
39
40
1
1
1
1
1
Data Pengelompokan family history nilai 0 dan umur anai (41-75)
X
1
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
3
3
3
2
3
3
2
3
2
3
3
3
2
2
1
2
2
X
2
3
3
3
2
1
2
2
2
2
2
2
2
2
2
2
3
2
X
3
2
3
2
2
1
1
2
2
1
2
0
2
3
2
2
3
2
X
4
1
3
0
1
1
3
2
0
1
3
2
0
1
1
1
0
2
X
5
1
3
0
0
1
0
0
0
0
1
0
0
0
1
1
0
2
X
6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
9
2
3
2
0
0
0
2
0
0
1
0
2
3
2
2
1
3
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
2
3
2
1
1
0
2
1
2
1
0
2
2
0
2
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
2
1
0
0
2
2
2
0
2
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
3
0
0
2
0
2
0
1
1
0
0
0
3
2
2
1
1
2
3
3
2
2
2
3
2
2
2
2
2
2
1
2
2
0
0
0
0
2
0
0
2
0
1
0
2
2
3
2
3
2
2
1
3
2
2
2
0
1
3
2
2
2
2
2
2
2
2
2
0
2
2
1
2
0
2
3
2
3
2
2
2
2
2
1
2
1
2
3
2
3
0
2
3
2
3
2
3
2
2
1
2
3
0
2
2
2
2
0
2
2
2
3
2
3
1
2
0
0
0
0
0
0
0
1
0
1
1
1
2
2
0
1
2
2
0
3
0
2
1
0
1
0
1
1
1
1
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
2
2
2
0
0
0
2
1
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
1
2
2
1
2
2
2
1
3
2
3
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
42
42
46
47
48
50
50
50
52
55
55
55
57
60
62
62
75
1
1
1
1
1
2
1
1
1
1
2
1
1
1
1
1
1
Lampiran 6 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 1
h
0.25
0.5
0.75
1
famility history nilai 1
Dewasa (18-40)
Anak (0-17)
K1
100%
100%
100%
100%
K2
60%
60%
60%
60%
K3
75%
75%
75%
75%
ratarata h
78.33%
78.33%
78.33%
78.33%
78.33%
K4
100%
100%
100%
100%
K5
100%
100%
100%
100%
K6
100%
100%
100%
100%
Tua (41-70)
ratarata h
100%
100%
100%
100%
100%
K7
100%
83.33%
83.33%
83.33%
K8
100%
83.33%
83.33%
83.33%
K9
50%
83.33%
83.33%
100%
ratarata h
83.33%
83.33%
83.33%
88.89%
84.72%
Lampiran 7 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 0
h
0.25
0.5
0.75
1
famility history nilai 0
Dewasa (18-40)
Anak (0-17)
K1
12.50%
12.50%
12.50%
12.50%
K2
25%
25%
25%
25%
K3
12.50%
12.50%
12.50%
12.50%
rata-rata
h
16.67%
16.67%
16.67%
16.67%
16.67%
K4
50%
69.64%
69.64%
69.64%
K5
19.64%
83.93%
83.93%
83.93%
K6
0%
22.81%
71.93%
71.93%
Tua (41-70)
ratarata h
23%
59%
75%
75%
58.09%
K7
42.50%
75%
75%
75%
K8
50%
80%
80%
80%
K9
14.63%
21.95%
19.51%
14.63%
rata-rata
h
12.50%
12.50%
12.50%
12.50%
12.50%
LAMPIRAN
No
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
1
2
2
0
3
0
0
0
0
1
0
0
0
0
0
0
3
2
0
0
0
0
0
0
0
0
0
0
3
0
0
0
1
0
55
2
2
3
3
3
2
1
0
0
0
1
1
1
0
0
1
0
1
2
0
2
2
2
2
2
1
0
0
0
0
0
0
0
1
0
8
1
3
2
1
2
3
1
3
0
3
0
0
0
1
0
0
0
1
2
0
2
0
0
0
0
0
2
0
2
3
2
0
0
2
3
26
3
4
2
2
2
0
0
0
0
0
3
2
0
0
0
3
0
0
2
0
3
2
2
2
2
0
0
3
0
0
0
0
0
3
0
40
1
5
2
3
2
2
2
2
0
2
0
0
0
1
0
0
0
1
2
0
0
0
0
0
0
0
2
2
3
2
3
0
0
2
3
45
3
6
2
3
2
0
0
0
0
0
0
0
0
0
2
1
0
2
2
0
2
0
0
0
1
0
0
0
0
2
0
0
0
1
0
41
2
7
2
1
0
2
0
0
0
0
0
0
0
0
0
0
3
1
3
0
0
0
2
0
0
0
0
0
0
0
0
0
0
2
0
18
5
8
2
2
3
3
3
3
0
2
0
0
0
2
0
0
0
2
3
0
0
0
0
0
0
0
0
2
2
3
2
0
0
3
3
57
3
9
2
2
1
0
2
0
0
0
0
0
0
0
0
0
0
2
1
0
1
0
0
0
0
0
0
0
0
2
0
0
0
2
0
22
4
10
2
2
1
0
1
0
0
0
0
0
0
0
0
0
0
3
2
0
2
0
0
0
0
0
0
0
0
2
0
0
0
2
0
30
4
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
..
…
…
…
…
…
…
…
…
…
…
…
…
357
2
2
2
2
2
0
0
0
3
0
1
0
0
0
0
0
2
2
2
2
3
3
0
2
0
3
0
0
0
0
0
0
0
75
1
358
2
2
2
0
1
0
0
0
0
1
0
0
0
1
0
0
2
0
2
3
2
3
2
1
0
1
0
0
0
0
0
2
0
45
1
359
2
3
2
1
0
0
0
0
2
2
0
0
0
1
0
0
2
0
2
2
2
2
0
2
0
2
0
0
0
0
0
3
0
24
1
360
2
2
0
0
0
0
0
0
0
0
0
0
1
0
0
3
2
0
0
0
0
0
0
0
0
0
0
2
0
0
0
1
0
40
2
361
2
2
1
1
0
0
0
0
0
0
0
0
1
1
0
2
2
1
0
0
0
0
0
0
0
0
0
3
0
0
0
1
0
25
2
362
2
1
1
0
1
0
0
0
0
0
0
0
0
1
0
1
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
2
0
25
4
363
3
2
1
0
1
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
1
0
1
0
0
0
2
0
36
4
364
3
2
2
2
3
2
0
2
0
0
0
2
2
0
0
3
3
0
0
0
0
0
0
0
3
0
3
0
3
0
0
2
3
28
3
365
2
1
3
1
2
3
0
2
0
0
0
2
0
0
0
3
2
0
0
0
0
0
0
0
3
0
2
0
1
0
0
2
3
50
3
366
3
2
2
0
0
0
0
0
3
3
0
0
0
1
0
0
2
0
2
3
2
3
0
2
0
2
0
0
0
0
0
3
0
35
1
Lampiran 2 Daftar atribut pemeriksaan klinis
Variabel
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X34
Ciri yang diamati
erythema
Scaling
definite borders
Itching
Koebner phenomenon
polygonal papules
follicular papules
oral mucosal involvement
knee and elbow involvement
scalp involvement
family history
Age
Nilai
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0 atau 1
0 sampai 100
Lampiran 3 Daftar atribut pemeriksaan histopatologis
Variabel
X12
X13
X14
X15
X16
X17
X18
X19
X20
X21
X22
X23
X24
X25
X26
X27
X28
X29
X30
X31
X32
X33
Ciri yang diamati
melanin incontinence
eosinophils in the infiltrate
PNL infiltrate
fibrosis of the papillary dermis
exocytosis
acanthosis
hyperkeratosis
parakeratosis
clubbing of the rete ridges
elongation of the rete ridges
thinning of the suprapapillary epidermis
spongiform pustule
munro microabcess
focal hypergranulosis
disappearance of the granular layer
vacuolisation and damage of basal layer
spongiosis
saw-tooth appearance of retes
follicular horn plug
perifollicular parakeratosis
inflammatory monoluclear inflitrate
band-like infiltrate
Nilai
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
Data dengan parent history nilai 1
X
1
No
1
2
3
4
5
6
7
8
9
10
…
35
36
37
38
39
40
41
42
43
44
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
0
0
0
0
0
0
0
0
2
2
1
1
1
2
0
0
2
1
1
2
2
2
2
2
2
2
2
1
1
1
0
0
1
1
2
1
0
1
1
2
2
2
1
0
2
2
1
1
1
0
0
2
1
0
2
1
0
0
0
0
0
2
1
0
2
2
0
0
0
0
0
2
0
0
2
3
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
0
0
1
2
0
0
0
0
0
0
0
0
0
0
2
3
2
0
1
3
0
0
1
1
2
3
2
0
1
2
0
0
2
2
2
2
2
1
1
2
2
2
1
2
0
0
0
0
0
0
0
0
0
0
7
7
7
8
8
9
9
10
10
10
6
6
6
1
6
6
1
1
6
6
…
…
…
…
…
…
…
…
ADITYA NUGROHO. Pengidentifikasian Penyakit Erythemato-Squamous menggunakan
Probabilistic Neural Network. Dibimbing oleh AGUS BUONO, HERU SUKOCO dan ARIEF
RAMADHAN.
Diagnosa untuk membedakan penyakit-penyakit erythemato-squamous merupakan masalah
dalam ilmu tentang kesehatan kulit (dermatologi). Penyakit-penyakit yang termasuk ke dalam
kelompok tersebut adalah psoriasis, seboreic dermatitis, lichen planus, pityriasis rosea, cronic
dermatitis dan pityriasis rubra pilaris. Pada pengamatan awal, penyakit-penyakit tersebut
memiliki ciri-ciri klinis erythema dan scaling dengan perbedaan-perbedaan yang sangat kecil
(Merz dan Murphy dalam Kustiyo 2004).
Tujuan dari penelitian ini adalah mengetahui ketepatan hasil pengklasifikasian penyakit
erythemato-squamous menggunakan Probabilistic Neural Network (PNN) dengan pengelompokan
data family history serta selang umur, sedangkan nilai smoothing parameter yang digunakan
adalah 0.25, 0.5, 0.75 dan 1.
Rata-rata keakuratan dega algoritma PNN untuk data family history 1 dan 0 masing-masing
sebesar 87.68% dan 42.38%, sedangkan untuk pengelompokan umur, selang dewasa (18-40)
menghasilkan ketepatan tertinggi, maka algoritma PNN seperti yang digunakan dalam penelitian
ini dapat menjadi salah satu alternatif untuk indentifikasi penyakit erythemato-squamous pada data
kelompok family history 1 dan selang dewasa.
Kata Kunci: probabilistic neural network, pnn, erythemato-squamous.
PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS
MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
ADITYA NUGROHO
G06400039
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS
MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
ADITYA NUGROHO
G06400039
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
PENGIDENTIFIKASIAN PENYAKIT ERYTHEMATO-SQUAMOUS
MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Oleh:
ADITYA NUGROHO
G06400039
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
ABSTRAK
ADITYA NUGROHO. Pengidentifikasian Penyakit Erythemato-Squamous menggunakan
Probabilistic Neural Network. Dibimbing oleh AGUS BUONO, HERU SUKOCO dan ARIEF
RAMADHAN.
Diagnosa untuk membedakan penyakit-penyakit erythemato-squamous merupakan masalah
dalam ilmu tentang kesehatan kulit (dermatologi). Penyakit-penyakit yang termasuk ke dalam
kelompok tersebut adalah psoriasis, seboreic dermatitis, lichen planus, pityriasis rosea, cronic
dermatitis dan pityriasis rubra pilaris. Pada pengamatan awal, penyakit-penyakit tersebut
memiliki ciri-ciri klinis erythema dan scaling dengan perbedaan-perbedaan yang sangat kecil
(Merz dan Murphy dalam Kustiyo 2004).
Tujuan dari penelitian ini adalah mengetahui ketepatan hasil pengklasifikasian penyakit
erythemato-squamous menggunakan Probabilistic Neural Network (PNN) dengan pengelompokan
data family history serta selang umur, sedangkan nilai smoothing parameter yang digunakan
adalah 0.25, 0.5, 0.75 dan 1.
Rata-rata keakuratan dega algoritma PNN untuk data family history 1 dan 0 masing-masing
sebesar 87.68% dan 42.38%, sedangkan untuk pengelompokan umur, selang dewasa (18-40)
menghasilkan ketepatan tertinggi, maka algoritma PNN seperti yang digunakan dalam penelitian
ini dapat menjadi salah satu alternatif untuk indentifikasi penyakit erythemato-squamous pada data
kelompok family history 1 dan selang dewasa.
Kata Kunci: probabilistic neural network, pnn, erythemato-squamous.
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 16 Desember 1981 dari ayah Tjipto Sunarjo dan
ibu Sri Saptaningsih. Penulis adalah putra pertama dari empat bersaudara.
Penulis memulai pendidikan formal pada tahun 1986 di TK Seruni dan lulus pada tahun
1988, kemudian melanjutkan pendidikan di SDS Kartika Sari Jakarta Selatan dan lulus pada tahun
1994. Setelah itu penulis melanjutkan pendidikan di SLTPN 98 Jakarta, lulus pada tahun 1997.
Pendidikan menengah atas ditempuh penulis di SMUN 38 Jakarta dan lulus pada tahun 2000. Pada
tahun yang sama penulis diterima di Departemen Ilmu Komputer Fakultas Matematika dan Ilmu
Pengetahuan Alam IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru.
Pada tahun 2004 Penulis menjalankan Praktik Lapang di PT Indosat selama kurang lebih
dua bulan. Penulis beberapa kali menjadi asisten pelatihan pemrograman berbasis web
menggunakan PHP yang diadakan oleh Badan Diklat Departemen dalam Negeri.
DAFTAR ISI
Halaman
DAFTAR TABEL ..........................................................................................................................viii
DAFTAR LAMPIRAN...................................................................................................................viii
PENDAHULUAN
Latar Belakang........................................................................................................................ 1
Tujuan Penelitian.....................................................................................................................1
Ruang Lingkup........................................................................................................................ 1
Manfaat Penelitian...................................................................................................................1
TINJAUAN PUSTAKA
Probabilistic Neural Network (PNN)...................................................................................... 1
Validasi Silang.........................................................................................................................2
METODE PENELITIAN
Data..........................................................................................................................................3
Validasi Silang.........................................................................................................................4
Pelatihan dan Pengujian Sistem...............................................................................................4
Spesifikasi Perangkat Lunak dan Perangkat Keras................................................................. 5
HASIL DAN PEMBAHASAN
Perbandingan Ketepatan kelompok data antara family history nilai 1 berdasarkan umur...... 5
Perbandingan Ketepatan kelompok data antara family history nilai 0 berdasarkan umur...... 6
Perbandingan Ketepatan kelompok data antara family history nilai 1 dengan nilai 0.............6
KESIMPULAN DAN SARAN
Kesimpulan..............................................................................................................................6
Saran........................................................................................................................................ 6
DAFTAR PUSTAKA........................................................................................................................ 6
vii
DAFTAR TABEL
Halaman
1 Contoh Data Pengelompokan berdasarkan family history nilai 1 ................................................. 3
2 Contoh Data Pengelompokan berdasarkan family history nilai 0 .................................................3
3 Pengelompokan data family history nilai 1 dengan umur anak.....................................................3
4 Pengelompokan data family history nilai 1 dengan umur dewasa................................................ 3
5 Pengelompokan data family history nilai 1 dengan umur tua....................................................... 3
6 Pengelompokan data family history nilai 0 dengan umur anak.....................................................3
7 Pengelompokan data family history nilai 0 dengan umur dewasa................................................ 3
8 Pengelompokan data family history nilai 0 dengan umur tua....................................................... 4
9 18 Kelompok data ......................................................................................................................... 4
10 Pasangan data pelatihan, data pengujian, dan smoothing parameter ........................................... 4
DAFTAR LAMPIRAN
Halaman
1 Data yang digunakan dalam penelitian........................................................................................... 9
2 Daftar atribut pemeriksaan klinis.................................................................................................. 10
3 Daftar atribut pemeriksaan histopatologis.....................................................................................10
4 Data hasil pengelompokan parent history.....................................................................................11
5 Pengelompokan berdasarkan umur............................................................................................... 13
6 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 1.........................................17
7 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 0.........................................17
viii
PENDAHULUAN
Latar Belakang
Diagnosa untuk membedakan penyakitpenyakit erythemato-squamous merupakan
masalah dalam ilmu tentang kesehatan kulit
(dermatologi).
Penyakit-penyakit
yang
termasuk ke dalam kelompok tersebut adalah
psoriasis, seboreic dermatitis, lichen planus,
pityriasis rosea, cronic dermatitis dan
pityriasis rubra pilaris. Pada pengamatan
awal, penyakit tersebut memiliki ciri-ciri
klinis erythema dan scaling dengan perbedaan
yang sangat kecil (Merz dan Murphy 1996,
diacu dalam Kustiyo 2004).
Dalam dunia kedokteran, langkah-langkah
yang dilakukan untuk menentukan jenis
penyakit tersebut terdiri atas dua tahap yaitu
pemeriksaan secara klinis dan histopatologis.
Nilai yang diberikan untuk hasil pemeriksaan
histopatologis ditentukan melalui analisis
terhadap sampel yang diamati menggunakan
mikroskop. Kesulitan yang timbul pada
evaluasi tersebut adalah satu penyakit dapat
menunjukkan ciri-ciri histopatologis penyakit
lain pada tahap permulaan dan baru
menunjukkan karakteristik yang sebenarnya
pada tahap berikutnya (Merz dan Murphy
1996, diacu dalam Kustiyo 2004).
Beberapa penelitian telah dilakukan untuk
memprediksi jenis penyakit tersebut, antara
lain menggunakan algoritma nearest neighbor
classifier, naïve bayesian classifier, voting
feature intervals-5, algoritma genetika, dan
jaringan syaraf tiruan (JST) dengan algoritma
propagasi balik.
Penelitian yang menggunakan JST
dilakukan oleh Lay (1999) dengan
menggunakan algoritma propagasi balik dan
algoritma apriori, yang menghasilkan
ketepatan prediksi sebesar 68.00%. Algoritma
propagasi balik digunakan Kustiyo (2004)
dengan
inisialisasi
pembobot
awal
menggunakan regresi logistik biner yang
menghasilkan ketepatan prediksi sebesar
94.40%, serta menggunakan inisialisasi
pembobot acak yang menghasilkan ketepatan
prediksi sebesar 76.02% sedangkan pada
Fajriyati
(2005)
dilakukan
penelitian
menggunakan JST propagasi balik dengan
insialisasi bobot awal acak dan NguyenWidrow, dengan ketepatan masing-masing
96.65 % dan 94.42 %
Ketepatan prediksi menggunakan model
JST tersebut masih lebih rendah dibandingkan
dengan ketepatan prediksi menggunakan
algoritma lainnya yang mencapai 99.20%,
yaitu menggunakan voting feature interval-5
(Güvenir et al 1998).
Semua penelitian yang telah dilakukan
belum mencakup pembedaan faktor family
history dan selang umur (anak, dewasa, dan
tua). Oleh karena itu pada penelitian ini akan
digunakan algoritma Probilistic Neural
Network (PNN) untuk menganalisis data.
Tujuan Penelitian
Tujuan dari penelitian ini ialah
menganalisa ketepatan hasil pengklasifikasian
penyakit erythemato-squamous menggunakan
PNN yang dikelompokan berdasarkan family
history dan umur.
Ruang Lingkup
Penelitian ini menggunakan data asli dari
hasil diagnosa terhadap pasien. Teknik
pembelajaran yang digunakan adalah teknik
PNN. Nilai smoothing parameter (h) yang
digunakan yaitu 0.25, 0.5, 0.75 dan 1. Selang
umur yang digunakan yaitu anak (0 sampai
17), dewasa (18 sampai 40) dan tua (41
sampai 75).
Manfaat Penelitian
Manfaat dari penelitian ini ialah sistem
dapat mengetahui ketepatan hasil diagnosa
pasien.
TINJAUAN PUSTAKA
Probabilistic Neural Network (PNN)
Probabilistic Neural Network (PNN)
diperkenalkan oleh Donal F. Spect tahun 1990
dalam tulisannya berjudul “Probabilistic
Neural
Network”
yang
merupakan
penyempurnaan ide-ide sebelumnya yang
telah dilakukannya sejak 1966 (Fausett 1994).
Probabilistic Neural Network
dirancang
menggunakan ide dari teori probabilitas klasik
yaitu
Bayesian
dan
estimator
pengklasifikasian Parzen untuk Probability
Density Function. Dengan menggunakan
pengklasifikasian Bayesian dapat ditentukan
bagaimana
sebuah
data
masukkan
diklasifikasi sebagai anggota suatu kelas dari
beberapa kelas yang ada, yaitu yang
mempunyai nilai maksimum pada kelas
tersebut (Fausett 1994).
Struktur PNN terdiri dari empat layer yaitu
input layer, pattern layer, summation layer,
decision layer. Struktur tersebut dapat dilihat
pada Gambar 1.
9
layer sebagai kelas Y jika nilai PY(x) paling
besar untuk kelas Y.
Validasi Silang
Sebelum digunakan, suatu sistem berbasis
komputer harus dievaluasi dalam beberapa
aspek. Validasi kinerja merupakan aspek yang
paling
penting.
Validasi
bertujuan
menentukan kinerja sistem yang dapat
diterima dalam hal akurasi dan efisiensi atau
tidak (Fu 1994).
Sejumlah teknik telah dikembangkan
untuk validasi sistem cerdas. Salah satu
teknik yang dikembangkan ialah cross
validation. Cross validation (validasi silang)
merupakan salah satu teknik pendugaan error
rate. Beberapa teknik lain ialah holdout, leave
one out dan boostrapping (Weiss dan
Kapouleas 1989, diacu dalam Fu 1994). Kfold cross validation melakukan pengulangan
sebanyak k kali untuk sample yang dibagi
secara acak ke dalam k himpunan bagian yang
terpisah. Setiap pengulangan terdapat satu
bagian untuk proses testing dan sisanya (k-1
bagian) sebagai data training sehingga
terdapat sebanyak k pengulangan.
Gambar 1 Struktur Probabilistic Neural
Network (Ganchev 2005).
Sistem menerima sebuah masukkan vektor
tes x dari input layer. Keluaran dari pattern
layer dapat dihitung melalui persamaan
sebagai berikut:
f ( x) =
d
Dalam dunia kedokteran, seringkali
tersedia sedikit data untuk melakukan
pelatihan terhadap model. Kasus baru untuk
melakukan pengujian data jarang ditemukan.
Karena alasan tersebut, prosedur validasi
dengan
teknik
resampling
biasanya
digunakan. Pada teknik tersebut digunakan
sebagian data untuk pelatihan dan sisanya
untuk validasi (Kustiyo 2004).
∏
:dimensi vektor
k(x) :
xj
x j − xij
k
h , dengan
j= 1
j
d
e
−
Teknik validasi silang digunakan karena
teknik ini sesuai diterapkan untuk data yang
berukuran kecil maupun besar. Teknik leave
one out dan bootstrapping sesuai digunakan
pada data berukuran kecil sedangkan teknik
holdout sesuai untuk data berukuran besar (Fu
1994).
z2
2
:vektor input kolom ke-j
xij :vektor bobot baris ke-i kolom ke-j
hj
METODE PENELITIAN
2.24 x (standar deviasi ke-j) x n-1/5
:
Data
(Silverman 1985)
Summation
persamaan:
p( x ) =
layer
dihitung
melalui
n d
1
∏ k x j − xij
∑
d 2
( 2π ) h1h2 ...hd n i= 1 j= 1 h j
dengan n adalah banyaknya observasi. Suatu
vektor tes x diklasifikasikan pada decision
Data yang digunakan dalam penelitian ini
berasal dari hasil pemeriksaan terhadap 366
pasien penderita penyakit erythematosquamous (Merz dan Murphy 1996, diacu
dalam Fajriyati 2005). Namun, dari 366 data
tersebut, terdapat 8 pasien yang tidak tercatat
umurnya sehingga data yang digunakan hanya
data yang lengkap, yaitu sebanyak 358. Data
lengkap dapat dilihat pada Lampiran 1.
10
Data tersebut berasal dari pemeriksaan
klinis dan histopatologis. Pemeriksaan klinis
meliputi dua belas ciri-ciri klinis, antara lain
umur, erythema dan scaling sedangkan pada
pemeriksaan histopatologis terdapat 22 ciri,
antara
lain
melanin
incontinence,
hyperkeratosis dan spongiosis. Daftar atribut
pemeriksaan klinis dan histopatologis masingmasing dapat dilihat pada Lampiran 2 dan
Lampiran 3.
Secara keseluruhan terdapat 34 ciri klinis
dan histopatologis yang digunakan untuk
menentukan jenis penyakit erythematosquamous. Setiap ciri baik klinis maupun
histopatologis diberi nilai antara 0 sampai 3
kecuali ciri family history dan umur. Nilai 0
menunjukkan tidak terdapat ciri tersebut, nilai
3 menunjukkan kemungkinan terbesar adanya
ciri, sedangkan nilai 1 dan 2 menunjukkan
nilai pertengahan. Family history memiliki
nilai 1 jika terdapat riwayat jenis penyakit
tersebut pada keluarga pasien yang
didiagnosis dan nilai 0 jika tidak ditemukan.
Age menunjukkan umur pasien.
Langkah pertama yang akan dilakukan
untuk
mempersiapkan
data
adalah
pengelompokan berdasarkan family history
seperti telihat dalam Tabel 1 dan 2. Data
lengkap hasil pengelompokan berdasarkan
family history dapat dilihat pada Lampiran 4.
Tabel 1 Contoh Data Pengelompokan
berdasarkan family history
nilai 1
X1
X2
X3
...
X1
1
...
X3
4
Kelas
3
3
2
...
2
2
3
3
3
...
2
2
3
2
3
...
2
2
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
8
20
10
..
9
75
1
1
1
...
1
1
...
2
3
...
1
2
...
2
2
...
...
...
...
0
0
...
...
...
..
50
35
...
3
1
Langkah kedua adalah pengelompokan
berdasarkan umur sehingga data akan menjadi
6 kelompok seperti yang terdapat pada Tabel
3, 4, 5, 6, 7, dan 8.
Tabel 3 Pengelompokan data family history
nilai 1 dengan umur anak
X1
X2
X3
...
X1
1
...
X3
4
Kelas
1
2
2
...
2
3
1
2
2
...
2
2
2
1
2
...
1
2
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
7
7
7
..
13
16
6
6
6
...
6
2
Tabel 4 Pengelompokan data family history
nilai 1 dengan umur dewasa
X1
X2
X3
...
X1
1
...
X3
4
Kelas
2
3
3
...
1
2
2
2
3
...
1
3
2
2
2
...
2
0
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
18
19
20
..
39
40
1
1
1
...
1
1
Tabel 5 Pengelompokan data family history
nilai 1 dengan umur tua
X1
X2
X3
...
X1
1
...
X3
4
Kelas
3
3
3
...
2
2
3
3
3
...
3
2
2
3
2
...
3
2
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
42
42
42
..
62
75
1
1
1
...
1
1
Tabel 6 Pengelompokan data family history
nilai 0 dengan umur anak
Tabel 2 Contoh Data Pengelompokan
berdasarkan family history
nilai 0
X1
X2
X3
...
X1
1
2
2
2
2
1
2
0
2
2
...
...
...
0
0
0
...
X3
4
Kelas
...
...
...
55
26
40
2
3
1
X1
X2
X3
...
X1
1
...
X3
4
Kelas
1
2
2
...
1
3
1
2
2
...
1
1
1
1
2
...
0
2
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
0
7
8
..
17
17
1
6
6
...
5
1
11
Tabel 7 Pengelompokan data family history
nilai 0 dengan umur dewasa
X1
X2
X3
...
X1
1
...
X3
4
Kelas
2
1
0
...
1
...
18
5
2
1
0
...
1
...
18
4
2
2
2
...
1
...
18
3
...
...
... ...
...
...
..
...
2
2
2
...
1
...
40
4
2
2
0
...
1
...
40
2
Tabel 8 Pengelompokan data family history
nilai 0 dengan umur tua
X1
X2
X3
...
X1
1
...
X3
4
Kelas
2
2
2
...
2
2
3
2
2
...
2
1
2
1
2
...
2
0
...
...
...
...
...
...
1
1
1
...
1
1
...
...
...
...
...
...
41
41
41
..
70
70
2
1
1
...
2
5
Validasi Silang
Teknik validasi silang yang digunakan
dalam penelitian ini ialah 3-fold cross
validation. Teknik ini membagi data menjadi
tiga sub sample terpisah. Dua sub sample akan
digunakan sebagai data pelatihan dan satu sub
sample akan digunakan sebagai data
pengujian sehingga akan terdapat tiga pasang
data pelatihan-pengujian. Langkah-langkah
yang dilakukan dalam membagi data menjadi
tiga sub sample yaitu:
1
setiap data hasil pengelompokan family
history dan pengelompokan umur dipecah
menjadi 3.
2
data test dan data sample dibuat untuk
menghasilkan 18 buah kelompok data
baru
Data baru sebanyak 18 kelompok hasil
dari validasi silang dapat dilihat dalam Tabel
9.
Tabel 9 18 Kelompok data
X11
X34
1
Anak
(0-17)
Dewasa
(18-40)
Tua
(40-75)
D1
D2
D3
K-1
K-2
K-3
K-4
K-5
K-6
K-7
K-8
K-9
0
Anak
(0-17)
Dewasa
(18-40)
Tua
(40-75)
K-10
K-11
K-12
K-13
K-14
K-15
K-16
K-17
K-18
Pelatihan dan Pengujian Sistem
Hasil dari proses persiapan data dengan
validasi silang dijadikan pasangan data
pelatihan, data pengujian dan smoothing
parameter (h) seperti yang terlihat dalam
Tabel 10.
Tabel 10 Pasangan data pelatihan, data
pengujian, dan smoothing
parameter
Percobaan
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
Pelatihan
K2 dan K3
K2 dan K3
K2 dan K3
K2 dan K3
K1 dan K3
K1 dan K3
K1 dan K3
K1 dan K3
K1 dan K2
K1 dan K2
K1 dan K2
K1 dan K2
K5 dan K6
K5 dan K6
K5 dan K6
K5 dan K6
K4 dan K6
K4 dan K6
K4 dan K6
K4 dan K6
K4 dan K5
K4 dan K5
K4 dan K5
K4 dan K5
K8 dan K9
K8 dan K9
K8 dan K9
K8 dan K9
K7 dan K9
K7 dan K9
K7 dan K9
K7 dan K9
K7 dan K8
K7 dan K8
K7 dan K8
K7 dan K8
K11 dan K12
Pengujian
K1
K1
K1
K1
K2
K2
K2
K2
K3
K3
K3
K3
K4
K4
K4
K4
K5
K5
K5
K5
K6
K6
K6
K6
K7
K7
K7
K7
K8
K8
K8
K8
K9
K9
K9
K9
K10
h
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
12
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
Percobaan
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
K11 dan K12
K11 dan K12
K11 dan K12
K10 dan K12
K10 dan K12
K10 dan K12
K10 dan K12
K10 dan K11
K10 dan K11
K10 dan K11
K10 dan K11
K12 dan K14
K12 dan K14
K12 dan K14
K12 dan K14
Pelatihan
K13 dan K15
K13 dan K15
K13 dan K15
K13 dan K15
K13 dan K14
K13 dan K14
K13 dan K14
K13 dan K14
K17 dan K18
K17 dan K18
K17 dan K18
K17 dan K18
K16 dan K18
K16 dan K18
K16 dan K18
K16 dan K18
K16 dan K17
K16 dan K17
K16 dan K17
K16 dan K17
K10
K10
K10
K11
K11
K11
K11
K12
K12
K12
K12
K13
k13
K13
K13
Pengujian
K14
K14
K14
K14
K15
K15
K15
K15
K16
K16
K16
K16
K17
K17
K17
K17
K18
K18
K18
K18
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
h
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
0.25
0.5
0.75
1
Ketepatan model diukur dari ketepatan
model dalam memprediksi. Ketepatan model
dengan metode validasi silang ialah jumlah
klasifikasi yang tepat dibagi dengan
banyaknya contoh pada himpunan data
tersebut (Arana et al. 1999). Persamaan untuk
menghitung ketepatan model dengan mencari
jumlah prediksi yang tepat ialah :
Yi − Yi
x100%
n
'
Ketepatan=
dengan:
Yi : klasifikasi sebenarnya
Yi’ : hasil prediksi klasifikasi model
n : jumlah data yang diklasifikasi
Arsitektur PNN yang digunakan terdiri
atas input layer, 6 kelas pada pattern layer, 6
neuron pada summation layer dan berakhir di
sebuah neuron pada decision layer. Arsitektur
PNN tersebut dapat dilihat pada Gambar 3
Gambar 3 Arsitektur PNN.
Spesifikasi
Perangkat
Perangkat Keras
Lunak
dan
Sistem
yang
digunakan
untuk
implementasi adalah perangkat lunak Matlab
6.5. Pemilihan perangkat lunak ini dilakukan
dengan mempertimbangkan kemudahan dalam
pengolahan matriks. Perangkat lunak untuk
mengolah data digunakan Microsoft Excel
2003 sedangkan sistem operasi yang
digunakan ialah Microsoft Windows XP
Professional.
Perangkat keras yang digunakan dalam
penelitian ini ialah sebuah komputer dengan
processor AMD Athlon XP 1700+, RAM
DDR 768 MB, dan harddisk dengan kapasitas
240 GB.
HASIL DAN PEMBAHASAN
Perbandingan Ketepatan kelompok data
antara family history nilai 1 berdasarkan
umur
Nilai ketepatan rata-rata umur dewasa
memiliki ketepatan tertinggi, kemudian diikuti
oleh umur tua dan anak, masing-masing
13
100%, 84.72%, dan 78.33%. Nilai tersebut
dapat dilihat pada Lampiran 5.
praproses pengelompokkan variabel umur
menggunakan algoritma clustering tertentu.
Perbandingan Ketepatan kelompok data
antara family history nilai 0 berdasarkan
umur
Pemilihan faktor pemulus yang optimal
juga
sangat
disarankan,
misalnya
menggunakan algoritma genetika sehingga
dapat dihasilkan ketepatan prediksi yang lebih
tinggi.
Nilai ketepatan rata-rata umur dewasa
memiliki ketepatan tertinggi, kemudian diikuti
oleh umur anak dan tua, masing-masing
58.09%, 16.67%, dan 12.50 %. Nilai tersebut
dapat dilihat pada Lampiran 6.
Perbandingan Ketepatan kelompok data
antara family history nilai 1 dengan nilai 0
Setelah seluruh percobaan dilaksanakan,
terlihat bahwa nilai rata-rata ketepatan
kelompok data dengan family history nilai 1
memiliki ketepatan jauh lebih besar dari pada
kelompok data dengan family history 0. Data
tersebut dapat dilihat pada Lampiran 7.
KESIMPULAN DAN SARAN
Kesimpulan
Kesimpulan dari penelitian ini adalah:
1
pada kelompok data dengan family
history nilai 1 memiliki rata-rata
ketepatan jauh lebih besar dengan
kelompok data dengan family history
nilai 0,
2
penelitian ini menghasilkan rata-rata
ketepatan yang lebih besar dari data
kelompok umur dewasa baik dengan
familiy history bernilai 1 ataupun 0,
3
4
berdasarkan algoritma PNN, rata-rata
ketepatan kelompok data family history
nilai 1 yang dihasilkan pada penelitian
ini mencapai 87.68% sehingga algoritma
PNN dapat dijadikan salah satu alternatif
untuk identifikasi penyakit erythematosquamous.
berdasarkan algoritma PNN, rata-rata
ketepatan kelompok data family history
nilai 0 yang dihasilkan pada penelitian
ini mencapai 42.38% sehingga algoritma
PNN tidak dapat dijadikan salah satu
alternatif untuk identifikasi penyakit
erythemato-squamous.
Saran
Penulis mengharapkan agar penelitian ini
dapat dikembangkan lagi pada penelitianpenelitian selanjutnya. Misalnya, dengan
DAFTAR PUSTAKA
Arana E, Delicado P, Bonmati ML. 1999.
“Validation procedures in radiological
diagnostic models. Neural networks and
logistik
regression”.
http://www.econ.upf.es/deehome/what/wp
apers/postscripts/414.pdf [16 November
2006].
Fajriati M. 2005. Model Jaringan Syaraf
Tiruan
dengan Inisialisasi Pembobot
Awal
Nguyen-Widrow
dan
Acak
untuk Prediksi Penyakit ErythematoSquamous [Skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Fu LM. 1994. Neural Networks in Computer
Intelligence. Singapore: Mc Graw-Hill.
Ganchev, TD. 2005. Speaker Recognition
[Tesis]. Greece: Wire Communication
Laboratory, Department of Computer and
Electrical Engineering, University of
Patras.
http://wcl.ee.upatras.gr/ai/papers/Ganchev
_PhDThesis.pdf [16 November 2006].
Güvenir HA, Demiröz G, İlter N. 1998.
Learning
differential
diagnosis
of
erythemato-squamous
diseases
using
voting
feature
intervals.
Artificial
Intelligence in Medicine 13: 147-165. [3
Agustus 2005].
Kustiyo A. 2004. Model Neural Network
dengan Inisialisasi Pembobot Awal
Menggunakan Regresi Logistik Biner
untuk Memprediksi Jenis Penyakit
Erythemato-squamous [Tesis]. Surabaya:
Fakultas Teknologi Informasi, Institut
Teknologi Sepuluh November.
Lay B, Khalid M, Yusof R. 1999. Intelligent
Database by Neural Network and Data
Mining.
http://www.cairo.utm.my/4_cairo_publicat
ions.htm [16 November 2006].
Merz C, Murphy M. 1996. UCI repository of
machine learning databases. University of
California,
Irvine,
Department
of
Information and Computer Science.
14
http://www.ics.uci.edu/pub/machinelearning-databases [16 November 2006].
Silverman, B W. 1985. Density Estimation for
Statistics and Data Analysis. New York :
Chapman and Hall.
Silverman, B.W. 1990. Density Estimation for
Statistics and Data Analysis. New York :
Chapman and Hall.
Specht, P.F. 1990. Probabilistic Neural
Network and The Polynomial Adaline as
Complementary
Thechniques
for
Clasiffication. IEEE Transaction on
Neural Network, vol.1, PP.111-114.
15
LAMPIRAN
No
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
1
2
2
0
3
0
0
0
0
1
0
0
0
0
0
0
3
2
0
0
0
0
0
0
0
0
0
0
3
0
0
0
1
0
55
2
2
3
3
3
2
1
0
0
0
1
1
1
0
0
1
0
1
2
0
2
2
2
2
2
1
0
0
0
0
0
0
0
1
0
8
1
3
2
1
2
3
1
3
0
3
0
0
0
1
0
0
0
1
2
0
2
0
0
0
0
0
2
0
2
3
2
0
0
2
3
26
3
4
2
2
2
0
0
0
0
0
3
2
0
0
0
3
0
0
2
0
3
2
2
2
2
0
0
3
0
0
0
0
0
3
0
40
1
5
2
3
2
2
2
2
0
2
0
0
0
1
0
0
0
1
2
0
0
0
0
0
0
0
2
2
3
2
3
0
0
2
3
45
3
6
2
3
2
0
0
0
0
0
0
0
0
0
2
1
0
2
2
0
2
0
0
0
1
0
0
0
0
2
0
0
0
1
0
41
2
7
2
1
0
2
0
0
0
0
0
0
0
0
0
0
3
1
3
0
0
0
2
0
0
0
0
0
0
0
0
0
0
2
0
18
5
8
2
2
3
3
3
3
0
2
0
0
0
2
0
0
0
2
3
0
0
0
0
0
0
0
0
2
2
3
2
0
0
3
3
57
3
9
2
2
1
0
2
0
0
0
0
0
0
0
0
0
0
2
1
0
1
0
0
0
0
0
0
0
0
2
0
0
0
2
0
22
4
10
2
2
1
0
1
0
0
0
0
0
0
0
0
0
0
3
2
0
2
0
0
0
0
0
0
0
0
2
0
0
0
2
0
30
4
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
..
…
…
…
…
…
…
…
…
…
…
…
…
357
2
2
2
2
2
0
0
0
3
0
1
0
0
0
0
0
2
2
2
2
3
3
0
2
0
3
0
0
0
0
0
0
0
75
1
358
2
2
2
0
1
0
0
0
0
1
0
0
0
1
0
0
2
0
2
3
2
3
2
1
0
1
0
0
0
0
0
2
0
45
1
359
2
3
2
1
0
0
0
0
2
2
0
0
0
1
0
0
2
0
2
2
2
2
0
2
0
2
0
0
0
0
0
3
0
24
1
360
2
2
0
0
0
0
0
0
0
0
0
0
1
0
0
3
2
0
0
0
0
0
0
0
0
0
0
2
0
0
0
1
0
40
2
361
2
2
1
1
0
0
0
0
0
0
0
0
1
1
0
2
2
1
0
0
0
0
0
0
0
0
0
3
0
0
0
1
0
25
2
362
2
1
1
0
1
0
0
0
0
0
0
0
0
1
0
1
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
2
0
25
4
363
3
2
1
0
1
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
1
0
1
0
0
0
2
0
36
4
364
3
2
2
2
3
2
0
2
0
0
0
2
2
0
0
3
3
0
0
0
0
0
0
0
3
0
3
0
3
0
0
2
3
28
3
365
2
1
3
1
2
3
0
2
0
0
0
2
0
0
0
3
2
0
0
0
0
0
0
0
3
0
2
0
1
0
0
2
3
50
3
366
3
2
2
0
0
0
0
0
3
3
0
0
0
1
0
0
2
0
2
3
2
3
0
2
0
2
0
0
0
0
0
3
0
35
1
Lampiran 2 Daftar atribut pemeriksaan klinis
Variabel
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X34
Ciri yang diamati
erythema
Scaling
definite borders
Itching
Koebner phenomenon
polygonal papules
follicular papules
oral mucosal involvement
knee and elbow involvement
scalp involvement
family history
Age
Nilai
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0 atau 1
0 sampai 100
Lampiran 3 Daftar atribut pemeriksaan histopatologis
Variabel
X12
X13
X14
X15
X16
X17
X18
X19
X20
X21
X22
X23
X24
X25
X26
X27
X28
X29
X30
X31
X32
X33
Ciri yang diamati
melanin incontinence
eosinophils in the infiltrate
PNL infiltrate
fibrosis of the papillary dermis
exocytosis
acanthosis
hyperkeratosis
parakeratosis
clubbing of the rete ridges
elongation of the rete ridges
thinning of the suprapapillary epidermis
spongiform pustule
munro microabcess
focal hypergranulosis
disappearance of the granular layer
vacuolisation and damage of basal layer
spongiosis
saw-tooth appearance of retes
follicular horn plug
perifollicular parakeratosis
inflammatory monoluclear inflitrate
band-like infiltrate
Nilai
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
Data dengan parent history nilai 1
X
1
No
1
2
3
4
5
6
7
8
9
10
…
35
36
37
38
39
40
41
42
43
44
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
0
0
0
0
0
0
0
0
2
2
1
1
1
2
0
0
2
1
1
2
2
2
2
2
2
2
2
1
1
1
0
0
1
1
2
1
0
1
1
2
2
2
1
0
2
2
1
1
1
0
0
2
1
0
2
1
0
0
0
0
0
2
1
0
2
2
0
0
0
0
0
2
0
0
2
3
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
0
0
1
2
0
0
0
0
0
0
0
0
0
0
2
3
2
0
1
3
0
0
1
1
2
3
2
0
1
2
0
0
2
2
2
2
2
1
1
2
2
2
1
2
0
0
0
0
0
0
0
0
0
0
7
7
7
8
8
9
9
10
10
10
6
6
6
1
6
6
1
1
6
6
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
0
2
0
2
0
1
1
0
0
0
3
2
2
2
3
2
2
2
2
2
0
2
0
0
2
0
1
0
2
2
2
2
2
0
1
3
2
2
2
2
2
1
2
0
2
3
2
3
2
2
3
2
3
0
2
3
2
3
2
3
2
2
2
0
2
2
2
3
2
3
1
0
1
0
1
1
1
1
2
2
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
2
1
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
3
2
3
2
2
2
0
0
0
0
0
0
0
0
0
0
0
50
52
55
55
55
57
60
62
62
75
1
2
2
3
2
2
2
2
2
2
1
2
2
3
2
2
2
3
2
2
2
1
2
3
1
2
2
3
0
1
0
0
1
2
1
0
3
0
0
1
0
0
0
1
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
3
3
2
0
1
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
3
2
2
1
1
1
2
1
1
2
0
0
2
1
1
0
3
1
1
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
…
…
…
…
…
…
…
…
…
…
…
…
…
…
3
2
3
3
3
2
2
1
2
2
2
2
2
2
2
2
2
2
3
2
2
1
2
0
2
3
2
2
3
2
0
1
3
2
0
1
1
1
0
2
0
0
1
0
0
0
1
1
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
3
2
2
1
3
1
2
1
0
2
2
0
2
0
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
2
0
2
1
1
0
…
0
0
0
0
0
0
0
0
0
0
..
0
0
1
0
1
1
1
2
2
0
…
1
1
1
2
1
1
1
1
1
1
Data dengan parent history nilai 0
X
1
No
1
2
3
4
5
6
7
8
9
10
…
110
111
112
113
114
115
116
117
118
119
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
0
0
0
0
3
0
0
0
0
3
0
2
2
1
1
0
2
2
2
2
1
2
1
1
2
1
1
1
1
0
2
2
0
1
1
1
1
0
1
1
2
2
2
1
0
1
1
2
2
0
0
0
0
0
0
0
0
0
2
0
1
0
0
0
2
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
1
2
0
1
0
2
0
0
0
0
0
0
0
0
0
0
0
2
1
2
2
1
0
2
0
0
0
2
2
2
3
2
0
2
0
0
0
2
1
2
3
2
1
1
1
2
2
0
0
0
0
0
0
0
0
0
0
7
8
8
8
8
8
10
10
10
1
6
6
6
6
6
5
6
2
2
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
0
0
0
0
0
0
0
0
0
0
2
2
2
2
2
2
2
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
2
2
2
2
2
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
41
41
41
41
41
41
41
41
41
41
1
2
2
2
3
2
2
1
3
3
1
2
1
2
2
2
1
1
2
2
1
1
1
2
0
1
0
0
0
2
1
0
2
0
0
1
2
1
2
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
3
2
2
2
0
3
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
2
2
0
0
1
0
0
2
0
2
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
0
1
0
0
0
0
1
2
1
…
…
…
…
…
…
…
…
…
…
…
…
…
…
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
2
2
2
2
2
2
2
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
…
0
0
0
0
0
0
0
0
0
0
..
1
1
1
1
1
1
1
1
1
1
…
2
2
2
2
2
2
2
2
2
2
Data Pengelompokan family history nilai 1 dan umur anai (0-17)
X
1
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
X
2
1
2
2
3
2
2
2
2
2
2
3
3
2
3
X
3
1
2
2
3
2
2
2
3
2
2
2
2
2
2
X
4
2
1
2
3
1
2
2
3
0
1
2
0
1
2
X
5
0
0
1
2
1
0
3
0
0
1
0
1
0
1
X
6
0
0
0
1
0
0
2
0
0
0
0
0
0
0
X
7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
8
3
3
2
0
1
1
0
0
2
2
3
2
2
0
X
9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
2
2
1
1
1
2
1
1
2
1
1
2
1
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
2
1
1
0
3
1
1
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
1
1
2
0
0
2
1
1
1
1
3
1
2
2
2
2
2
2
2
2
1
3
2
1
2
1
1
0
0
1
1
2
1
0
1
1
1
1
0
1
2
2
2
1
0
2
2
1
1
1
2
1
1
1
0
0
2
1
0
2
1
0
0
0
0
0
0
0
0
0
2
1
0
2
2
0
0
0
0
0
0
0
0
0
2
0
0
2
3
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
0
0
1
2
2
3
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
3
2
0
1
3
0
0
1
1
3
1
1
0
2
3
2
0
1
2
0
0
2
2
2
2
1
0
2
2
2
1
1
2
2
2
1
2
2
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
7
7
7
8
8
9
9
10
10
10
10
12
13
16
6
6
6
1
6
6
1
1
6
6
6
6
6
2
Data Pengelompokan family history nilai 1 dan umur anai (18-40)
X
1
No
1
2
3
4
5
6
7
8
9
No
2
3
3
2
2
2
3
2
3
X
X
2
2
2
3
2
3
3
3
1
2
X
X
3
2
2
2
2
2
2
2
2
2
X
X
4
0
0
1
3
1
0
0
0
0
X
X
5
0
0
1
0
0
1
1
0
0
X
X
6
0
0
0
0
0
0
0
0
0
X
X
7
0
0
0
0
0
0
0
0
0
X
X
8
0
0
0
0
0
0
0
0
0
X
X
9
2
0
2
2
1
3
2
3
3
X
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
2
1
2
2
2
2
2
2
3
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
1
0
2
3
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
2
2
3
2
1
3
2
2
3
0
0
2
1
0
0
1
0
0
3
1
3
2
1
2
3
2
2
3
1
2
3
2
2
3
3
3
2
2
2
3
2
3
3
2
2
2
2
2
3
1
3
2
2
3
2
1
1
0
1
0
1
0
2
1
0
1
1
0
0
0
2
0
0
0
0
0
0
0
0
0
0
2
2
0
2
0
2
1
3
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
1
2
2
2
2
2
0
0
0
0
0
0
0
0
0
18
19
20
25
27
27
30
33
35
1
1
1
1
1
1
1
1
1
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
kel
1
10
11
12
13
3
3
2
2
2
2
3
2
1
3
3
3
2
1
4
2
0
2
0
5
0
0
2
0
6
0
0
0
0
7
0
0
0
0
8
0
0
0
0
9
0
3
2
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
2
3
2
1
1
1
1
1
0
0
0
0
0
0
0
0
0
2
1
1
0
0
0
0
2
0
0
0
1
2
2
2
3
0
1
2
2
2
2
2
2
3
2
2
2
3
2
2
2
3
1
2
0
2
0
0
0
3
2
1
0
0
0
0
3
3
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
2
1
1
0
0
0
0
35
38
39
40
1
1
1
1
Data Pengelompokan family history nilai 1 dan umur anai (41-75)
X
1
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
3
3
3
2
3
3
2
3
2
3
3
3
2
2
1
2
2
X
2
3
3
3
2
1
2
2
2
2
2
2
2
2
2
2
3
2
X
3
2
3
2
2
1
1
2
2
1
2
0
2
3
2
2
3
2
X
4
1
3
0
1
1
3
2
0
1
3
2
0
1
1
1
0
2
X
5
1
3
0
0
1
0
0
0
0
1
0
0
0
1
1
0
2
X
6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
9
2
3
2
0
0
0
2
0
0
1
0
2
3
2
2
1
3
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
2
3
2
1
1
0
2
1
2
1
0
2
2
0
2
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
2
1
0
0
2
2
2
0
2
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
3
0
0
2
0
2
0
1
1
0
0
0
3
2
2
1
1
2
3
3
2
2
2
3
2
2
2
2
2
2
1
2
2
0
0
0
0
2
0
0
2
0
1
0
2
2
3
2
3
2
2
1
3
2
2
2
0
1
3
2
2
2
2
2
2
2
2
2
0
2
2
1
2
0
2
3
2
3
2
2
2
2
2
1
2
1
2
3
2
3
0
2
3
2
3
2
3
2
2
1
2
3
0
2
2
2
2
0
2
2
2
3
2
3
1
2
0
0
0
0
0
0
0
1
0
1
1
1
2
2
0
1
2
2
0
3
0
2
1
0
1
0
1
1
1
1
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
2
2
2
0
0
0
2
1
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
1
2
2
1
2
2
2
1
3
2
3
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
42
42
46
47
48
50
50
50
52
55
55
55
57
60
62
62
75
1
1
1
1
1
2
1
1
1
1
2
1
1
1
1
1
1
Data Pengelompokan family history nilai 0 dan umur anai (0-17)
X
1
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
2
3
2
2
2
2
2
2
3
3
2
3
X
2
1
2
2
3
2
2
2
3
2
2
2
2
2
2
X
3
2
1
2
3
1
2
2
3
0
1
2
0
1
2
X
4
0
0
1
2
1
0
3
0
0
1
0
1
0
1
X
5
0
0
0
1
0
0
2
0
0
0
0
0
0
0
X
6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
7
3
3
2
0
1
1
0
0
2
2
3
2
2
0
X
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
9
3
2
2
1
1
1
2
1
1
2
1
1
2
1
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
2
1
1
0
3
1
1
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
1
1
2
0
0
2
1
1
1
1
3
1
2
2
2
2
2
2
2
2
1
3
2
1
2
1
1
0
0
1
1
2
1
0
1
1
1
1
0
1
2
2
2
1
0
2
2
1
1
1
2
1
1
1
0
0
2
1
0
2
1
0
0
0
0
0
0
0
0
0
2
1
0
2
2
0
0
0
0
0
0
0
0
0
2
0
0
2
3
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
0
0
1
2
2
3
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
3
2
0
1
3
0
0
1
1
3
1
1
0
2
3
2
0
1
2
0
0
2
2
2
2
1
0
2
2
2
1
1
2
2
2
1
2
2
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
7
7
7
8
8
9
9
10
10
10
10
12
13
16
6
6
6
1
6
6
1
1
6
6
6
6
6
2
Data Pengelompokan family history nilai 0 dan umur anai (18-40)
X
1
No
1
2
3
4
5
6
7
8
No
2
3
3
2
2
2
3
2
X
1
X
2
2
2
3
2
3
3
3
1
X
2
X
3
2
2
2
2
2
2
2
2
X
3
X
4
0
0
1
3
1
0
0
0
X
4
X
5
0
0
1
0
0
1
1
0
X
5
X
6
0
0
0
0
0
0
0
0
X
6
X
7
0
0
0
0
0
0
0
0
X
7
X
8
0
0
0
0
0
0
0
0
X
8
X
9
2
0
2
2
1
3
2
3
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
2
1
2
2
2
2
2
2
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
1
0
2
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
2
2
3
2
1
3
2
2
0
0
2
1
0
0
1
0
3
1
3
2
1
2
3
2
3
1
2
3
2
2
3
3
2
2
2
3
2
3
3
2
2
2
2
3
1
3
2
2
2
1
1
0
1
0
1
0
1
0
1
1
0
0
0
2
0
0
0
0
0
0
0
0
2
2
0
2
0
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
1
1
2
2
2
2
0
0
0
0
0
0
0
0
18
19
20
25
27
27
30
33
1
1
1
1
1
1
1
1
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
9
10
11
12
13
3
3
3
2
2
2
2
3
2
1
2
3
3
2
1
0
2
0
2
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
3
2
1
3
2
3
2
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
3
0
2
1
1
0
0
0
0
0
0
2
0
0
0
3
1
2
2
2
0
3
0
1
2
2
2
2
2
2
3
2
3
2
2
2
2
3
2
2
3
2
3
1
2
2
0
2
0
0
0
0
3
2
1
0
0
0
0
0
3
3
3
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
3
2
1
1
0
0
0
0
0
35
35
38
39
40
1
1
1
1
1
Data Pengelompokan family history nilai 0 dan umur anai (41-75)
X
1
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
3
3
3
2
3
3
2
3
2
3
3
3
2
2
1
2
2
X
2
3
3
3
2
1
2
2
2
2
2
2
2
2
2
2
3
2
X
3
2
3
2
2
1
1
2
2
1
2
0
2
3
2
2
3
2
X
4
1
3
0
1
1
3
2
0
1
3
2
0
1
1
1
0
2
X
5
1
3
0
0
1
0
0
0
0
1
0
0
0
1
1
0
2
X
6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X
9
2
3
2
0
0
0
2
0
0
1
0
2
3
2
2
1
3
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
2
3
2
1
1
0
2
1
2
1
0
2
2
0
2
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
2
1
0
0
2
2
2
0
2
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
3
0
0
2
0
2
0
1
1
0
0
0
3
2
2
1
1
2
3
3
2
2
2
3
2
2
2
2
2
2
1
2
2
0
0
0
0
2
0
0
2
0
1
0
2
2
3
2
3
2
2
1
3
2
2
2
0
1
3
2
2
2
2
2
2
2
2
2
0
2
2
1
2
0
2
3
2
3
2
2
2
2
2
1
2
1
2
3
2
3
0
2
3
2
3
2
3
2
2
1
2
3
0
2
2
2
2
0
2
2
2
3
2
3
1
2
0
0
0
0
0
0
0
1
0
1
1
1
2
2
0
1
2
2
0
3
0
2
1
0
1
0
1
1
1
1
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
2
2
2
0
0
0
2
1
2
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
1
2
2
1
2
2
2
1
3
2
3
2
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
42
42
46
47
48
50
50
50
52
55
55
55
57
60
62
62
75
1
1
1
1
1
2
1
1
1
1
2
1
1
1
1
1
1
Lampiran 6 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 1
h
0.25
0.5
0.75
1
famility history nilai 1
Dewasa (18-40)
Anak (0-17)
K1
100%
100%
100%
100%
K2
60%
60%
60%
60%
K3
75%
75%
75%
75%
ratarata h
78.33%
78.33%
78.33%
78.33%
78.33%
K4
100%
100%
100%
100%
K5
100%
100%
100%
100%
K6
100%
100%
100%
100%
Tua (41-70)
ratarata h
100%
100%
100%
100%
100%
K7
100%
83.33%
83.33%
83.33%
K8
100%
83.33%
83.33%
83.33%
K9
50%
83.33%
83.33%
100%
ratarata h
83.33%
83.33%
83.33%
88.89%
84.72%
Lampiran 7 Rata-rata Ketepatan Hasil Percobaan kelompok family history nilai 0
h
0.25
0.5
0.75
1
famility history nilai 0
Dewasa (18-40)
Anak (0-17)
K1
12.50%
12.50%
12.50%
12.50%
K2
25%
25%
25%
25%
K3
12.50%
12.50%
12.50%
12.50%
rata-rata
h
16.67%
16.67%
16.67%
16.67%
16.67%
K4
50%
69.64%
69.64%
69.64%
K5
19.64%
83.93%
83.93%
83.93%
K6
0%
22.81%
71.93%
71.93%
Tua (41-70)
ratarata h
23%
59%
75%
75%
58.09%
K7
42.50%
75%
75%
75%
K8
50%
80%
80%
80%
K9
14.63%
21.95%
19.51%
14.63%
rata-rata
h
12.50%
12.50%
12.50%
12.50%
12.50%
LAMPIRAN
No
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
1
2
2
0
3
0
0
0
0
1
0
0
0
0
0
0
3
2
0
0
0
0
0
0
0
0
0
0
3
0
0
0
1
0
55
2
2
3
3
3
2
1
0
0
0
1
1
1
0
0
1
0
1
2
0
2
2
2
2
2
1
0
0
0
0
0
0
0
1
0
8
1
3
2
1
2
3
1
3
0
3
0
0
0
1
0
0
0
1
2
0
2
0
0
0
0
0
2
0
2
3
2
0
0
2
3
26
3
4
2
2
2
0
0
0
0
0
3
2
0
0
0
3
0
0
2
0
3
2
2
2
2
0
0
3
0
0
0
0
0
3
0
40
1
5
2
3
2
2
2
2
0
2
0
0
0
1
0
0
0
1
2
0
0
0
0
0
0
0
2
2
3
2
3
0
0
2
3
45
3
6
2
3
2
0
0
0
0
0
0
0
0
0
2
1
0
2
2
0
2
0
0
0
1
0
0
0
0
2
0
0
0
1
0
41
2
7
2
1
0
2
0
0
0
0
0
0
0
0
0
0
3
1
3
0
0
0
2
0
0
0
0
0
0
0
0
0
0
2
0
18
5
8
2
2
3
3
3
3
0
2
0
0
0
2
0
0
0
2
3
0
0
0
0
0
0
0
0
2
2
3
2
0
0
3
3
57
3
9
2
2
1
0
2
0
0
0
0
0
0
0
0
0
0
2
1
0
1
0
0
0
0
0
0
0
0
2
0
0
0
2
0
22
4
10
2
2
1
0
1
0
0
0
0
0
0
0
0
0
0
3
2
0
2
0
0
0
0
0
0
0
0
2
0
0
0
2
0
30
4
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
..
…
…
…
…
…
…
…
…
…
…
…
…
357
2
2
2
2
2
0
0
0
3
0
1
0
0
0
0
0
2
2
2
2
3
3
0
2
0
3
0
0
0
0
0
0
0
75
1
358
2
2
2
0
1
0
0
0
0
1
0
0
0
1
0
0
2
0
2
3
2
3
2
1
0
1
0
0
0
0
0
2
0
45
1
359
2
3
2
1
0
0
0
0
2
2
0
0
0
1
0
0
2
0
2
2
2
2
0
2
0
2
0
0
0
0
0
3
0
24
1
360
2
2
0
0
0
0
0
0
0
0
0
0
1
0
0
3
2
0
0
0
0
0
0
0
0
0
0
2
0
0
0
1
0
40
2
361
2
2
1
1
0
0
0
0
0
0
0
0
1
1
0
2
2
1
0
0
0
0
0
0
0
0
0
3
0
0
0
1
0
25
2
362
2
1
1
0
1
0
0
0
0
0
0
0
0
1
0
1
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
2
0
25
4
363
3
2
1
0
1
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
1
0
1
0
0
0
2
0
36
4
364
3
2
2
2
3
2
0
2
0
0
0
2
2
0
0
3
3
0
0
0
0
0
0
0
3
0
3
0
3
0
0
2
3
28
3
365
2
1
3
1
2
3
0
2
0
0
0
2
0
0
0
3
2
0
0
0
0
0
0
0
3
0
2
0
1
0
0
2
3
50
3
366
3
2
2
0
0
0
0
0
3
3
0
0
0
1
0
0
2
0
2
3
2
3
0
2
0
2
0
0
0
0
0
3
0
35
1
Lampiran 2 Daftar atribut pemeriksaan klinis
Variabel
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X34
Ciri yang diamati
erythema
Scaling
definite borders
Itching
Koebner phenomenon
polygonal papules
follicular papules
oral mucosal involvement
knee and elbow involvement
scalp involvement
family history
Age
Nilai
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0 atau 1
0 sampai 100
Lampiran 3 Daftar atribut pemeriksaan histopatologis
Variabel
X12
X13
X14
X15
X16
X17
X18
X19
X20
X21
X22
X23
X24
X25
X26
X27
X28
X29
X30
X31
X32
X33
Ciri yang diamati
melanin incontinence
eosinophils in the infiltrate
PNL infiltrate
fibrosis of the papillary dermis
exocytosis
acanthosis
hyperkeratosis
parakeratosis
clubbing of the rete ridges
elongation of the rete ridges
thinning of the suprapapillary epidermis
spongiform pustule
munro microabcess
focal hypergranulosis
disappearance of the granular layer
vacuolisation and damage of basal layer
spongiosis
saw-tooth appearance of retes
follicular horn plug
perifollicular parakeratosis
inflammatory monoluclear inflitrate
band-like infiltrate
Nilai
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
0, 1, 2, 3
Data dengan parent history nilai 1
X
1
No
1
2
3
4
5
6
7
8
9
10
…
35
36
37
38
39
40
41
42
43
44
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
X
21
X
22
X
23
X
24
X
25
X
26
X
27
X
28
X
29
X
30
X
31
X
32
X
33
X
34
kel
0
0
0
0
0
0
0
0
0
0
2
2
1
1
1
2
0
0
2
1
1
2
2
2
2
2
2
2
2
1
1
1
0
0
1
1
2
1
0
1
1
2
2
2
1
0
2
2
1
1
1
0
0
2
1
0
2
1
0
0
0
0
0
2
1
0
2
2
0
0
0
0
0
2
0
0
2
3
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
1
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
1
1
0
0
1
2
0
0
0
0
0
0
0
0
0
0
2
3
2
0
1
3
0
0
1
1
2
3
2
0
1
2
0
0
2
2
2
2
2
1
1
2
2
2
1
2
0
0
0
0
0
0
0
0
0
0
7
7
7
8
8
9
9
10
10
10
6
6
6
1
6
6
1
1
6
6
…
…
…
…
…
…
…
…