ANALISIS PERFORMA KLASIFIKASI UNTUK DIAGNOSIS PENYAKIT PARKINSON

sarini vita dewi, Adhistya Erna Permanasari, S.T., M.T., Ph.D.

2014 | Tesis | S2 Teknik Elektro

Parkinson adalah penyakit yang menyerang otak dan dapat menyebabkan hilangnya kontrol motorik secara bertahap karena kurangnya dopamine dalam otak. Otak merupakan organ tubuh penting pada manusia yang berfungsi mengatur semua aktivitas yang dilakukan oleh tubuh. Dalam bekerja, otak membutuhkan cairan yang digunakan sebagai pengirim sinyal, cairan tersebut dinamakan dopamine. Berbagai upaya untuk penanganan penyakit Parkinson sudah dikembangkan, metode pemberian obat umum dilakukan dalam penanganan penyakit ini tetapi pemberian jangka panjang dapat berakibat buruk pada organ tubuh yang lain. Metode gold penangan Parkinson adalah pencangkokan otak akan tetapi metode ini memiliki risiko yang tinggi dan mahal. Untuk meminimalkan risiko tersebut diperlukan diagnosis dini yang akurat. Diagnosis Parkinson masih tergolong jarang diimplementasikan dalam machine learning, Metode diagnosis berbasis komputer merupakan solusi yang cukup menjanjikan dalam melakukan diagnosis dini suatu penyakit yaitu dengan melakukan pengklasifikasian. Hanya saja setiap metode pasti mengalami kendala, salah satu kendala yang dialami dalam analisis medis adalah adanya fitur yang tidak relevan dengan proses pengklasifikasian. Karenanya untuk mengurangi fitur yang tidak relevan dalam penelitian ini digunakan proses seleksi fitur. Dengan adanya seleksi fitur diharapkan dapat meningkatkan kinerja analisis data dalam pengklasifikasian lebih akurat tetapi pada implementasinya pengurangan suatu fitur dapat berpengaruh besar terhadap hasil klasifikasi. Pengaruh ini bisa menjadi hal baik tapi juga bisa menjadi kendala dalam proses diagnosis, karena kemungkinan fitur yang dihilangkan memiliki nilai yang berpengaruh terhadap hasil diagnosis. Karena permasalahan ini maka dilakukan perbandingan hasil klasifikasi terhadap full dataset dengan dataset yang telah di seleksi fitur. Tujuan penelitian ini adalah mendapatkan hasil klasifikasi terbaik dengan menggunakan perbandingan performa dua buah algoritme klasifikasi yaitu SMO dan Bagging J48 sebelum dan sesudah dilakukan seleksi fitur. Metode seleksi fitur yang digunakan adalah CFS, Gain Ratio, RELIEF dan Wrapper. Dari keempat hasil seleksi fitur yang diperoleh, performa akurasi terbaik didapat dari subset seleksi fitur CFS dengan algoritme Bagging J48 yaitu sebesar 91% dengan nilai sensitivity 0,996, specificity 0,755, ROC 0,941 dan running time 0,01 detik. Dari hasil 4 parameter evaluasi yang digunakan menunjukkan bahwa subset dengan 9 atribut yang dihasilkan oleh metode CFS dengan label P1, P2, P3, P6, P13, P15, P16, P19, P20 adalah subset terbaik untuk menentukan klasifikasi pada dataset penyakit Parkinson Kata kunci – Parkinson, Otak, Klasifikasi, Bagging J48, SMO, Seleksi Fitur, CFS, Gain Ratio, Wrapper, RELIEF

Parkinson's is a disease that attacks the brain and can cause a gradual loss of motor control due to a lack of dopamine in the brain. The brain is an important organ in the human which controls all the activities performed by the body. In the work, the brain need fluid that is used as the sender of the signal, the fluid is called dopamine. Various attempts to treat Parkinson disease has been developed, method of drug delivery in commonly done in the treatment of this disease, but long-term given can adversely impact on other organs. Parkinson's gold handling method is a brain transplant but this method has a high risk and costly. To minimize the risk, early accurate diagnosis is necessary. The diagnosis of Parkinson is still relatively rare implemented in machine learning, computerbased diagnostic method is a promising solution in doing an early diagnosis of a disease that is by doing classification. It's just that every method certainly having problems, one of the obstacles identified in medical analysis is a feature that is not relevant to the classification process. Therefore to reduce the irrelevant features, feature selection process is used in this study. The presence of feature selection is expected to improve the performance of data analysis in a more accurate classification but the implementation of a feature reduction can significantly affect the classification results. This influence can be a good thing but it can also be an obstacle in the process of diagnosis, because of the possibility that omitted features have value that affects the outcome of diagnosis. Because of this problem, the comparison of the classification results for the full dataset with datasets that have been in the feature selection is done. The aim of this study is to obtain the best classification results by using performance comparison of two classification algorithms, namely SMO and J48 Bagging before and after feature selection is done. Feature selection method used are CFS, Gain Ratio, RELIEF and Wrapper. From these four results obtained, the best accuracy performance obtained from a subset feature selection of CFS with algorithms Bagging J48 in the amount of 91% with a sensitivity value of 0.996, specificity 0.755, ROC 0.941 and running time of 0.01 second. From the results of the four evaluation parameters used, shows that the subset with 9 attributes generated by the CFS method labeled P1, P2, P3, P6, P13, P15, P16, P19, P20 are the best subset to determine the classification of the dataset of Parkinson disease. Key words – Parkinson, Brain, Classification, Bagging J48, SMO, Feature selection, CFS, Wrapper, Gain Ratio, RELIEF.

Kata Kunci : Parkinson, Brain, Classification, Bagging J48, SMO, Feature selection, CFS, Wrapper, Gain Ratio, RELIEF, Parkinson, Otak, Klasifikasi, Bagging J48, SMO, Seleksi Fitur, CFS, Gain Ratio, Wrapper, RELIEF