Penerapan Algoritma Neural Network untuk Klasifikasi Kardiotokografi

Paper Review oleh Lucky Christopher Chen, Hiromi Jorge A. A., dan Jason Andreas

Editor: Amalia Zahra, S.Kom., Ph.D.

Kardiotokografi adalah metode investigasi yang paling disukai, dalam pemerhati penggunaan kesejahteraan janin yang praktis. Informasi yang diperoleh dari kardiotokografi digunakan untuk mengidentifikasi awal keadaan patologis (gangguan pada janin, perkembangan penyakit pada janin atau hipoksia, dan lain-lain) dan kardiotokografi ini dapat membantu dokter kandungan untuk mengantisipasi masa depan janin sebelum ada gangguan permanen pada janin. Sebagai contoh, perkembangan janin yang terkena hipoksia dapat menyebabkan kecacatan sementara bahkan tidak tepatnya diagnosis dan perawatan yang diterapkan pada janin dapat menyebabkan kematian pada janin tersebut. Organisasi Kesehatan Dunia atau World Health Organization (WHO) memperkirakan sekitar 15% dari seluruh wanita hamil akan berkembang menjadi komplikasi yang berkaitan dengan kehamilannya dan dapat mengakibatkan kematian ibu dan janin.

Teknologi data mining merupakan salah satu alat bantu untuk mengoptimalkan data pada basisdata yang berukuran besar. Penggunaan teknologi data mining dalam bidang medis memiliki potensi besar untuk mempelajari pola yang tersembunyi dalam kumpulan data utama medis. Dalam penelitian ini, klasifikasi kardiotokografi menggunakan algoritma klasifikasi Neural Network dengan menggunakan dataset kardiotokografi sebanyak 2.126. Data ini dikumpulkan untuk kemudian diintegrasikan membentuk sebuah sistem informasi rumah sakit. Terdapat dua permasalahan yang menjadi dasar dilakukan penelitian ini, di antaranya yaitu 15% dari wanita hamil mengalami komplikasi dan belum diterapkannya data mining pada area medis tersebut.

Kesimpulan dari penelitian mengenai klasifikasi dataset kardiotokografi menggunakan algoritma Neural Network adalah model klasifikasi algoritma Neural Network dapat melakukan klasifikasi dataset kardiotokografi dengan baik; dibuktikan dengan nilai akurasi yang dihasilkan sebesar 99,15%. Dengan adanya aplikasi klasifikasi kardiotokografi, diharapkan dapat membantu ahli kandungan dalam melakukan proses klasifikasi janin dengan cepat. Klasifikasi janin dibagi menjadi 3 kelompok yaitu Normal, Suspect, dan Pathologic.

Untuk penelitian selanjutanya, hal-hal berikut dapat dilakukan untuk meningkatkan akurasi dan efektivitas klasifikasi kardiotokografi, yakni aplikasi ini dapat menggunakan metode klasifikasi lainnya agar mendapatkan nilai akurasi yang lebih tinggi dari hasil yang telah peneliti lakukan. Misalnya, menggunakan metode optimasi parameter, seperti Particle Swarm Optimization, Backward Elimination, Forward Selection, Genetic Algorithm, dan lain-lain untuk meningkatkan akurasi dari klasifikasi kardiotokografi.

Solution Strategy

• Identifikasi Masalah

Pada tahap ini dilakukan identifikasi terhadap masalah yang akan diteliti dan dihadapi.

• Pengumpulan Data

Data kardiotokografi diperoleh dari University of Porto, Portugal, yakni data Campos et al. Data yang digunakan untuk training dan testing merupakan data sekunder sebanyak 2.126 janin cardiotocograms (CTGs) yang diolah secara otomatis dan fitur diagnostik masing-masing telah diukur. CTGs juga diklasifikasikan oleh tiga ahli obstetricians dan label klasifikasi diberikan ke masing-masing sample. Data kardiotokografi dapat diunduh melalui halaman website: http://archive.ics.uci.edu/ml/datasets/Cardiotocography.

• Persiapan Data

Tahap pertama dalam penelitian ini adalah membagi dataset kardiotokografi menjadi 10 bagian dengan menggunakan cross validation, di mana semua bagian dataset akan dibagi menjadi data training dan data testing. Langkah selanjutnya adalah melakukan klasifikasi menggunakan algoritma Neural Network. Hasil dari klasifikasi akan diukur dengan nilai akurasi.

• Pembagian Data

Dataset kardiotokografi memiliki fitur/atribut sebanyak 36 neuron dan diklasifikasikan menjadi 3 kelas, yaitu kelas Normal, kelas Suspect, dan kelas Pathologic dengan jumlah sampe sebanyak 2.126.

• Pemodelan

Menggunakan Neural Network.

• Evaluasi

Pada tahap ini dilakukan evaluasi menggunakan tabel confusion matrix untuk melakukan pengukuran kinerja algoritma pada model yang telah dibangun. Kinerja diukur dengan metrics akurasi. Validasi dilakukan dengan menggunakan 10-fold cross validation di mana dataset akan dibagi menjadi dua segmen yaitu, 9 porsi data training dan 1 porsi data testing.

Hasil Penelitian

      Tabel Sebaran Dataset Kardiotokografi        

Hasil Klasifikasi Artificial Neural Network

‘

*Pred 1 = Normal

*Pred 2 = Suspect

*Pred 3 = Pathologic

*True 1, True 2, True 3 = hasil komparasi antara dataset testing dengan dataset training

Tabel Perbandingan Kinerja Algoritma Klasifikasi Kardiotokografi

Referensi: Ramdhani, Y., Susanti, S., Adiwisastra, M. F., & Topiq, S. (2018). Penerapan Algoritma Neural Network untuk Klasifikasi Kardiotokografi.