BAB V PENUTUP A. Kesimpulan Berdasarkan bab

BAB V
PENUTUP
A. Kesimpulan
Berdasarkan bab-bab sebelumnya, maka dapat diambil kesimpulan mengenai
aplikasi Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit
jantung yaitu sebagai berikut:
1. Proses diagnosis diawali dengan preprocessing. Preprocessing terbagi dalam 3
langkah yaitu, langkah pertama adalah pemotongan terhadap isyarat sinyal PCG
dengan mengambil satu sampel detakan. Pemotongan dilakukan dengan metode
rectangle menggunakan Sound Forge 10.0. Selanjutnya dilakukan normalisasi
terhadap sinyal PCG yang telah dipotong. Kemudian sinyal diekstraksi dengan
dekomposisi wavelet mother haar menggunakan MATLAB. Dari proses
ekstraksi tersebut didapatkan fitur-fitur yang digunakan sebagai variabel input,
yaitu energy, minimum, maksimum, dan standar deviasi. Pembagian data input
sebagai data training dan testing berbanding 80% banding 20%, sehingga
sebanyak 40 data digunakan sebagai data training dan 10 data digunakan
sebagai data testing dari total 50 data. Proses selanjutnya yaitu dilakukan
algoritma pembelajaran RBFNN dengan mencari pusat dan jarak dari setiap
fungsi basis menggunakan metode K-Means clustering. Setelah didapatkan
pusat dan jarak setiap fungsi basis, selanjutnya menentukan jaringan optimum
dengan metode trial and error untuk menentukan banyaknya neuron pada
lapisan tersembunyi yang memberikan nilai akurasi tertinggi. Langkah terakhir
61
yaitu pengklasifikasian. Berdasarkan pembulatan nilai keluarannya, maka
masing-masing data dapat diidentifikasi jenis kondisi jantungnya.
2. Model Radial Basis Function Neural Network (RBFNN) untuk diagnosis
penyakit jantung menghasilkan jaringan terbaik dengan 4 neuron input, lapisan
tersembunyi dengan 9 neuron, dan 1 neuron output. Fungsi aktivasi yang
digunakan yaitu fungsi Gaussian pada lapisan tersembunyi. Pengujian
ketepatan model RBFNN untuk klasifikasi dapat diukur melalui nilai
sensitivitas, spesifisitas, dan akurasi. Pada data training, tingkat sensitivitas
100% artinya untuk pasien yang memiliki penyakit jantung kemungkinan model
RBFNN mengklasifikasi dengan tepat adalah sebesar 100%. Spesifisitas data
training 85% artinya untuk pasien yang tidak memiliki penyakit jantung
kemungkinan model RBFNN mengklasifikasi dengan tepat adalah sebesar
85%. Nilai akurasi pada data training 92.5% artinya hasil klasifikasi dengan
model RBFNN akurat sebesar 92.5%, baik untuk pasien yang tidak memiliki
penyakit jantung (normal), maupun yang memiliki penyakit jantung. Pada data
testing, tingkat sensitivitas 100% artinya untuk pasien yang memiliki penyakit
jantung kemungkinan model RBFNN mengklasifikasi dengan tepat adalah
sebesar 100%. Spesifisitas data testing 80% artinya untuk pasien yang tidak
memiliki penyakit jantung kemungkinan model RBFNN mengklasifikasi
dengan tepat adalah sebesar 80%. Akurasi pada data testing 90% artinya hasil
klasifikasi dengan model RBFNN akurat sebesar 90%, baik untuk pasien yang
tidak memiliki penyakit jantung (normal), maupun yang memiliki penyakit
jantung.
62
B. Saran
Penelitian ini diharapkan mampu menambah referensi mengenai aplikasi dari
metode RBFNN khususnya dalam bidang kesehatan. Untuk selanjutnya diharapkan
adanya penyempurnaan dengan penelitian lain mengenai metode yang sama atau
bidang yang sama dengan hasil yang lebih baik. Adapun saran dari penulis yaitu:
1. Variabel Input yang digunakan sebaiknya lebih banyak.
2. Menambah jumlah data input.
3. Menggunakan metode lain dalam proses ekstraksi sinyal misalnya, Fast Fourier
Transform.
4. Mencoba metode lain dalam proses pemotongan sinyal PCG.
63