Salah satu penyakit paru-paru yang umum dialami masyarakat adalah TBC, bahkan TBC ini telah meningkatkan angka kematian sebanyak 98.000 orang di Indonesia. Tuberkulosis dibedakan menjadi 2 berdasarkan letak anatominya, yaitu paru untuk tuberkulosis yang terdeteksi pada jaringan parenkim paru dan ekstrapulmonal untuk tuberkulosis yang terdeteksi pada organ selain paru. Namun untuk mendeteksi letak anatomi tuberkulosis diperlukan beberapa parameter dari pemeriksaan laboratorium dan diagnosa manual yang memakan waktu lama, selain itu data pemeriksaan yang tidak lengkap tentunya akan mempengaruhi hasil diagnosa. Oleh karena itu, perlu adanya sistem klasifikasi lokasi anatomi tuberkulosis yang cepat dan akurat untuk membantu tenaga medis dalam menentukan lokasi anatomi tuberkulosis. Penelitian ini mengusulkan penggunaan metode KNN dalam penanganan data yang tidak lengkap atau nilai yang hilang, metode SMOTE untuk menyeimbangkan data. Sedangkan untuk proses klasifikasi anatomi paru dan ekstrapulmonal, penelitian ini menggunakan metode LSTM yang akan diuji kinerjanya dengan beberapa model berbeda yaitu Na茂ve Bayes, SVM, LSTM, dan Backpropagation.
Berdasarkan analisis dan pembahasan yang telah dilakukan terhadap data pelatihan dan pengujian menggunakan 10 kali lipat dimana terdapat 985 catatan dan 6 atribut yaitu usia, jenis kelamin, rontgen dada, status HIV, riwayat diabetes, TCM (Rapid Molecular Hasil Uji), disimpulkan bahwa :
- Dengan menggunakan model usulan penelitian ini dapat mengatasi permasalahan missing value pada data TBC di RS Syarifah Ambami Rato Ebu Bangkalan dengan metode KNN
- Berdasarkan hasil pengujian yang telah diperoleh penggunaan SMOTE memberikan performa yang baik namun tidak memberikan peningkatan akurasi yang signifikan jika dibandingkan dengan penerapan dataset tanpa SMOTE pada keseluruhan pengujian, hal ini terlihat dari waktu komputasi yang diberikan. Dengan penggunaan SMOTE, waktu eksekusi yang dibutuhkan menjadi lebih banyak karena adanya penambahan data sintesis untuk menyeimbangkan kelas data minoritas
- Dari hasil penelitian dapat disimpulkan bahwa LSTM mampu digunakan untuk mengklasifikasikan penyakit TBC. Dengan menerapkan metode GirdSearch hasil akurasi terbaik dari beberapa skenario pengujian diperoleh nilai akurasi 100% stabil pada percobaan menggunakan k-fold 10 dan learning rate sebesar serta penggunaan fungsi aktivasi Tanh pada jumlah neuron 100 menggunakan dan tanpa SMOTE.
- Berdasarkan hasil pengujian untuk mendapatkan nilai akurasi, metode LSTM lebih unggul dibandingkan metode lainnya yaitu mendapatkan 100% dibandingkan Naive Bayes 99.49%, SVM 99.36%, dan backpropagation 99.78%.
- Berdasarkan hasil uji coba yang dilakukan, diperoleh klasifikasi penyakit TBC berdasarkan letak anatomi paru dan ekstrapulmoner menggunakan metode LSTM dengan meningkatkan kinerja algoritma untuk mendapatkan akurasi yang optimal
- Penelitian ini berhasil mengembangkan penelitian dengan membuat model klasifikasi sehingga nantinya dapat diterapkan pada data TBC dan memberikan rekomendasi kepada rumah sakit mengenai kelas paru dan ekstra paru serta ciri-ciri penting penyakit TBC
Berdasarkan kesimpulan tersebut, penulis memberikan saran untuk pengembangan dan penelitian lebih lanjut, yaitu:
- Pengembangan sistem selanjutnya diharapkan dapat membangun model klasifikasi dengan menggunakan metode imputasi lain yang dapat menggabungkan dua tipe data yang berbeda
- Penelitian selanjutnya diharapkan dapat menambah jumlah data dan fitur yang digunakan untuk membangun model klasifikasi, hal ini tentunya dapat menunjang kinerja model menjadi lebih baik lagi dengan memperhatikan jumlah nilai yang hilang dan keseimbangan kelas dalam kumpulan data yang digunakan.
Penulis: Eka Mala Sari Rochman, Miswanto, Herry Suprajitno, Aeri Rachmad, Mula檃b, Iwan Santosa
Available online at
