Text

Klasifikasi Derajat Kerusakan Mukosa Esofagus Pada Refluks Esofagitis Menggunakan Principal Component Analysis Dan Model Elman Recurrent Neural Network

---

ABSTRAK

Refluks esofagitis adalah suatu proses inflamasi yang ditandai dengan adanya kerusakan mukosa esofagus. Diagnosa refluks esofagitis dapat menggunakan pemeriksaan endoskopi. Salah satu sistem klasifikasi refluks esofagitis dengan endoskopi adalah sistem klasifikasi Los Angeles (LA) yang didasarkan atas kerusakan mukosa esofagus dengan derajat A-D.
Citra RGB dari endoskopi ditransformasi menjadi citra grayscale kemudian dilakukan ekstraksi 14 fitur citra dengan metode Gray Level Co-occurrence Matrix (GLCM). Fitur yang dihasilkan seringkali berkorelasi (terdapat multikolinieritas) sehingga sulit menentukan variabel mana yang berpengaruh terhadap hasil klasifikasi. Untuk menangani permasalahan multikolinieritas ini digunakan metode Principal Component Analysis (PCA). Dalam penelitian ini dilakukan perbandingan klasifikasi dengan variabel input asli yang saling berkorelasi dan variabel input baru yang tidak berkorelasi hasil analisis dari PCA. Kemudian digunakan model Elman Recurrent Neural Network (ERNN) untuk mengklasifikasikan derajat kerusakan mukosa esofagus. Perancangan model ERNN dilakukan pada 4 data input berbeda yaitu 14 variabel asli dengan sampling acak dan acak berstrata, variabel baru hasil analisis PCA dengan sampling acak dan acak berstrata.
Dari perbandingan hasil klasifikasi diperoleh model terbaik dengan 12 neuron input dari variabel asli sampling acak berstrata, 4 neuron tersembunyi, 4 neuron konteks dan 1 neuron output dengan MSE training 0,1764 dan MSE testing 1,044. Nilai sensitivitas, spesifisitas dan akurasi data training terbaiknya adalah 100%, 67% dan 93%. Sedangkan nilai sensitivitas, spesifisitas dan akurasi data testing terbaiknya adalah 92%, 33% dan 80%.

Kata Kunci: Refluks Esofagitis, GLCM, PCA dan Elman Recurrent Neural Network

ABSTRACT

Reflux oesophagitis is an inflammatory process characterized by esophageal mucosal damage. Diagnosis of reflux esophagitis may use endoscopic test. One of the classification system of reflux esophagitis with endoscopy is the Los Angeles (LA) classification system which based on esophageal mucosal damage with A-D degree.
The RGB image of the endoscope is transformed into grayscale image and then extract the 14 image features with Gray Level Co-occurrence Matrix (GLCM) method. The result features are often correlate so it make difficult to determine which variables that affect the classification results. Principal Component Analysis (PCA) method is used to handle this multicollinearity problem. This research compare the classification results for the original input variables that are correlate and new input variables that are not correlate result from Principal Component Analysis (PCA). Then use Elman Recurrent Neural Network model (ERNN) to classify the degree of damage of the esophageal mucosal. ERNN model is performed on 4 different input data that are 14 original variables with random and random sampling stratified, new variable result from PCA analysis with random and random sampling stratified.
From the comparison of the classification results obtained the best model with 12 input neurons from the original random sampling stratified, 4 hidden neurons, 4 context neurons and 1 output neuron with MSE training 0.1764 and MSE testing 1.044. The best sensitivity, specificity and accuracy of training data are 100%, 67% and 93%. While the best sensitivity, specificity and accuracy of data testing are 92%, 33% and 80%.

Keywords: Reflux Esophagitis, GLCM, PCA and Elman Recurrent Neural Network

---

Ketersediaan

582E17IV

001,422 RAH k

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

STATISTIKA

No. Panggil

001,422 RAH k

Penerbit

: ., 2017

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

1640

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Rahma Devi Kusumaning Putri

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar