1. Seleksi Ciri Antropometri menggunakan Pohon Keputusan
untuk Pemeriksaan Osteoporosis
Enny Itje Sela
STMIK AKAKOM, Yogyakarta
Email: ennysela@akakom.ac.id
Abstract— This study determines if anthropometric features is associated with a subject’s
femoral/lumbar WHO bone mineral density class. The study sample had their bone mineral
density (BMD) measured at the proximal femur/lumbar spine using dual-energy X-ray
absorptiometry (DXA). The anthropometric features considered were age, height, weight, and
body mass index (BMI). Decision tree (J.48 method) was used to evaluate anthropometric
features for classifying data. The study showed that anthropometric features have
considerably high accuracy, sensitivity, and specificity. The important anthropometric features
for osteoporosis screening are age, height, and body mass index.
Keywords: osteoporosis, anthropometric features, decision tree
Abstrak- Penelitian ini bertujuan untuk mengetahui ciri antropometri dapat digunakan untuk
memeriksa status bone mineral density (BMD) femoral/lumbar pada wanita menopause sesuai
dengan klasifikasi BMD dari WHO. Sampel BMD diperolah dari pengukuran femoral/lumbar
menggunakan dual-energy X-ray absorptiometry (DXA). Ciri antropometri yang digunakan adalah
umur, tinggi badan, berat badan, dan indeks massa tubuh (BMI), diperoleh dari kuisioner. Metode
analisis statistik dengan memanfaatkan pohon keputusan digunakan untuk melakukan seleksi ciri
berserta evaluasi. Hasil penelitian menunjukkan bahwa pohon keputusan dapat digunakan untuk
menunjukkan cir-ciri yang penting dari ciri antropometri. Berdasarkan basis pengetahuan yang
diperoleh, ciri antropometri yang berperan adalah umur, tinggi badan, dan indeks massa tubuh. Nilai
akurasi, sensitifitas, dan spesifisitas yang tingi diperoleh saat seleksi ciri adalah 86.67%, 90.2%, dan
87.59%.
Kata kunci: osteoporosis, ciri antropometri, pohon keputusan
PENDAHULUAN
Osteoporosis merupakan penyakit metabolik yang mempunyai ciri berkurangnya massa tulang
(BMD) dan dapat mengakibatkan patah pada tulang belakang, panggul maupun pergelangan tangan
(Gueldner dkk, 2008). Pengukuran BMD merupakan metode yang paling banyak digunakan untuk
memeriksa osteoporosis karena patah tulang banyak diderita oleh pasien yang mempunyai nilai BMD
rendah. Salah satu peralatan yang dijadikan standar untuk memeriksa osteoporosis pada wanita pasca
menopause adalah DXA (Priyana, 2007). Namun, pemeriksaan menggunakan DXA masih relatif mahal.
Saat ini, pemeriksaan osteoporosis juga melibatkan ciri antropometri dan klinis pasien. Ciri
tersebut adalah umur, tinggi badan, berat badan, penyerapan kalsium, olah raga, Hingga saai ini, belum
diketahui apakah ciri antropometri juga dapat digunakan untuk pemeriksaan osteoporosis khusunya yang
2. menggunakan data wanita Indoensia. Penelitian ini bertujan untuk mengetahui ciri-ciri antropometri
yang berperan untuk pemeriksaan osteoporosis.
BAHAN
Ciri antropometri diperoleh dari Bagian Radiologi, RSGM Prof. Soedomo, Fakultas Kedokteran
Gigi, UGM. Untuk mendapatkan ciri antropometri, subyek harus mengisi identitas dan kuisioner yang
mencakup umur, tinggi badan, berat badan, kebiasaan minum susu, merokok. BMI dapat dihitung
menggunakan perbandingan antara berat badan(kg) dengan kuadrat dari tinggi badan (m). Ciri
antropometri yang dipertimbangkan pada penelitian ini adalah umur, tinggi badan (TB), berat badan (BB),
dan indeks massa tubuh (BMI). Hasil penilaian BMD menggunakan DXA diperoleh dari Bagian
Radiologi, RSUP Dr. Sardjito Hospital. Subyek diklasifikasikan dalam 3 kategori sesuai dengan krietria
WHO yaitu osteoporosis (OP), osteopenia (ON), dan normal (N) (Licks et al., 2010).
MODEL SELEKSI CIRI ANTROPOMETRI
Secara umum, model yang digunakan untuk pemeriksaan osteoporosis adalah memanggil data ciri
antropometri, seleksi ciri, visualisasi pohon keputusan, dan evaluasi (Gambar 1). Berikut penjelasan
masing-masing tahap.
Gambar. 1. Model yang diusulkan
Proses dimulai dengan memanggil sebuah dataset yang berisi 5 atribut (ciri) yaitu U, TB, BB,
BMI, dan kelas. Untuk data kelas terdiri atas normal (N), osteopenia (ON), dan osteoporosis (OP).
Banyaknya data yang digunakan pada penelitian adalah 45. Proses selanjutnya adalah melakukan seleksi
ciri. Seleksi ciri digunakan untuk mengetahui ciri-ciri yang berperan dalam pemeriksaan osteoporosis
karena tidak semua ciri pada dataset mempunyai peran yang penting. Proses ini menggunakan algoritma
C4.5 yang dikembangkan oleh Han dan Kamber (2001). Hasil seleksi ciri bisa dilihat dapat bentuk pohon
keputusan yang terdiri dari beberapa node. Sebuah node pada pohon keputusan melambangkan sebuah
ciri yang berperan pada pemeriksaaan osteoporosis. Konstruksi pohon keputusan dengan algoritma C4.5
(J.48 pada Weka) digunakan untuk mengklasifikasikan ciri antropometri dalam kelas N, ON, atau
OP..Proses evaluasi dilakukan untuk menilai pohon keputusan yang dihasilkan. Confusion matrix
Seleksi ciri
dengan
algoritam
C4.5
evaluasi
Ciri antropometri: umur, tinggi badan,
berat badan, BMI
Class target: klasifikasi BMD pada
lumbar/spine
Ciri yang
berperanPohon
keputus
an
3. digunakan untuk mengevaluasi kinerja model pohon keputusan. Dengan matirks ini, bisa diperoleh nilai
akurasi, spesifisitas, dan sensitivitas. Confusion matrix memberikan informasi hasil klasifikasi antara
fakta dengan prediksi yang dihasilkan model (Polat dan Gunes, 2007). Tabel 3.1 menunjukkan bentuk
confusion matrix.
Tabel 1. Confusion matrix
Aktual Prediksi
Negatif Positif
Negatif a b
Positif c d
dengan
a adalah banyaknya data yang diprediksi negatif tetapi oleh dokter dinyatakan sehat.
b adalah banyaknya data yang diprediksi positif dan oleh dokter dinyatakan sehat.
c adalah banyaknya data yang diprediksi negatif tetapi oleh dokter dinyatakan tidak sehat.
d adalah banyaknya data yang diprediksi positif dan oleh dokter dinyatakan tidak sehat.
Ada beberapa istilah berdasarkan Tabel 1
True Positive (TP) adalah data positif yang terindikasi secara benar oleh model. Perhitungan nilai TP
dapat dihitung menggunakan Persamaan (1)
dc
d
TP
False Positive (FP) adalah data positif yang terindikasi salah oleh model. Perhitungan nilai FP dapat
dihitung menggunakan Persamaan (2)
ba
b
FP
True Negatif (TN) adalah data negatif yang terindikasi benar oleh model. PErhitungan nilai TN dapat
dihitung menggunakan Persamaan (3)
ba
a
TN
False Negatif (FN) adalah data negatif yang terindikasi salah oleh model. Perhitungan nilai
FN dapat dihitung menggunakan Persamaan (4)
dc
c
FN
(1)
(2)
(3)
(4)
4. Akurasi adalah banyaknya data yang berhasil diprediksi benar oleh model baik negative
maupun positif. Perhitungan nilai akurasi dapat dihitung menggunakan Persamaan (5)
(%)
FNFPTNTP
TNTP
akurasi
Sensitifitas adalah ukuran keberhasilan model mengidentifikasi data positif dengan benar.
Perhitungan nilai sensitifitas dapat dihitung menggunakan Persamaan (6)
(%)
FNTP
TP
assensitifit
Spesifisitas adalah ukuran keberhasilan model mengidentifikasi data negatif dengan benar.
Perhitungan nilai spesifisitas dapat dihitung menggunakan Persamaan (7)
(%)
FPTN
TN
asspesifisit
HASIL
Berdasarkan dataset yang digunakan pada penelitian ini, hasil pohon keputusan dapat dilihat pada
Gambar 1. Dari gambar tersebut dapat dinyatakan bahwa ciri antropometri yang berperan pada
pemeriksaan osteoporosis adalah U, BMI, dan TB
Hasil uji dapat dilihat pada confusion matrix (Tabel 2). Nilai akurasi yang diperoleh saat pengujian adalah
86.67% artinya dari 45 data yang diuji, 39 data dapat diklasifikasikan dengan benar dan sisanya
diklasifikasikan tidak benar.
Gambar 1. Hasil Pohon Keputusan
(5)
(6)
(7)
5. Tabel 2 Confusion matrix seleksi ciri antropometri
Aktual Prediksi
N ON OP Total
N 8 0 0 8
ON 1 17 4 22
OP 0 1 14 15
Total 9 18 18 45
Dari Tabel 2 selain nilai akurasi, dapat diperoleh rata-rata nilai sensitivitas,dan spesifisitas,
seperti yang disajikan pada Tabel 3 berdasarkan Persamaan (5), (6), dan (7). Pada penelitian ini nilai rata-
rata sensitifitas yang diperoleh sebesar 90.2%, sedangkan nilai rata-rata spesifisitas sebesar 87.59%.
Tabel 3. Nilai akurasi, sensitifitas, dan spesifisitas
Akurasi
(%)
Sensitifitas
(%)
Spesifisitas
(%)
86.67
N 100 N 83.78
ON 77.27 ON 95.65
OP 93.33 OP 83.33
Rata 90.2 Rata 87.59
Dari penelitian ini dapat ditujukkan bahwa ciri antropometri dapat digunakan untuk pemeriksaan
osteoporosis. Penelitian ini serupa dengan penelitian yang dilakukan oleh Licks dkk. (2010) Ciri yang
paling penting pada penelitikan Licks adalah umur, sama dengan hasil pada penelitian ini. Pada penelitian
ini, ciri antropometri yang lain yang dipertimbangkan untuk pemeriksaan osteoporosis adalah BMI. Hasil
ini sesuai dengan hasil penelitian dari Licks dkk (2010). Hasil lain yang sesuai dengan penelitian Licks
dkk (2010) adalah ciri berat badan tidak berperan dalam pemeriksaan osteoporosis. Ada beberapa
kelemahan yang ada pada penelitian ini. Pertama, jumlah sample yang sederhan (sedikit) terutama pada
data kelas normal. Subyek penelitian tidak mengambil sample pria dan ciri antropometri yang diambil
adalah umur, berat badan, tinggi badan dan BMI. Untuk penelitian mendatang sebaiknya dipertimbangkan
ciri antropometri lain seperti kegiatan olah raga, kebiasaan merokok, atau konsusi obat-obatan.
KESIMPULAN
Penelitian ini menunjukkan bahwa ciri antropometri dapat digunakan untuk pemeriksaan osteoporosis.
Ciri-ciri yang berperan pada pemeriksaan osteoporosis adalah umur, BMI, dan tinggi badan.
6. REFERENSI
Gueldner, S., Graha, T.N., Newman, E.D., Cooper, D.R., 2008, Osteoporosis: Clinical
Guidelines for Prevention, Diagnosis, and Management, Springer Publishing Company,
New York.
Han, J., dan Kamber, M., 2001, Data Mining Comceps and Technique, Morgan Kaufmann
Publisher, USA
Licks. R., Licks, V., Ourique, F., Bittencourt, H.R., Fontanella, V., 2007, Development of prediction tool
for low bone mass based on clinical data and periapical radiography, Dentomaxillofacial Radiology
(2010) 39, 224-230, The British Institute of Radiology
Polat, K.dan Gunes, S., 2007, Brest Cancer Diagnosis using least square support vector machine,
Digital Signal Processing, Vol. 17, No. 4, Hal. 694-701
Priyana, A., 2007, Prean Pertanda Tulang dalam Serum pada Tata Laksana Osteoporosis,
Universa Medicina, Juni-September, 26, 3.