APLIKASI DIAGNOSIS PENYAKIT DIABETES MELITUS MENGGUNAKAN METODE FUZZY MULTI CRITERIA DECISION MAKING

semanTIK, Vol.2, No.1, Jan-Jun 2016, pp. 177-186 ISSN : 2502-8928 (Online)

 177

APLIKASI DIAGNOSIS PENYAKIT DIABETES MELITUS MENGGUNAKAN METODE FUZZY MULTI CRITERIA DECISION MAKING Indah Lestari Sumitro*1, Ika Purawanti Ningrum2, Rahmat Ramadhan3 Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari e-mail: *[email protected], [email protected], [email protected] *1,2,3

Abstrak Fuzzy Multi Criteria Decision Making (FMCDM) dapat dikatakan MCDM (Multi Criteria Decision Making) dengan data fuzzy. Data fuzzy dapat terjadi pada setiap alternatif atau tingkat kepentingan pada setiap kriteria. Setiap kriteria atau gejala-gejala dan jenis alternatif penyakit biasanya mengandung nilai ketidakpastian sehingga penilaian yang diberikan oleh pengambil keputusan dilakukan secara kualitatif dan direpresentasikan secara linguistik. Penelitan ini dilakukan untuk membantu pengambilan keputusan dalam menentukan jenis penyakit Diabetes Melitus (DM) yang diderita dari beberapa altematif jenis penyakit DM sesuai dengan gejala-gejala yang ditentukan. Sistem dibuat dengan mengambil beberapa kelompok jenis penyakit DM sebagai data yang akan dipakai dalam perhitungan. Pengujian sistem dengan menerapkan perhitungan confusion matrix memperoleh hasil accuracy yaitu 100%, sensitivity yaitu 100%, dan specificity yaitu ∞ (tidak terhingga). Keluaran dari sistem ini berupa alternatif-alternatif penyakit yaitu Normal atau tidak terdiagnosa berpenyakit DM, Pradiabetes, DM tipe 1, dan DM tipe 2. Kata kunci— Confusion Matrix, Diabetes Melitus, Fuzzy Multi Criteria DecisionMaking. Abstract Fuzzy Multi Criteria Decision Making (FMCDM) can be seen as MCDM (Multi Criteria Decision Making) with fuzzy data. Fuzzy data can be applied for every alternatives or level of importance in every criterion. Every criteria or indications and kind of disease alternatives usually contains unpredictable values that prediction which given by decision maker done by qualitative and represented linguistically. This research aims to help the decision maker to determine category of Diabetes Mellitus (DM) which suffered from each categories of DM which related to indications that being determined. The system created by taking some categories of DM as data which will be used in calculation. The experiment that used the confusion matrix method resulted the values of accuracy is 100%, sensitivity is 100% and specificity is ∞ (infinite). The output of this system is alternatives of this diseased which Normal or undetected of DM, Pradiabetes, DM type 1, and DM type 2. Keywords— Confusion Matrix, Diabetes Melitus, Fuzzy Multi Criteria DecisionMaking. 1. PENDAHULUAN

D

iabetes Melitus (DM) yang umum dikenal sebagai kencing manis adalah penyakit yang ditandai dengan peningkatan kadar gula darah yang terusmenerus dan bervariasi, terutama setelah makan. Pada umumnya dikenal 2 tipe diabetes, yaitu diabetes tipe 1 (tergantung insulin), dan diabetes tipe 2 (tidak tergantung insulin). Diabetes Melitus merupakan penyakit

penyebab kematian yang mempunyai rank cukup tinggi di dunia termasuk di Indonesia. Ketua Persatuan Diabetes Indonesia (Persadia) Pusat, Prof. Sidartawan Soegondo mengatakan penderita diabetes di Indonesia cenderung naik dari tahun ke tahun. Sebagian besar penderita mengidap penyakit ini akibat faktor keturunan dan pola hidup yang tidak sehat [1]. Dalam mendiagnosis penyakit Diabetes Melitus ada beberapa hal yang perlu diperhatikan yaitu peningkatan kadar gula

Received June 1st ,2012; Revised June 25th, 2012; Accepted July 10th, 2012

178

Aplikasi Diagnosis Penyakit Diabetes Melitus Menggunakan Metode Fuzzy MCDM

darah yang terus meningkat apabila tidak ditangani sejak awal, sering berkemih/buang air kecil terutama pada malam hari, merasakan haus yang berlebihan, serta hal yang paling mendasar ketika seseorang menderita penyakit Diabetes Melitus yaitu adanya riwayat keluarga yang menderita penyakit yang sama. Oleh karena itu diperlukan sebuah perangkat lunak yang dapat mendiagnosis penyakit Diabetes Melitus sehingga nantinya akan menghasilkan output berupa jenis penyakit DM yang diderita. Fuzzy Multi Criteria Decision Making (FMCDM) adalah MCDM dengan data fuzzy. Data fuzzy dapat terjadi pada setiap alternatif atau tingkat kepentingan pada setiap kriteria. Setiap kriteria atau gejala-gejala yang dialami dan jenis alternatif penyakit biasanya mengandung nilai ketidakpastian sehingga penilaian yang diberikan oleh pengambil keputusan dilakukan secara kualitatif dan direpresentasikan secara linguistik [2]. Pada beberapa kasus yang telah menerapkan metode fuzzy multi-criteria decision making ini diantaranya yaitu penerapan fuzzy multi-criteria decision making untuk mendiagnosis penyakit tropis dengan metode agregasi. Pada kasus ini dihasilkan jenis penyakit dengan menggunakan metode agregasi berdasarkan gejala-gejala yang dirasakan pasien [3]. Penelitian lain yang juga menggunakan metode serupa yaituSistem Pendukung Keputusan Pemilihan Jenis Sakit Kepala dengan menggunakan metode FuzzyMCDM. Setiap kriteria atau gejala-gejala yang dialami dan jenis alternatif penyakit biasanya mengandung nilai ketidakpastian sehingga penilaian yang diberikan oleh pengambil keputusan dilakukan secara kualitatif dan direpresentasikan secara linguistik sehingga menghasilkan output berupa daftar jenis alternatif penyakit yang dialami [4]. Penelitian lain juga dilakukan oleh [5] yang berjudul “Hesitant Fuzzy Linguistic Multi Criteria Decision-Making Method Based on Generalized Prioritizied Aggregation Operator”. Penelitian ini membahas tentang kriteria yang ada pada Multi Criteria Decision Making (MCDM) memiliki tingkat prioritas yang berbeda dan nilai kriteria berbentuk angka Hesitant Fuzzy Linguistik (HFLNs). Hasil dari penelitian ini menunjukkan bahwa metode yang diusulkan dalam penelitian ini layak dan efektif dalam memecahkan masalah

MCDM dengan HFLNs. Penelitian lain juga yang menggunakan metode serupa dalam penyelesaian kasusnya yaitu “Penerapan Fuzzy Multi Criteria Decision Making Untuk Mendiagnosis Penyakit Kulit Pyoderma Dengan Metode Agregasi”. Pada penelitian ini, penerapan metode fuzzy multy-criteria decision making untuk mendiagnosis penyakit kulit pyoderma dengan metode agregasi yang digunakan untuk menyelesaikan suatu kemungkinan munculnya gejala yang sama dari gangguan yang berbeda.Sistem ini menghasilkan kemungkinan penyakit yang diderita pengguna yang berupa persentase penyakit. Sistem ini dapat digunakan untuk mendiagnosis awal kemungkinan penyakit kulit [6]. Berawal dari kasus tersebut, muncul ide untuk membuat suatu aplikasi menggunakan metode fuzzy multi-criteria decision making (FMCDM). Metode ini sangat cocok dengan kasus diagnosis penyakit Diabetes Melitus karena terdapat alternatif-alternatif dari jenis penyakit Diabetes Melitus, sehingga diperlukan suatu sistem yang dapat membantu pengambilan keputusan dalam menentukan jenis penyakit Diabetes Melitus yang diderita dari beberapa alternatif penyakit Diabetes Melitus sesuai dengan gejala-gejala fisik yang diinputkan. Berdasarkan uraian tersebut, maka penulis membangun sebuah aplikasi dengan melakukan penelitian dan menulis tugas akhir yang berjudul “APLIKASI DIAGNOSIS PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE FUZZY MULTI CRITERIA DECISION MAKING” berbasis java. Dalam aplikasi yang akan dibangun terdapat 4 hasil diagnosis yaitu normal/tidak terdiagnosis penyakit Diabetes Melitus, pradiabetes, Diabetes Melitus tipe 1, dan Diabetes Melitus tipe 2. Aplikasi ini diharapkan dapat menjadi alternatif solusi untuk mengatasi masalah yang sering dialami oleh penderita penyakit Diabetes Melitus berdasarkan gejala- gejala yang diderita pasien. 2. METODE PENELITIAN 2. 1 Sistem Penunjang Keputusan Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS) adalah sebuah sistem yang mampu memberikan kemampuan pemecahan masalah maupun

IJCCS Vol. x, No. x, July 201x : first_page – end_page

Sumitro, Ningrum dan Ramadhan

IJCCSISSN: 1978-1520

 179

kemampuan pengkomunikasian untuk masalah dengan kondisi semi terstruktur dan tak terstruktur. Sistem ini digunakan untuk membantu pengambilan keputusan dalam situasi semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat [7].

Pada metode Fuzzy Multi Criteria Decision Making (FMCDM) ada 3 langkah penting yang harus dikerjakan, yaitu : 1. Representasi masalah. 2. Evaluasi himpunan fuzzy pada setiap alternatif keputusan. 3. Melakukan seleksi terhadap alternatif yang optimal.

2. 2 Fuzzy Multi Criteria Decision Making Pada penelitian ini penulis menggunakan metode Fuzzy Multi Criteria Decision Making (FMCDM) dalam mendiagnosis penyakit Diabetes Melitus. Metode ini memerlukan kriteria-kriteria dan bobot untuk melakukan perhitungannya sehingga akan didapat alternatif terbaik sebagai hasil output sistem [2]. Flowchart metode Fuzzy Multi Criteria Decision Making secara keseluruhan dapat dijelaskan seperti pada Gambar 1.

a. Representasi Masalah 1. Identifikasi tujuan dan kumpulan alternatif keputusan Mempresentasikan permasalahan dengan melakukan pengidentifikasi tujuan pencarian dalam mengetahui alternatif penyakit Diabetes Melitus. Terdapat 4 (empat) alternatif penyakit Diabetes Melitus. Dapat dilihat pada Tabel 1. Tabel 1 Alternatif penyakit diabetes mellitus (Sumber : dr. Topan Binawan, SP.PD., M.Kes)

Mulai

Representasi Masalah

Evaluasi himpunan fuzzy

Mengevaluasi bobot pada setiap kriteria dan derajat kecocokan dan alternatif terhadap kriteria

No.

Alternatif

1

A1

2 3 4

A2 A3 A4

2. Identifikasi kriteria Berdasarkan alternatif pada Tabel 1 memiliki beberapa kriteria yang dibutuhkan untuk menentukan jenis penyakit Diabetes Melitus yang diderita oleh pasien penderita penyakit Diabetes Melitus. Adapun kriterianya dijelaskan pada Tabel 2.

Agregasi bobot = =

1 1

Tabel 2 Kriteria

(

)

(

)

Variabel G1 G2

=

1

(

Nama Penyakit Normal / tidak terdiagnosa berpenyakit Diabetes Melitus (DM) Pradiabetes Diabetes Melitus tipe 1 Diabetes Melitus tipe 2

)

G3 G4

Menyeleksi alternatif optimal 1 ∝( ) ( + + (1 − ) ) = 2

G5 G6

Hasil diagnosis tertinggi

Selesai

Gambar 1 Flowchart metode FMCDM

G7 G8 G9

Kriteria Umur Indeks Masa Tubuh (IMT) Haus berlebih Lapar yang berlebih Sering berkemih terutama malam hari Berat badan menurun Penglihatan kabur Mudah infeksi pada kulit Nyeri atau baal

Keterangan Data fuzzy Data fuzzy Data fuzzy Data fuzzy Data fuzzy

Data nonfuzzy Data nonfuzzy Data fuzzy Data fuzzy

Title of manuscript is short and clear, implies research results (First Author)


180 G10

Sering capek

Data fuzzy

G11

Mudah ngantuk Gula Darah Puasa (GDP) Gula darah 2 jam Post Prandial (GDPP)

Data fuzzy

G12 G13 G14

Faktor turunan

Data fuzzy Data fuzzy

Data nonfuzzy

Berdasarkan dari 14 kriteria yang terdapat pada Tabel 2 terbagi menjadi 2 jenis data yaitu data fuzzy dan data non-fuzzy. Adapun data fuzzy yang terdapat pada Tabel 2 yaitu haus berlebih, umur, IMT (Indeks Masa Tubuh), lapar yang berlebih, sering berkemih terutama malam hari, berat badan menurun,

mudah infeksi pada kulit, nyeri atau baal, sering capek, mudah ngantuk, Gula Darah Puasa (GDP), dan Gula Darah 2 jam Post Prandial (GDPP). Disebut data fuzzy karena pada kriteria yang telah disebutkan sebelumnya memiliki variabel linguistik yang bernilai samar/kabur. Adapun data non-fuzzy yaitu penglihatan kabur, faktor turunan, dan berat badan menurun. Disebut data non-fuzzy karena pada kriteria yang telah disebutkan sebelumnya memiliki variabel linguistik yang bernilai benar atau salah. 3. Membangun struktur hirarki Dari alternatif dan kriteria dapat dibangun struktur hirarki dari permasalahan tersebut. Gambar 2 menunjukkan struktur hirarki.

Gambar 2 Struktur Hirarki b. Evaluasi Himpunan Fuzzy Dalam tahap evaluasi himpunan fuzzy ini, ada tiga sub tahapan, antara lain: 1. Memilih himpunan rating untuk bobotbobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya. Himpunan rating untuk bobot derajat kepentingan setiap alternatif dengan kriterianya akan dibagi sesuai dengan kriteria yang digunakan. Di mana G = {G1, G2, G3, G4, G5, G6, G7, G8, G9, G10, G11, G12, G13, G14}, G1 = Umur, G2 = Indeks Masa Tubuh (IMT), G3 = Haus berlebih, G4 = Mudah lapar, G5 = Sering berkemih, G6 = Berat badan menurun, G7 = Penglihatan kabur, G8 =

Mudah infeksi, G9 = Mudah nyeri, G10 = Mudah lelah, G11 = Mudah ngantuk, G12 = Gula darah puasa (GDP), G13 = Gula darah 2 jam PP (Post Prandial) (GDPP) dan G14 = Faktor turunan. Dan A = {A1, A2, A3, A4}, A1 = Normal / Tidak terdiagnosa berpenyakit DM, A2 = Pradiabetes, A3 = Diabetes Melitustipe 1 dan A4 = Diabetes Melitus tipe 2. Dari masing-masing kriteria pada Tabel 1 akan ditentukan bobot-bobotnya berdasarkan bilangan fuzzy segitiga. Dalam hal ini nilai yang diperoleh dari fuzzy segitiga bukan hasil dari perhitungan derajat keanggotaan, tetapi nilai dari data fuzzy yang direpresentasikan ke


dalam bobot nilai yang diperoleh dari hasil wawancara kepada pakar. Fuzzy segitiga digunakan untuk memudahkan dalam merepresentasikan nilai titik rendah, tengah, dan tinggi pada data fuzzy. Adapun bobotbobotnya dijelaskan pada Tabel 3. Tabel 3 Bobot kepentingan kriteria penyakit diabetes melitus Kriteria Haus berlebih

Lapar yang berlebih Sering berkemih terutama pada malam hari Mudah infeksi pada kulit Mudah ngantuk

Nyeri atau baal

Sering capek Penglihatan kabur Indeks masa tubuh (IMT) Faktor turunan Berat badan menurun

Gula darah puasa (GDP)

Variabel Linguistik Tidak Jarang Ya ½ Porsi 1 Porsi > 1 Porsi Normal Sering Sangat sering Tidak Jarang Ya Tidak pernah Jarang Sering Tidak pernah Jarang Sering Tidak pernah Jarang Sering Tidak Ya Kurus Sedang Gemuk Obesitas Ya Tidak Normal Drastis GDP 1 (GDP < 100) GDP 2 (GDP ≥ 100 dan GDP

 181



Y 0 0.3 0.6 0 0.2 0.4 0 0.4

Bobot Q 0.2 0.5 0.8 0 0.4 0.6 0.3 0.6

Z 0.4 0.7 1 0.4 0.6 0.8 0.6 0.8

0.7

1

1

0 0.3 0.6

0.2 0.5 0.8

0.4 0.7 1

0

0

0.3

0.2 0.5

0.5 0.7

0.7 1

0

0

0.3

0.2 0.5

0.5 0.7

0.7 1

0

0

0.3

0.2 0.5 0 0 0 0 0.3 0.6 0 0 0 0

0.5 0.7 0 0/5 0 0.2 0.5 0.8 0.5 0 0 0.4

0.7 1 0.5 1 0.2 0.4 0.7 1 1 0.5 0.5 0.8

0

0.2

0.4

Gula darah 2 jam Post Prandial (GDPP)

Umur

≤ 125) GDP 3 (GDP > 125 dan GDP ≤ 200) GDP 4 (GDP > 200) GDPP 1 (GDPP < 140) GDPP 2 (GDPP ≥ 140 dan GDPP ≤ 200) GDPP 3 (GDPP > 200 dan GDPP ≤ 300) GDPP 4 (GDPP > 300) Usia 1 (0 – 18 tahun) Usia 2 (17 – 30 tahun) Usia 3 )25 – 40 tahun) Usia 4 ( > 40 tahun)

0.4

0.6

0.8

0.6

0.8

1

0

0.2

0.4

0.2

0.4

0.6

0.4

0.6

0.8

0.6

0.8

1

0.6

0.8

1

0.4

0.6

0.8

0

0.3

0.5

0

0

0.4

Himpunan rating untuk derajat kecocokan yang merepresentasikan bobot kepentingan untuk setiap kriteria sebagai berikut : TB = Tidak Berperngaruh KB = Kurang Berpengaruh CB = Cukup Berpengaruh B = Berpengaruh SB = Sangat Berpengaruh Fungsi keanggotaan untuk setiap elemen direpresentasikan dengan menggunakan bilangan fuzzy segitiga. Untuk menentukan bobot nilai pada derajat kecocokan yaitu sama halnya dengan menentukan bobot nilai pada derajat kepentingan hanya saja yang membedakan adalah variabel linguistik yang dimiliki oleh derajat kecocokan. Tabel 4 Merupakan tabel bobot derajat kecocokan. Tabel 4 Bobot derajat kecocokan

0.2

0.4

0.6

Variabel Linguistik Tidak Berpengaruh

Y 0

Bobot Q 0

Z 0.2



182 Kurang Berpengaruh Cukup Berpengaruh Berpengaruh Sangat Berpengaruh

0 0.3 0.6 0.9

0.2 0.5 0.8 1

0.4 0.7 1 1

3.

Mengagregasikan bobot-bobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya dengan menggunakan Persamaan (2), (3) dan (4).

2. Mengevaluasi bobot-bobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya yang ditunjukkan oleh Tabel 5, 6, 7 dan 8.

=( , =

1

Tabel 5 Derajat kecocokan alternatif terhadap kriteria keputusan Alternatif A1 A2 A3 A4

G2 CB CB CB CB

G3 B B CB CB

G4 B CB CB CB

G5 B B CB CB

G6 CB CB CB B

G7 B B CB B

G8 CB CB B B

G9 CB CB B B

G10 CB CB CB CB

G11 B B CB B

(2) ,

1

=

(1)

,

1

=

G14 B CB SB CB

)

,

,

(3) (4)

= 1,2,3, … ,

Tabel 6 Derajat kecocokan untuk kriteria umur Kriteria

G1

Kondisi UMUR >= 15 & UMUR <= 24 UMUR >= 25 & UMUR <=34 UMUR >= 35 & UMUR <= 44 UMUR >= 45

Alternatif Diabetes Diabetes Pradiabetes Melitus I Melitus II

Normal SB

KB

SB

KB

SB

CB

CB

CB

SB

B

B

B

SB

KB

KB

SB

c. Seleksi Alternatif Optimal Memprioritaskan alternatif keputusan berdasarkan hasil agregasi untuk proses perangkingan alternatif keputusan dengan menggunakan metode nilai total integral pada Persamaan (5). Setelah diperoleh hasil dari perhitungan pada Persamaan 5, maka dipilih alternatif keputusan dengan prioritas tertinggi sebagai alternatif yang optimal. ( )=

Tabel 7 Derajat kecocokan untuk kriteria gula darah puasa Kriteria

Kondisi

G12

GDP < 100 GDP >= 100 dan GDP <= 125 GDP > 125 dan GDP <= 200 GDP > 200

Normal

Alternatif Diabetes Diabetes Melitus I Melitus II KB KB

Pradiabetes

SB

KB

TB

B

B

CB

TB

B

B

SB

TB

B

B

SB

G13

Kondisi GDPP < 140 GDPP >= 140 dan GDPP <= 200 GDPP > 200 dan GDPP <= 300 GDPP > 300

B

B

CB

TB

B

B

SB

TB

B

B

SB

+ (1 − ) )

(5)

Berdasarkan dari hasil perhitungan menggunakan Persamaan (2), (3) dan (4) pada setiap alternatif didapatkan nilai indeks kecocokan fuzzy untuk setiap alternatif yang ditunjukkan oleh Tabel 9. Tabel 9 Indeks kecocokan fuzzy Alternatif A1 A2 A3 A4

Alternatif Diabetes Diabetes Normal Pradiabetes Melitus I Melitus II SB KB KB KB TB

+

3. HASIL DAN PEMBAHASAN

Tabel 8 Derajat kecocokan untuk kriteria gula darah 2 jam PP Kriteria

1 ( 2

Indeks Kecocokam Fuzzy Y Q Z 0.096 0.278 0.587 0.112 0.308 0.619 0.131 0.296 0.589 0.141 0.322 0.632

Dengan mensubtitusikan indeks kecocokan fuzzy pada Tabel 9 ke Persamaan (5) dengan mengambil derajat keoptimasan ( ) = 0 (tidak optimis), ( ) = 0,5 (optimis),


 183



( ) = 1 (sangat optimis), maka akan diperoleh nilai total integral untuk setiap alternatif yang

ditunjukkan oleh Tabel 10.

Tabel 10 Hasil nilai total integral Alternatif A1 A2 A3 A4

Nama penyakit Normal/tidak terdiagnosa berpenyakit DM Pradiabetes Diabetes Melitus tipe 1 Diabetes Melitus tipe 2

=

Nilai Total Integral = ,

=

Jumlah

0,187

0,31

0.433

0,929

0,215

0,339

0.464

1,018

0,214

0,328

0.443

0,985

0,232

0,354

0.477

1,063

Dari perhitungan data sampel menggunakan metode fuzzy multi criteria decision making diperoleh hasil nilai perhitungan alternatif dengan prioritas tertinggi sebagai alternatif yang optimal yaitu alternatif A4, sehingga penyakit Diabetes Melitustipe 2 terpilih sebagai penyakit optimal untuk diagnosis penyakit Diabetes Melitus.

3.1

Form Diagnosis Form diagnosis merupakan tampilan antarmuka yang muncul ketika memilih menu diagnosis. Pada Form diagnosis user menginput data diri dan gejala pasien. Gambar 3 Merupakan gambar tampilan form Diagnosis pada aplikasi diagnosis penyakit Diabetes Melitus.

Gambar 3 Tampilan form diagnosis Pada form diagnosis user akan menginput data diri pasien serta memilih gejala yang terdapat disebelah kanan pengisian data diri pasien. Setelah data diri dan gejala di-input maka user akan memilih tombol proses. Tombol proses berguna untuk memproses data

yang telah di-input. Apabila user memilih tombol proses maka akan muncul tampilan informasi bahwa data telah berhasil disimpan ke dalam database sistem. Gambar 4 merupakan gambar tampilan informasi data berhasil disimpan.


184


Gambar 4 Tampilan informasi data berhasil 3.2

Form Hasil Diagnosis Form hasil diagnosis merupakan tampilan antar muka yang tampil ketika tombol proses pada form diagnosis dipilih. Pada form hasil diagnosis sistem menampilkan data diri pasien, gejala yang diderita, hasil perhitungan

metode fuzzy multi criteria decision making dan jenis penyakit Diabetes Melitus yang terdiagnosis. Gambar 5 merupakan gambar tampilan form Hasil Diagnosis pada aplikasi diagnosis penyakit Diabetes Melitus. Pada form hasil diagnosis tersedia tombol print. Tombol print berfungsi untuk mencetak data hasil diagnosis yang terdiri dari : id pasien, nama, umur, jenis kelamin, tinggi badan, berat badan, IMT, riwayat keluarga penderita Diabetes Melitus, gula darah puasa, gula darah puasa, gula darah 2 jam PP, dan hasil diagnosis. Gambar 6 Merupakan gambar tampilan print Hasil Diagnosis

Gambar 5 Tampilan form hasil diagnosis 3.3

Confussion Matriks Dalam pengujian sistem dilakukan proses perhitungan akurasi untuk 20 data uji. Hasil klasifikasi dengan sistem pakar untuk 20 data uji ditunjukkan pada Tabel 11. Tabel 11 Hasil klasifikasi data uji No

Gambar 6 Tampilan print hasil diagnosis

1 2 3 4 5 6 7 8


Hasil Diagnosis Sistem Pakar Diabetes Melitus II Diabetes Melitus II Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes Pradiabetes


Sumitro, Ningrum dan Ramadhan 9 10 11 12 13 14 15 16 17 18 19 20

Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II

Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II Diabetes Melitus II

Berdasarkan data pada Tabel 11 maka dibentuk tabel confussion matriks yang ditunjukkan oleh Tabel 12. Tabel 12 Klasifikasi data uji Actual

mengambil keputusan untuk mendiagnosis penyakit Diabetes Melitus. 4. KESIMPULAN Setelah melakukan implementasi dan pengujian aplikasi diagnosis penyakit Diabetes Melitus dapat ditarik kesimpulan yaitu peneliti dapat menerapkan metode Fuzzy Multi Criteria Decision Makingdalam pembuatan aplikasi diagnosa penyakit Diabetes Melitus yang dapat memberikan solusi dalam mendiagnosis penyakit Diabetes Melitus serta pada pengujian sistem menggunakan confusion matrix diperoleh hasil untuk Accuracy yaitu 100%, Sensitivity yaitu 100%, dan Specificity yaitu ∞ (tak terhingga). 5. SARAN

Pakar

Sistem

Pakar

20

0

Sistem

0

0

Predicted

 185

Berdasarkan Tabel 12 didapatkan nilai Sensitivity, Specificity, dan Accuracy menggunakan perhitungan confusion matrix dengan detail perhitungan sebagai berikut : Sensitivity =

× 100% + 20 = × 100% = 100% 20 + 0

Berdasarkan hasil penelitian, ada beberapa saran untuk pengembangan sistem lebih lanjut, diantaranya sebagai berikut : 1. Dalam penelitian selanjutnya diharapkan algoritma Fuzzy Multi Criteria Decision Making dapat dibandingkan dengan metode atau algoritma lain pada penelitian yang sama 2. Dalam penelitian selanjutnya diharapakan menggunakan data yang lebih banyak sehingga menghasilkan data yang lebih bervariasi.

DAFTAR PUSTAKA Specificity =

=

+

× 100%

× 100% = ∞

[1] PERKENI, 2011, Pengelolan dan Pencegahan Diabetes Mellitus Tipe 2 di Indonesia,Perkumpulan Endkrinologi Indonesia.

Accuracy: + × 100% + + + 20 + 0 = × 100% = 100% 20 + 0 + 0 + 0

=

Berdasarkan perhitungan akurasi yang telah dilakukan diperoleh hasil untuk Sensitivity = 100%, Specifity = ∞ , Accuracy = 100%. Dari hasil pengujian menggunakan perhitungan confusion matriks aplikasi diagnosis penyakit Diabetes Melitus dapat dipertimbangkan untuk membantu pakar dalam

[2] Siregar, K.R., 2014, Diagnosa Penyakit Hepatitis Menggunakan Fuzzy Multi Criteria Decision Making, Skripsi, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, Medan. [3] Rika R. dan Retantyo W., 2011, Penerapan Fuzzy Multi Criteria Decision Making (FMCDM) Untuk Diagnosis Penyakit Tropis, Seminar Nasional Informatika UPN ”Veteran”,Yogyakarta.


186


[4]

Cahyo, S.W., 2008, Sistem Pendukung Keputusan Pemilihan Jenis Sakit Kepala dengan Menggunakan Metode Fuzzy MCDM, Skripsi, Jurusan Teknik Informatika Universitas Islam Indonesia, Yogyakarta.

[5]

Wu, J.T.,Wang, J.Q., Wang, J., Zang, H.Y., danChen, X.H., 2014, Hesitant Fuzzy Linguistic Multi Criteria Decision-Making Method Based on Generalized Prioritizied Aggregation Operator, The Scientific World Journal Vol. 2014, School of Business Central South University Changsha 410083, China.

[6]

Zainir V, 2013, Penerapan Fuzzy Multi Criteria Decision Making Untuk Mendiagnosa Penyakit Kulit Pyoderma Dengan Metode Agregasi, Skripsi, Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Baru, Pekanbaru.

[7]

Turban, E., Joy E. A., Ting-Peng L., Negnevitsky, M. dan Setiawan S., 2005, Decision Support Systems and Intelligence System, Penerbit : Andi Offset, Yogyakarta.


APLIKASI DIAGNOSIS PENYAKIT DIABETES MELITUS MENGGUNAKAN METODE FUZZY MULTI CRITERIA DECISION MAKING

Recommend Documents