BAB 2 TINJAUAN PUSTAKA

BAB 2

TINJAUAN PUSTAKA

2.1. Data Mining Data Mining adalah suatu metode pengolahan data untuk menemukan pola yang tersembunyi dari data tersebut. Hasil dari pengolahan data dengan metode Data Mining ini dapat digunakan untuk mengambil keputusan di masa depan. Data Mining ini juga dikenal dengan istilah pattern recognition (Ong, 2013). Data Mining, sering juga disebut knowledge discovery in database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam dataset

berukuran besar.

Keluaran dari Data Mining ini biasa dipakai untuk memperbaiki pengambilan keputusan di masa depan. Sehingga istilah pattern recognition sekarang jarang digunakan karena ia termasuk bagian dari Data Mining (Santosa, 2007). Data Mining suatu proses kegiatan yang berulang-ulang pada analisis database dalam jumlah besar, dengan tujuan untuk melakukan penggalian informasi dan pengetahuan yang dapat membuktikan keakuratan dan potensi yang berguna bagi pengetahuan pekerja yang terlibat dalam pengambilan keputusan dan pemecahan masalah. Istilah data mining itu merujuk pada keseluruhan proses yang terdiri dari pengumpulan data analisis, pengembangan model pembelajaran induktif dan adopsi keputusan

praktis

seta

tindakan

berdasarkan

pengetahuan

yang

diperoleh

(Vercilles,2009).Kegiatan data mining dapat dibagi kedalam dua inti penyelidikan utama, sesuai dengan tujuan utama dari analisis, yaitu: interpretasi dan prediksi (Vercilles, 2009). 1. Interpretasi Tujuan interpretasi adalah untuk mengidentifikasi pola yang teratur dalam data dan untuk mengekspresikan data melalui peraturan dan kriteria yang dapat dengan mudah dipahami oleh para ahli dalam domain aplikasi. Contoh; Clustering, Association Rules.

Universitas Sumatera Utara

2. Prediksi Tujuan dari prediksi adalah untuk mengantisipasi atau memprediksi nilai suatu variable random yang akan menggambarkan kondisi dimasa mendatang atau

memperkirakan

kemungkinan

peristiwa

masa

depan.

Contoh;

Classification, Regression, Time Series Analysis. Berdasarkan tugas dan tujuan analisis, proses data mining dapat dibagi menjadi dua kategori utama, Tergantung pada adanya target variabel dan metode belajar (learning) yaitu antara proses belajar yang diawasi (supervised) dan tanpa pengawasan (unsupervised) (Vercilles, 2009). 1. Belajar yang diawasi (supervised learning) Dalam analisis supervised learning, atribut target / label menggambarkan kelas yang dimiliki setiap catatan. Atau dengan kata lain metode belajar dengan adanya latihan (training) dan pelatih/label. Contoh: Regresi, analisa Deskriminan, Artificial Neural Network dan Support Vektor Machine. 2. Belajar tanpa pengawasan (unsupervised learning). Tanpa pengawasan analisis belajar tidak dipandu oleh atribut target / label. Oleh karena itu, data mining dalam hal ini ditujukan untuk menemukan pola berulang dan kedekatan dalam kumpulan data. Atau dengan kata lain metode belajar tanpa adanya latihan (training) dan pelatih / label. Contoh clustering dan Self Organization Map (SOM). Data Mining merupakan metode pengolahan data berskala besar oleh karena itu Data Mining ini memiliki peranan penting dalam bidang industri, keuangan, cuaca, ilmu dan teknologi. Secara umum kajian Data Mining membahas metodemetode seperti, clustering, klasifikasi, regresi, seleksi variable, dan market basket analisis.

(Santosa,2007). Data Mining dibagi menjadi beberapa kelompok

berdasarkan tugas yang dapat dilakukan, yaitu (Paulanda, 2012) : 1. Deskripsi (Description) Terkadang penelitian analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup


profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan. 2. Estimasi (Estimation) Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya. 3. Prediksi (Prediction) Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa datang. Contoh prediksi dalam bisnis dan penelitian adalah : a. Prediksi harga beras dalam tiga bulan yang akan datang. b. Prediksi persentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikkan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi. 4. Klasifikasi (Classification) Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang dan pendapatan rendah. Berikut contoh dari Klasifikasi: a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan.


b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk. c. Mendiagnosis penyakit seorang pasien untuk mendapatkan kategori penyakit apa. 5. Pengklusteran (Clustering) Pengklusteran merupakan pengelompokkan record, pengamatan atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Cluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan recordrecord dalam cluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, mencoba

untuk

melakukan

algoritma

pengklusteran

pembagian terhadap keseluruhan data

menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal. Contoh pengclusteran dalam bisnis dan penelitian adalah : a. Melakukan

pengklusteran

terhadap

ekspresi

dari

gen,

untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar. b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap

perilaku

finansial

dalam

keadaan

baik

atau

mencurigakan. c. Asosiasi (Assosiation) d. Tugas asosiasi dalam Data Mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian adalah : a. Menemukan dibeli

barang

dalam

supermarket

yang

secara bersamaan dan barang yang tidak pernah


dibeli secara bersamaan. b.

Mendapatkan

kelompok-kelompok

konsumen

untuk

target pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran yang besar. c. Meneliti

jumlah

telekomunikasi

pelanggan

seluler

yang

dari

perusahaan

diharapkan

untuk

memberikan respons posistif terhadap penawaran upgrade layanan yang diberikan. 2.2. Proses Data Mining Berikut

ini

adalah

langkah-langkah

dalam

perancangan

proses

model

pembelajaran teknik Data Mining, ditunjukan pada gambar 2.1

Gambar 2.1. Tahapan KDD pada Data Mining (Han, et al., 2006) Menurut Han, et al. (2006), KDD meliputi iterative sequence sebagai berikut. 

Data Cleaning Pada tahap ini, dilakukan kegiatan membuang data yang tidak konsisten


dan bersifat noise dari data yang terdapat di berbagai basis data yang mungkin berbeda format maupun platform. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). 

Data Integration Menyatukan sumber data yang tersebar/terpecah sehingga dikumpulkan menjadi data warehouse.



Data Selection Data yang ada dalam data warehouse kemudian direduksi untuk mendapatkan hasil yang akurat, yaitu data yang relevan dengan tugas analisa dikembalikan ke dalam database. Metode seleksi pada data mining a. Sampling, adalah seleksi subset representatif dari populasi data yang besar. b. Denoising, adalah proses menghilangkan noise dari data yang akan ditransformasikan c. Feature extraction, adalah proses membuka spesifikasi data yang signifikan dalam konteks tertentu.



Data Transformation Data berubah atau bersatu menjadi bentuk yang paling tepat untuk mining dengan ringkasan performa atau operasi. Metode transformasi pada data mining a. Centering, mengurangi setiap data dengan rata-rata dari setiap atribut yang ada. b.

Normalization, membagi setiap data yang di-center-ing dengan standar deviasi dari atribut bersangkutan.

c. Scaling, mengubah data sehingga berada dalam skala tertentu. 

Knowledge Discovery (Data Mining) Tahapan

ini merupakan proses esensial

dimana metode

yang

intelijen (algoritma data mining) digunakan untuk mengekstrak pola


data. Data yang telah ditransformasi, kemudian ditambang dengan berbagai teknik. Proses data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan fungsifungsi tertentu. Fungsi atau algoritma dalam data mining sangat bervariasi, dimana pemilihannya bergantung pada tujuan dan proses pencarian pengetahuan secara menyeluruh. 

Pattern Evaluation Untuk mengidentifikasi pola yang benar-benar menarik (interestingness measures) yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik. Tahap ini merupakan bagian dari proses pencarian pengetahuan yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.



Knowledge Presentation (Graphical User Interface) Tahap ini merupakan gambaran teknik visualisasi dan pengetahuan yang digunakan untuk memberikan pengetahuan yang telah ditambang kepada user. Pada tahap ini, dipresentasikan pengetahuan dalam bentuk

yang

mudah dipahami pengguna atau pihak yang

berkepentingan. 2.3. Data Clustering Data Clustering merupakan salah satu metode data mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu hierarchical data clustering dan non-hierarchical data clustering. K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster / kelompok. Metode ini mempartisi data ke dalam cluster / kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha


meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. 2.4.Clustering Pada dasarnya clustering terhadap data adalah suatu proses untuk mengelompokkan sekumpulan data tanpa suatu atribut kelas yang telah didefinisikan sebelumnya, berdasarkan pada prinsip konseptual clustering yaitu memaksimalkan dan juga meminimalkan kemiripan intra kelas. Misalnya, sekumpulan obyek-obyek komoditi pertama-tama dapat di clustering menjadi sebuah himpunan kelas-kelas dan lalu menjadi sebuah himpunan aturan-aturan yang dapat diturunkan berdasarkan suatu klasifikasi tertentu. Proses untuk mengelompokkan secara fisik atau abstrak obyek-obyek ke dalam bentuk kelas-kelas atau obyek-obyek yang serupa, disebut dengan clustering atau unsupervised classification. Melakukan analisa dengan clustering, akan sangat membantu untuk membentuk partisi-partisi yang berguna terhadap sejumlah besar himpunan obyek dengan didasarkan pada prinsip "divide and conquer" yang mendekomposisikan suatu sistem skala besar, menjadi komponenkomponen

yang lebih kecil, untuk menyederhanakan proses desain dan

implementasi. 2.4.1. K-Means Clustering Salah satu metode partisi atau biasa disebut juga dengan metode non hierarki. Salah satu metode partisi yang biasa digunakan adalah metode K-Means Clustering. Metode K-Means Clustering dapat diterapkan pada kasus dengan jumlah objek yang sangat besar (UTA10). Dari beberapa teknik clustering yang paling sederhana dan umum dikenal adalah clustering K-Means. Dalam teknik ini kita ingin mengelompokkan obyek ke dalam K kelompok atau cluster. Untuk melakukan clustering ini, nilai K harus ditentukan terlebih dahulu. Biasanya user atau pemakai sudah mempunyai informasi awal tentang obyek yang sedang dipelajari, termasuk berapa jumlah cluster yang paling tepat. Secara detail kita bisa menggunakan ukuran ‘ketidakmiripan” untuk mengelompokkan obyek kita. Jika jarak dua obyek atau data titik cukup dekat, maka dua obyek itu mirip. Semakin dekat berarti semakin tinggi kemiripannya.


Semakin tinggi nilai jarak, semakin tinggi ketidak miripannya (SAN07). K-Means Clustering merupakan salah satu metode data clustering non hirarki yang mengelompokan data dalam bentuk satu atau lebih cluster. Data yang memiliki karakteristik yang sama dikelompokan dalam satu cluster dan data yang memiliki karakteristik yang berbeda dikelompokan dengan cluster yang lain sehingga data yang berada dalam satu cluster memiliki tingkat variasi yang kecil (AGU07). Metode K-Means digunakan sebagai alternatif metode cluster untuk data dengan ukuran besar karena memiliki kecepatan yang lebih tinggi dibandingkan metode hierarki. Menurut Forgy (1965) K-Means adalah salah satu algoritma terkenal dalam clustering, awalnya dikenal sebagai metode Forgy’s dan telah digunakan secara luas di berbagai bidang termasuk Data Mining, analisis statistik data dan aplikasi bisnis lainnya. Untuk K-means, K menunjukkan jumlah cluster. Nilai K ditentukan oleh pemakai atau user. Untuk kasus dimana ada pertimbangan dari ahli yang kompeten atau expert di bidangnya, nilai K akan mudah di tentukan. Tetapi sering sekali terjadi bahwa nilai K ini harus ditentukan dengan melihat pada data (tanpa ada pertimbangan dari expert) (MAH13). K-Means merupakan algoritma clustering yang berulang-ulang. Algoritma KMeans dimulai dengan pemilihan secara acak K, K disini merupakan banyaknya cluster yang ingin dibentuk. Kemudian tetapkan nilai-nilai K secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau biasa disebut dengan centroid, mean atau “means”. Hitung jarak setiap data yang ada terhadap masingmasing centroid menggunakan rumus Euclidian hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid. Klasifikasikan setiap data berdasarkan kedekatannya dengan centroid. Lakukan langkah tersebut hingga nilai centroid tidak berubah (stabil) [RIS08]. 2.4.1.1. Algoritma K-Means Clustering Algoritma K-Means adalah algoritma yang terbaik dalam algoritma Partitional Clustering dan yang paling sering digunakan diantara algoritma Clustering lainnya, karena kesederhanaan dan efesiensinya (BUD12). Langkah-langkah

melakukan

cluster

dengan

metode

K-Means

clustering

adalah sebagai berikut: 1. Pilih jumlah cluster K.


2. Menentukan Centroid (titik pusat cluster) awal secara random. Penentuan centroid awal dilakukan secara random / acak dari objek-objek yang tersedia sebanyak K cluster. 3. Kemudian dihitung jarak antara setiap data dengan setiap pusat cluster. Untuk melakukan perhitungan jarak data ke - i pada pusat cluster ke– k(Ck), dapat digunakan formula Euclidean Distance seperti pada persamaan 1 berikut, yaitu: 2

𝑑𝑖𝑘 (𝑋𝑖𝑗 , 𝐶𝑘𝑗 ) = ∑𝑛𝑖,𝑗=1(𝑋𝑖𝑗 − 𝐶𝑘𝑗 ) . . . . . . . . . . . .. . . . . . . . . . . . . . .(2.1) Dimana: dik = Euclidian distance titik X ke C Xij = Sample data ke-i Ckj = Centroid ke-i m= jumlah sample 4. Alokasikan masing-masing objek ke dalam centroid yang paling terdekat. Suatu data akan menjadi anggota dari cluster ke-j apabila jarak data tersebut ke pusat cluster ke-j bernilai paling kecil jika dibandingkan dengan jarak ke pusat cluster lainnya. Selanjutnya, kelompokkan data yang menjadi anggota pada setiap cluster. 5. Lakukan iterasi, kemudian tentukan posisi centroid

baru

dengan menggunakan persamaan sebagai berikut :

. . . . . . . . . . . . . . . . .. . . . . .(2.2)

Dimana: µ = centroid pada cluster 𝑥𝑖 = objek ke-i n = banyaknya objek/jumlah objek yang menjadi anggota cluster 6. Jika pusat cluster tidak berubah lagi maka proses clustering selesai. Atau kembali ke langkah nomor 3 sampai pusat cluster tidak berubah lagi.


2.4.2 K - Nearest Neighbor Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan (RIS08). K-nearest neighbor adalah salah satu contoh instance-based learning, dengan set data pelatihan (training set) disimpan, sehingga klasifikasi untuk record baru yang belum terklasifikasi dapat ditemukan hanya dengan membandingkannya dengan record paling mirip dalam training set (Larose 2005).Tahap pelatihan algoritma ini hanya menyimpan vektor fitur dan label kelas dari sampel pelatihan (MIR11). Algoritma K-Nearest Neighbor bersifat sederhana, bekerja dengan berdasarkan kemiripan dari sampel uji (testing sample) ke sampel latih (training sample) untuk menentukan K -Nearest

Neighbor

nya. Setelah mengumpulkan K -Nearest

Neighbor, kemudian diambil mayoritas dari K-Nearest Neighbor (KNN) untuk dijadikan prediksi dari sample uji. KNN memiliki beberapa kelebihan yaitu tangguh terhadap training data yang noise dan efektif apabila data latih nya besar. Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk testing data atau yang klasifikasinya tidak diketahui. Jarak dari vektor baru yang ini terhadap seluruh vektor training sample dihitung dan sejumlah K buah yang paling dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik- titik tersebut. 2.4.2.1. Algoritma K - Nearest Neighbor Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Misalkan, diinginkan untuk mencari solusi terhadap

seorang

pasien

baru

dengan

menggunakan

solusi

dari

pasien

terdahulu.Untuk mencari kasus pasien mana yang akan digunakan maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan jarak terdekat yang akan diambil solusinya untuk digunakan pada kasus pasien baru.


Gambar 2.3. Ilustrasi Kedekatan Kasus Pasien (Larose, 2005) Seperti tampak pada Gambar 2.3, terdapat tiga pasien lama A, B, dan C. Ketika ada pasien baru (New), maka solusi yang akan diambil adalah solusi dari pasien terdekat dari pasien baru. Seandainya d1 adalah kedekatan antara pasien baru dan pasien A, d2 adalah kedekatan antara pasien baru dengan pasien B, dan d3 adalah kedekatan antara pasien baru dengan pasien C, maka terlihat bahwa d1 lebih dekat daripada d2 dan d3. Dengan demikian, solusi dari pasien A yang akan digunakan untuk memberikan solusi pada pasien baru. Adapun penjelasan cara kerja algoritma K - Nearest Neighbor adalah: 1. Tentukan parameter K sebagai jumlah tetangga terdekat. 2. Hitung jarak antara data baru dengan semua data training dengan rumus. 𝐷𝑖𝑠(𝑇𝑖, 𝑇𝑗) = 𝑒𝑥𝑝 (−

‖𝑇𝑖−𝑇𝑗‖2 2𝜎2

) . . . . . . . . . . . .. . . . . . (2.3)

Dimana: 𝑑𝑖𝑠(𝑇𝑖,𝑇𝑗) = Euclidean Distance dari atribut data training dan data testing 𝑚 = banyak sample 𝑇𝑖 = Data training 𝑇𝑗 = Data testing 3. Urutkan jarak tersebut dan tetapkan tetangga terdekat berdasarkan jarak Minimum. 4. Periksa kelas dari tetangga terdekat. 5. Gunakan mayoritas sederhana dari kelas tetangga terdekat sebagai nilai prediksi data baru.


2.5.Euclidean Distance Konsep Euclidian Distance ini memperlakukan semua peubah adalah bebas. Transformasi baku yang dilakukan berarti menghilangkan pengaruh keragaman data atau dengan kata lain semua peubah akan memberikan kontribusi yang sama untuk jarak. Euclidean Distance adalah besarnya jarak suatu garis lurus yang menghubungkan antar objek. Misalkan ada dua buah objek yaitu A dengan koordinat (x1, y1) dan B dengan koordinnat (x 2, y2) dapat diketahui jarak antar kedua objek tersebut menggunakan rumus Euclidean Distance. 2.6.Centroids Pusat cluster adalah centroids, yaitu rata-rata dari semua titik pada cluster tersebut, namun dapat juga digunakan medoid, yaitu titik yang paling mewakili pada sebuah cluster.Centroid digunakan untuk menghitung jarak suatu objek data terhadap centroid. Dimana pada setiap cluster terdapat titik pusat (centroids) yang mempresentasikan cluster tersebut. 2.7. Dataset Dataset

adalah

objek

yang

merepresentasikan

data

dan

relasinya

di

memory.Strukturnya mirip dengan data di database, Dataset berisi koleksi dari datatable dan datarelation. 2.8. Diabetes Melitus Diabetes Melitus merupakan 10 penyakit yang paling banyak menyababkan kematian penduduk dunia, beragam cara baik medis maupun non- medis dikembangkan untuk mengobati dan menekan laju pertumbuhan penderita penyakit ini, berikut dijabarakan sekilas mengenai Diabetes Melitus. Diabetes Melitus (DM) merupakan suatu sindrom klinik yang khas ditandai oleh adanya hiperglikemia yang disebabkan oleh defisiensi atau penurunan efektifitas insulin.

Gangguan

metabolik

ini

mempengaruhi

metabolisme

dari

karbohidrat,protein, lemak, air dan elektrolit. Gangguan metabolisme tergantung pada adanya kehilangan aktivitas insulin dalam tubuh dan pada banyak kasus, akhirnya menimbulkan kerusakan selular, khususnya sel endotelial vaskular pada mata, ginjal dan susunan saraf (SOE04). Faktor-faktor yang mempengaruhi penyakit diabetes melitus terdiri dari:


1. Kehamilan 2. Konsentrasi plasma glukosa setelah 2 jam pada test toleransi oral glukosa 3. Tekanan darah diastolik 4. Ketebalan lipatan kulit triseps 5. Serum insulin selama 2 jam 6. Indeks massa tubuh 7. Keturunan Diabetes 8. Umur Dari semua hormon yang terkait dalam metabolisme glukosa, hanya insulin yang bisa menurunkan gula darah. Hormon yang lain adalah “counterregulatory hormones” karena bisa membuat gula darah meningkat. Insulin adalah hormon yang kurang (absolut atau relatif) dalam penyakit Diabetes Mellitus. Hormon insulin disintesis (dihasilkan) oleh sel beta Pulau Langerhans yang terdapat pada pankreas. Peran insulin adalah melihat bahwa sel tubuh dapat memakai bahan bakar. Insulin berperan sebagai “kunci” yang bisa membuka pintu sel agar bahan bakar bisa masuk ke dalam sel. Pada permukaan setiap sel terdapat reseptor (oleh insulin), glukosa dan asam amino bisa masuk ke dalam sel tubuh. Langkah-langkah untuk menegakkan diagnosis Diabetes Mellitus yaitu sebagai berikut: 1.

Pemeriksaan Darah a. Diperiksa kadar glukosa sewaktu dan kadar glukosa puasa setelah puasa 8- 10 jam. b. Beberapa hari kemudian dilakukan pemeriksaan glukosa plasma puasa

2.

Pemeriksaan Test Glukosa Oral a. Tiga hari sebelum pemeriksaan, makan seperti biasa (karbohidrat cukup). Kegiatan jasmani seperti biasa dilakukan. b. Puasa paling sedikit 8 jam mulai malam hari sebelum pemeriksaan, minum air putih diperbolehkan. c. Diperiksa kadar glukosa darah puasa. d. Diberikan glukosa 75 gram (orang dewasa ) atau 1,75 gram/kg (anak-anak), dilarutkan dalam air 250 ml dan diminum dalam waktu 5 menit.


e. Diperiksa kadar glukosa darah 2 (dua) jam sesudah beban glukosa. f. Selama proses pemeriksaan, subyek yang diperiksa tetap istirahat dan tidak merokok. Apabila hasil pemeriksaan tidak memenuhi kriteria normal atau Diabetes Mellitus, maka dapat digolongkan ke dalam kelompok TGT (Toleransi Glukosa Terganggu) atau GDPT (Glukosa Darah Puasa Terganggu) dari hasil yang diperoleh. - TGT : glukosa darah plasma 2 jam setelah pembebanan antara 140 – 199 mg/dl - GDPT : glukosa darah puasa antara 100 – 125 mg/dl. (Soegondo et al, 2004). Pemantauan glukosa darah di rumah oleh pasien sendiri merupakan bagian penting pengobatan Diabetes Mellitus tipe 1 atau tipe 2. Kadar glukosa dalam darah adalah tanda vital bagi penderita diabetes. Pemantauan glukosa darah di rumah merupakan salah satu cara yang akurat dan praktis untuk pengendalian glukosa dalam darah yang dilakukan setiap hari atau beberapa kali setiap hari. Darah yang diperiksa adalah whole blood dari kapiler yang diambil melalui tusukan pada ujung jari. Satu tetes darah diteteskan pada test strip yang mengandung glukosa oksidase. Hasilnya dapat dilihat pada meteran alat dalam 20 detik sampai 2 menit. Pada meteran alat tersebut, dapat pula diketahui dosis insulin yang diperlukan individu. Pengendalian glukosa secara jangka panjang dipantau melalui haemoglobin glikosilat. Glukosa dalam darah cepat menempel dalam hemoglobin. Glukosa menempel pada hemoglobin sepanjang umur eritrosit, yaitu 90-120 hari. Pemantauan melalui hemoglobin glikosilat memberi hasil yang objektif karena tidak dipengaruhi oleh umur, jenis kelamin, lamanya Diabetes Mellitus dialami pasien atau kadar glukosa dalam darah yang terakhir. Hemoglobin glikosilat total memberi gambaran tentang pengendalian glukosa selama tiga tahun. 3. Pemeriksaan Urine Pemeriksaan reduksi urine merupakan bagian dari pemeriksaan urine rutin yang selalu dilakukan di klinik. Hasil yang (+) menunjukkan adanya glukosuria. Beberapa hal yang perlu diingat dari hasil pemeriksaan reduksi urine adalah: Pemeriksaan ini pertama sekali digunakan untuk tes skrining, bukan untuk menegakan diagnosis. Nilai hasil pemeriksaan reduksi urine dari nilai (+) sampai (++++ ) :


a. Jika reduksi (+): masih mungkin oleh sebab lain, seperti: renal glukosuria, obat-obatan, dan lainnya. b. Reduksi (++) kemungkinan KGD: 200 –300 mg/dl c. Reduksi (+++) kemungkinan KGD: 300 – 400 mg/dl d. Reduksi (++++) kemungkinan KGD: 400 mg/dl Glukosa tertumpah dalam urine hanya glukosa serum sudah mencapai “ambang ginjal”, yaitu ±180 mg/dl. Glukosa urine memberi data tentang glukosa darah yang sudah berlalu, bukan yang sesaat. Selain itu, pemantauan glukosa urine tidak dapat memberi data apakah glukosa darah pasien adalah tinggi (500 mg/dl) atau normal (110 mg/dl). Glukosa urine hanya bisa memberi data apakah pasien mempunyai glukosa darah yang tinggi beberapa jam yang lalu. Pemantauan glukosa urine sudah tidak dianjurkan untuk pengkajian kontrol glikemik. Setelah pemeriksaan urine dilakukan, akan lebih baik pemantauan keton perlu dilakukan oleh individu dengan Diabetes Mellitus tipe 1 ketika ia jatuh sakit atau ketika hasil pemantauan glukosa darah di rumahnya lebih dari 300 mg/dl. Test skrip yang mengandung asetoasetat dicelupkan ke dalam urine. Lama waktunya bergantung pada pabrik yang memproduksinya. Bila yang tampak adalah warna kuning-keabuabuan, berarti negatif. Warna akan berubah sesuai dengan kadar keton, bisa sampai ungu tua. Adanya keton dalam urine memerlukan tindakan medis yang cepat dan tepat bagi pasien dengan Diabetes Mellitus tipe 1. Tindakan menyangkut insulin, diet, dan asupan cairan untuk menghindari timbulnya diabetes ketoasidosis yang sangat berbahaya (Touchette, 2005). Defenisi keadaan diabetes atau gangguan toleransi glukosa bergantung pada pemeriksaan kadar glukosa darah. Beberapa tes tertentu yang non glikemik dapat berguna dalam menentukan subklas, penelitian epidenmiologi, dalam menentukan mekanisme dalam perjalanan alamiah diabetes. Untuk diagnosis dan klasifikasi ada indeks tambahan yang dapat dibagi atas dua bagian yakni sebagai berikut: 1. Indeks Penentuan Derajat Kerusakan Sel Beta Hal ini dapat dinilai dengan pemeriksaan kadar insulin, pro-insulin, dan sekresi peptide penghubung (C-peptide). Nilai-nilai “Glycosilated hemoglobin” (WHO


memakai istilah “Glyclated hemoglobin”), nilai derajat glikosilasi dari protein lain dan tingkat gangguan toleransi glukosa juga bermanfaat untuk penilaian kerusakan ini. 2. Indeks Proses Diabetogenik Untuk penilaian proses diabetogenik pada saat ini telah dapat dilakukan penentuan tipe dan sub-tipe HLA. Adanya tipe dan titer antibodi dalam sirkulasi yang ditujukan pada pulau-pulau Langerhans(islet cell antibodies), Anti GAD(Glutamic Acid Decarboxylase) dan sel endokrin lainnya adanya cell-mediated immunity terhadap pancreas. Susunan DNA yang spesifik ditemukan pada genoma manusia dan ditemukannya penyakit lain pada pankreas dan penyakit endokrin lainnya. Kadar gula darah indikator penentu diabetes pada orang dewasa berbeda dengan diabetes pada anak-anak. Kadar glukosa darah normal pada anak-anak < 100 mg/dl dan glukosa darah setelah 2 jam mengkonsumsi sejumlah glukosa yang diberikan < 140 mg/dl. Akan tetapi cara untuk mendiagnosa diabetes pada anak-anak sama dengan cara mendiagnosa diabetes pada orang dewasa umumnya (Rubin, 2010). 2.8.2. Pra Diabetes Kondisi pradiabetes dikenalkan pertama kali pada tahun 2002 oleh American Diabetes Association (ADA) dan Human Service Secretary Tommy G. Thompson. Diagnosis pradiabetes itu penting karena pradiabetes adalah kondisi kritis sebelum pengembangan menuju ke penyakit diabetes. Diagnosis pradiabetes sama dengan diagnosis diabetes yaitu dengan test glukosa darah di laboratorium. Pradiabetes didiagnosa apabila glukosa darah puasa di antara 100 dan 125 mg/dl (5.6 - 6.9 mmol/L) dan glukosa darah 2 jam setelah makan 75 gram glukosa , di antara 140 – 199 mg/dl (7.8-11.1 mmol, pada saat lebih dari satu kali pemeriksaan (Rubin, 2010). Pada tahun 1997, Expert Committee on the Diagnosis and Classification of Diabetes Mellitus of American Diabetes Association menerbitkan klasifikasi baru Diabetes Mellitus yakni sebagai berikut: 1. Diabetes Mellitus tipe 1 atau Insulin Dependent Diabetes Mellitus (IDDM). 2. Diabetes Mellitus tipe 2 atau Non Insulin Dependent Diabetes Mellitus (NIDDM).


2.8.3. Diabetes Mellitus tipe 1/ Insulin Dependent Diabetes Mellitus Pada tipe ini, kekurangan insulin terjadi secara absolut dimana pankreas tidak menghasilkan insulin atau menghasilkan insulin dalam jumlah yang tidak memadai. Hal ini terjadi akibat sel β pankreas dihancurkan oleh proses autoimun pada orangorang yang memiliki predisposisi secara genetis. Pada tipe ini glukosa banyak hilang melalui urine dan glukosa pada darah tidak dapat dipakai sehingga mengakibatkan banyak kalori yang hilang dan berat badan pasien menurun walaupun ia banyak makan. Gambaran klinis, pasien umumnya kurus dan memiliki gejala-gejala poliuria, polidipsia, penurunan berat badan, cepat lelah dan terdapat infeksi (abses, infeksi jamur misalnya kandidiasis). Ketoasisidosis dapat terjadi disertai dengan rasa mual, mengantuk, dan takipnea. Pasien membutuhkan insulin (Davey, 2006) . 2.8.4. Diabetes Mellitus tipe 2/ Non Insulin Dependent Diabetes Mellitus Pada tipe ini, kekurangan insulin terjadi secara relatif dimana pankreas menghasilkan insulin dalam jumlah normal, tetapi tidak efektif. Gambaran klinis sekitar 80% pasien memiliki kelebihan berat badan dan 20% pasien telah mengalami komplikasi seperti penyakit jantung iskemik, penyakit serebrovaskular, gagal ginjal, ulkus pada kaki dan gangguan penglihatan. Pasien dapat juga datang dengan poliuria dan polidipsia yang timbul perlahan-lahan. Pasien dengan tipe ini biasanya ditangani dengan pengaturan diet dan obat hipoglikemik oral (Davey, 2006).


BAB 2 TINJAUAN PUSTAKA

Recommend Documents