i
DIAGNOSA PENYAKIT TUBERKULOSIS PARU MENGGUNAKAN ALGORITME VFI5
ABDUL ROSYID
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009
ii
DIAGNOSA PENYAKIT TUBERKULOSIS PARU MENGGUNAKAN ALGORITME VFI5
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
ABDUL ROSYID G64066027
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009
i
ABSTRAK ABDUL ROSYID. Diagnosa Penyakit Tuberkulosis Paru Menggunakan Algoritme VFI5. Dibimbing oleh Aziz Kustiyo dan Tri Noviati. Tuberkulosis (TB) merupakan salah satu penyakit menular yang disebabkan oleh kuman TBC (Mycobacterium Tuberculosys) (Depkes 2007). TB lebih sering menyerang paru-paru, tetapi juga dapat menyerang bagian tubuh lain seperti selaput otak, kulit, tulang, kelenjar getah bening, dan bagian tubuh lainnya. Pengobatan TB Paru sangat penting dilakukan dalam mengurangi angka kematian. Pengobatan TB akan mudah dilakukan apabila proses diagnosa dilakukan secara dini. Diagnosa TB yang sekarang dilakukan masih menggunakan metode lama (Menkes 2008). Metode yang dilakukan bertumpu pada uji lab, baik uji mikroskopis maupun rontgen. Metode tersebut tidak dapat dilakukan di klinik-klinik kesehatan yang tidak memiliki poliklinik paru dengan peralatan yang memadai, sementara jumlah penderita TB Paru semakin bertambah. Pada penelitian ini, tujuan yang ingin dicapai adalah menerapkan algoritme VFI5 pada proses diagnosa dini penyakit TB Paru. Data yang digunakan pada penelitian ini adalah data rekam medis pasien rawat inap rumah sakit Pasar Rebo sebanyak 191 data. Data tersebut terbagi atas dua kelas, yaitu kelas TB dan kelas tidak TB. Adapun fitur-fitur dari setiap kelasnya, yaitu batuk, batuk berdarah, sakit dinding dada, nafas pendek, berat badan menurun, demam dan berkeringat, hilang nafsu makan, dan lemas. Dalam memperkirakan generalisasi error digunakan metode 3-Fold Cross Validation, dimana pada proses ini dilakukan membagi suatu himpunan menjadi subsetsubset yang saling bebas. Pada penelitian ini juga, setiap fitur diberikan bobot yang dinilai oleh pakar dari sisi tingkat pengaruh antar fitur yang bersesuaian. Hasil penelitian menunjukkan bahwa algoritme VFI5 masih termasuk algoritme yang mempunyai akurasi baik pada penelitian diagnosa penyakit. Akan tetapi pada penelitian ini akurasi yang didapatkan masih belum maksimal dengan nilai yang didapatkan rata-rata 83%. Gejala umum TB Paru memiliki ke khasan dari gejala-gejala penyakit lainnya. Dengan algoritme VFI5 dapat diperkirakan seseorang mengarah ke TB atau tidak dengan melihat hasil diagnosa tersebut. Hasil penelitian menunjukkan bahwa untuk menentukan seseorang menderita TB atau tidak TB, tidak dapat ditentukan hanya oleh satu gejala saja. Gejala TB yang paling berpengaruh adalah batuk berdarah dan berat badan menurun. Kata Kunci : Tuberkulosis (TB) Paru, Algoritme VFI5.
ii
Judul
: Diagnosa Penyakit Tuberkulosis Paru Menggunakan Algoritme VFI5
Nama
: Abdul Rosyid
NRP
: G64066027
Menyetujui,
Pembimbing I
Pembimbing II
Aziz Kustiyo, S.Si, M.Kom. NIP. 19700719 199802 1 001
dr. Tri Noviati, MARS NIP. 140 240 244
Mengetahui, Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. drh. Hasim, DEA NIP. 19610328 198601 1 002
Tanggal Lulus :
iii
RIWAYAT HIDUP Penulis dilahirkan di Kuningan pada tanggal 13 Juni 1983. Anak pertama dari tiga bersaudara, dari pasangan Bapak Aang Anshori dan Ibu Caskinah. Riwayat pendidikan : 1999 – 2002 2002 – 2005
2006 – 2009
SMU Negeri 3 Kuningan D3 Program Studi Informatika Sub Program Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. S1 Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor.
Pengalaman Organisasi : 2000 – 2001 2001 – 2002 2002 – 2004 2002 – 2004 2005 – 2007 2007 – 2009
Ketua OSIS Bidang I SMU Negeri 3 Kuningan Ketua PMR SMU Negeri 3 Kuningan Anggota PMR Gabungan Kabupaten Ketua Departemen Sosial dan Advokasi BEM FMIPA IPB Ketua Himpunan Mahasiswa Aria Kamuning Kuningan LSM Perhimpunan Petani Nelayan Sejahtera Indonesia (PPNSI) LSM Indonesian Labour Foundation (ILF)
Saat ini penulis juga adalah seorang karyawan di salah satu perusahaan swasta di Jakarta.
iv
PRAKATA Bismillahirrahmanirrahim, Segala puji bagi Allah SWT, atas limpahan rahmat dan karuniaNya dan semoga shalawat dan salam tetap tercurahkan kepada nabi Muhammad SAW. Penulis mengucapkan Alhamdulillahi rabbal ‘alamin, atas selesainya skripsi denga judul Diagnosa Penyakit Menggunakan Algoritme VFI5. Skripsi ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer Fakultas Matematikan dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Penulis mengucapkan terima kasih kepada semua pihak sehingga terselesaikannya skripsi ini, diantaranya : • Orang tua tercinta yang selalu memberikan do’a dan motivasi kepada penulis • Bapak Aziz Kustiyo, S.Si.,M.Kom. dan ibu dr. Tri Noviati, MARS., selaku pembimbing yang telah memberikan arahan dan masukan sehingga selesainya skripsi ini. • Bapak dr. Muhammad Syafii, M.Kom., dr. Syafrizal, dr. Diana, Ibu Merriani Girsang, M.Si. yang telah memberikan arahan kepada penulis dalam menyelesaikan penelitian ini. • Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB • Bapak Ir. Eddy Zanur, MSAE., Bapak Ir. Syamsul Rizal, M.Sc., selaku pimpinan perusahaan yang telah mendukung dalam proses pendidikan penulis. • Bapak Drs. Aryo Judhoko, Bapak Drs. Agus Widodo, Ibu Ully Ullva, Bapak Maulana Mustika dan teman-teman kerja yang telah memberikan motivasi dan dukungan. • Teman-teman Keluarga Muslim Ekstensi (KAMUS) IPB • Teman-teman DKM Al Ghifari IPB • Teman-teman HIMARIKA Kuningan • Teman-teman BAFADA • Adik-adiku tercinta Ade Opik Hidayat, Siti Romlah, Tuti Solihat, Dika Kadarwati yang telah memberikan bantuan dan motivasi. • Seta Baehera, Muhammad Haikal, dan seluruh teman-teman angkatan I, II, dan III ILKOM Ekstensi IPB yang tidak dapat disebutkan satu pe rsatu. Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak yang membutuhkan. Amin.
Bogor, Juni 2009
Abdul Rosyid
v
DAFTAR ISI Halaman DAFTAR TABEL........................................................................................................................... vi DAFTAR GAMBAR ......................................................................................................................iii DAFTAR LAMPIRAN .................................................................................................................. iv PENDAHULUAN Latar Belakang .............................................................................................................................. 1 Tujuan ........................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................. 1 Manfaat ......................................................................................................................................... 1 TINJAUAN PUSTAKA Klasifikasi ..................................................................................................................................... 2 Algoritme Voting Feature Intervals .............................................................................................. 2 K-Fold Cross Validation ............................................................................................................... 3 Confusion Matrix .......................................................................................................................... 3 Tuberkulosis ................................................................................................................................. 3 Penyebab Penyakit TB .................................................................................................................. 3 Cara Penularan Penyakit TB ......................................................................................................... 4 Gejala Umum Penyakit TB ........................................................................................................... 4 Metode Diagnosa TB .................................................................................................................... 4 METODE PENELITIAN Survei ............................................................................................................................................ 5 Konsultasi dengan dokter.............................................................................................................. 5 Data ............................................................................................................................................... 6 Praproses ....................................................................................................................................... 6 Data latih data uji .......................................................................................................................... 6 Pelatihan ....................................................................................................................................... 6 Klasifikasi ..................................................................................................................................... 6 Akurasi.......................................................................................................................................... 6 Lingkungan Pengembangan .......................................................................................................... 6 HASIL DAN PEMBAHASAN Iterasi Pertama .............................................................................................................................. 7 Iterasi Kedua ................................................................................................................................. 8 Iterasi Ketiga ................................................................................................................................. 9 Akurasi........................................................................................................................................ 10 KESIMPULAN DAN SARAN Kesimpulan ................................................................................................................................. 11 Saran ........................................................................................................................................... 11 DAFTAR PUSTAKA .................................................................................................................... 11 LAMPIRAN ................................................................................................................................... 12
vi
DAFTAR TABEL Halaman 1 Confusion matrix data dengan dua kelas .................................................................................... 3 2 Pembobotan data gejala umum penderita TB Paru .................................................................... 5 3 Kombinasi 3-Fold Cross Validation .......................................................................................... 6 4 Contoh Konversi Data Gejala Batuk .......................................................................................... 7 5 Pembagian Data dengan Metode 3-Fold Cross Validation ........................................................ 7 6 Data Iterasi Pertama ................................................................................................................... 7 7 Confusion Matrix Iterasi Pertama............................................................................................... 7 8 Data instance salah iterasi pertama kelas TB ............................................................................. 8 9 Data instance salah iterasi pertama kelas Bukan TB.................................................................. 8 10 Data Iterasi Kedua .................................................................................................................... 9 11 Confusion matrix pada Iterasi II ............................................................................................... 9 12 Data instance salah iterasi kedua Kelas TB ............................................................................. 9 13 Data instance salah iterasi kedua Kelas TB ............................................................................. 9 14 Data instance salah iterasi kedua kelas Bukan TB ................................................................... 10 15 Data iterasi ketiga ..................................................................................................................... 10 16 Confusion matrix pada Iterasi Ketiga ....................................................................................... 10 17 Data instance salah iterasi ketiga kelas TB .............................................................................. 10 18 Data instance salah iterasi ketiga kelas TB .............................................................................. 11 19 Data instance salah iterasi ketiga kelas Bukan TB ................................................................... 11 20 Hasil rata-rata dari semua iterasi .............................................................................................. 12
DAFTAR GAMBAR Halaman 1 Algoritme pelatihan VFI5 (Demiroz 1997) ................................................................................ 2 2 Bakteri Mycobacterium Tuberculosys ........................................................................................ 4 3 Pola penyebaran bakteri TB ....................................................................................................... 4 4 Sistem diagnosa TB Paru ........................................................................................................... 4 5 Alur metode penelitian ............................................................................................................... 5 6 Grafik akurasi setiap iterasi ........................................................................................................ 12
vii
DAFTAR LAMPIRAN Halaman 1 Kuisioner pembobotan variabel.................................................................................................. 15 2 Penilaian masing-masing variabel .............................................................................................. 16 3 Data Pasien Rawat Inap Dewasa TB Rumah Sakit Pasar Rebo tahun 2008............................... 17 4 Data Testing Iterasi I .................................................................................................................. 22 5 Data Testing Iterasi II................................................................................................................. 23 6 Data Testing Iterasi III ............................................................................................................... 25 7 Instance salah iterasi pertama kelas TB ..................................................................................... 26 8 Instance salah iterasi pertama kelas Bukan TB .......................................................................... 27 9 Instance salah iterasi kedua kelas TB......................................................................................... 27 10 Instance salah iterasi kedua kelas tidak TB .............................................................................. 27 11 Instance salah iterasi ketiga kelas TB ...................................................................................... 28 12 Instance salah iterasi ketiga kelas tidak TB ............................................................................. 28 13 Confusion matrix iterasi pertama ............................................................................................. 28 14 Confusion matrix iterasi kedua ................................................................................................. 28 15 Confusion matrix iterasi ketiga................................................................................................. 28 16 Halaman utama program .......................................................................................................... 29 17 Halaman training program ....................................................................................................... 29 18 Halaman testing program ......................................................................................................... 30 19 Halaman simulasi testing program ........................................................................................... 30 20 Halaman simulas akurasi testing program................................................................................ 31 21 Halaman publik utama program ............................................................................................... 31
1
PENDAHULUAN Latar Belakang Tuberkulosis (TB) merupakan salah satu penyakit menular yang disebabkan oleh kuman TBC (Mycobacterium Tuberculosys). (Depkes 2007). Sebagian besar kuman TB menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya seperti otak, ginjal, saluran pencernaan, tulang, kelenjar getah bening, dan lain-lain. Diperkirakan sekitar sepertiga penduduk dunia telah terinfeksi oleh Mycobacterium Tuberculosys. Pada tahun 1995, diperkirakan ada sembilan juta pasien TB baru dan tiga juta kematian akibat TB diseluruh dunia. Diperkirakan 95% kematian akibat TB didunia terjadi di negara-negara berkembang (Depkes 2007). Menurut buku Pedoman Nasional Penanggulangan Tuberkulosis Departemen Kesehatan tahun 2007, di Indonesia TB merupakan masalah utama kesehatan masyarakat. Jumlah pasien TB di Indonesia adalah ketiga terbanyak di dunia setelah India dan Cina dengan jumlah pasien sekitar 10% dari total jumlah pasien TB di dunia. Pada tahun 1995, hasil Survei Kesehatan Rumah Tangga (SKRT) menunjukkan bahwa penyakit TB merupakan penyebab kematian nomor tiga setelah penyakit kardiovaskuler (jantung) dan penyakit saluran pernafasan pada semua kelompok usia, dan nomor satu dari golongan penyakit infeksi. TB mempunyai riwayat alamiah pasien yang tidak diobati setelah lima tahun, dapat menyebabkan : • 50% meninggal • 25% akan sembuh sendiri dengan daya tahan tubuh yang tinggi • 25% menjadi kasus kronis yang tetap menular Oleh karena itu pengobatan TB merupakan hal yang sangat penting dalam mengurangi angka kematian tersebut. Pengobatan TB akan mudah dilakukan apabila proses diagnosa dilakukan secara dini. Penelitian ini mencoba mengembangkan metode diagnosa TB Paru dengan menguji data gejala-gejala umumnya. Hasil uji lab
dijadikan sebagai data kontrol untuk mengukur tingkat akurasi dari pengujian gejala umum TB Paru. Algoritme VFI5 digunakan pada penelitian ini, karena selain merupakan algoritme klasifikasi algortime ini juga cukup kokoh terhadap feature yang tidak relevan tetapi memberikan hasil yang baik. Pada data diagnosa penyakit TB Paru feature yang tidak relevan kemungkinan akan ada, dikarenakan data diagnosa dari setiap dokter akan berbeda-beda. Penelitian sebelumnya tentang diagnosa penyakit menggunakan VFI5 yaitu tentang Penyakit Parvo & Distemper (Iqbal 2006). Sedangkan penelitian khusus TB yang pernah dilakukan yaitu tentang Evaluasi Program DOTS (Directly Observed Treatment, Shorcourse Chemotherapy) (Girsang 2008). Tujuan Tujuan penelitian ini adalah menerapkan algoritme VFI5 pada proses diagnosa dini penyakit TB Paru. Ruang Lingkup Ruang lingkup penelitian ini dibatasi pada : 1 Jenis penyakit TB yang diteliti adalah jenis TB paru. 2 Data yang diuji menggunakan variabel gejala umum TB Paru. 3 Data dibagi dua kelas, yaitu kelas TB dan kelas tidak TB. 4 Data TB Paru bersumber dari data pasien rawat inap dewasa tahun 2008 di Rumah Sakit Pasar Rebo Jakarta Timur. 5 Pada diagnosa ini tidak menggunakan proses uji klinis, baik uji mikroskopis maupun foto toraks atau rontgen, tetapi menggunakan data hasil pemeriksaan gejala - gejala umum dari pasien TB Paru. Manfaat Metode diagnosa penyakit TB Paru menggunakan algoritme VFI5 diharapkan membantu pihak medis ataupun non medis dalam melakukan diagnosa dini penyakit TB Paru. Metode ini juga dapat dijadikan
2
sebagai bentuk tindakan preventif sebelum penyakit tersebut parah.
TINJAUAN PUSTAKA Klasifikasi Klasifikasi merupakan salah satu bidang kajian dalam machine learning. Klasifikasi merupakan proses menemukan sekumpulan model atau fungsi yang menggambarkan dan membedakan konsep atau kelas-kelas data, dengan tujuan agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu objek atau data yang tabel kelasnya tidak diketahui (Han & Kamber 2001). Klasifikasi dibagi menjadi dua tahap, yaitu pelatihan dan klasifikasi. Pada tahap pelatihan dibentuk sebuah model domain permasalahan dari setiap instance (data pelatihan) yang label kelasnya sudah diketahui (Gambar 1). Pada tahap klasifikasi dilakukan prediksi kelas baru dengan menggunakan model yang dibuat pada tahap pelatihan (Güvenir 1997).
Algoritme Voting Feature Intervals Voting Feature Intervals merupakan salah satu algoritme klasifikasi. Algoritme ini dikembangkan oleh Demiroz dan Guvenir pada tahun 1997. Algoritme ini mempresentasikan deskripsi sebuah konsep oleh sekumpulan interval nilai-nilai feature atau atribut. Demiroz dan Guvenir (1997) mengemukakan bahwa VFI merupakan algoritme yang supervised artinya memiliki target berupa kelas-kelas data dan bersifat non-incremental yaitu semua instance pelatihan diproses secara bersamaan. Algoritme Voting Feature Intervals yang dikembangkan sudah sampai pada versi yang ke-5 atau sering disebut algoritme VFI5. Algoritme VFI5 membuat interval untuk setiap feature yang berupa range interval atau point interval. Nilai vote untuk setiap interval akan disimpan, sehingga algoritme VFI5 dapat disebut sebagai Multiclass feature projection based algorithms.
train(TrainingSet): begin for each feature f for each class c EndPoints[f] = EndPoints[f] find_end_points(TrainingSet,f,c); sort(EndPoint[f]); if f is linear for each end point p in EndPoints[f] form a point interval from end point p form a range interval between p and the next end point ≠ p else /*f is nominal*/ each distinct point in EndPoint[f] forms a point interval for each interval i on feature dimension f for each class c interval_class_count[f,i,c] = 0 count_instances(f,TrainingSet); for each interval i on feature dimension f for each class c interval_class_vote[f,i,c] = normalize interval_class_vote[f,i,c] interval_class_vote[f,i,c] = I * * such that end
Gambar 1 Algoritme pelatihan VFI5 (Demiroz 1997)
3
Keunggulan algoritme VFI5 adalah algoritme tersebut cukup kokoh (robust) terhadap feature yang tidak relevan namun mampu memberikan hasil yang baik pada real world datasets yang ada. VFI5 mampu menghilangkan pengaruh yang kurang menguntungkan dari feature yang tidak relevan dengan mekanisme votingnya (Güvenir 1998). Algoritme klasifikasi mampu melakukan klasifikasi lebih cepat dibandingkan dengan algoritme nearst neighbor dan decision tree. VFI5 mampu menangani nilai feature yang tidak diketahui (hilang) dengan cara mengabaikan nilai feature yanga ada pada data pelatihan dan data pengujian, sedangkan pada algoritme Nearst Neighbor dan Decision Tree data tersebut harus diganti (Güvenir 1997). K-Fold Cross Validation Merupakan metode membagi sebuah himpunan contoh secara acak menjadi k himpunan bagian (subset) yang saling bebas dengan ulangan sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan disisipkan subset lainnya untuk pelatihan (Fu 1994). Pada metode ini, data dibagi menjadi kfold yang saling bebas secara acak, dengan ukuran setiap fold kira-kira sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada iterasi ke-i, subset Si dijadikan sebagai data pengujian, dan data subset lainnya dijadikan sebagai data pelatihan. Untuk mengetahui tingkat akurasi dihitung dengan cara membagi jumlah hasil klasifikasi yang benar dari k iterasi dengan jumlah semua instance pada data awal (Han & Kamber 2001). Confusion Matrix Confusion matrix merupakan informasi tentang kelas data aktual yang direpresentasikan pada baris matriks dan kelas data hasil prediksi suatu algoritme yang direpresentasikan pada kolom matriks klasifikasi. Akurasi algoritme klasifikasi biasanya dievaluasi dari data yang ada pada matriks. Pada Tabel 1 disajikan confusion matrix untuk data dengan dua kelas (Kohavi & Provost 1998 diacu dalam Hamilton 2002).
Tabel 1 Confusion matrix data dengan dua kelas. Prediksi Data Kelas 1 Kelas 2 Kelas 1 a b Aktual Kelas 2 c d Keterangan : • a adalah jumlah instance kelas 1 yang berhasil diprediksi dengan benar sebagai kelas 1, • b adalah jumlah instance kelas 1 yang tidak berhasil diprediksi dengan benar karena diprediksi sebagai kelas 2, • c adalah jumlah instance kelas 2 yang tidak berhasil diprediksi dengan benar karena diprediksi sebagai kelas 1, • d adalah jumlah instance kelas 2 yang berhasil diprediksi dengan benar sebagai kelas 2. Tuberkulosis Tuberkulosis adalah penyakit menular yang disebabkan oleh kuman TBC (Mycobacterium Tuberculosis). TB lebih sering menyerang paru-paru, namun juga dapat menyerang bagian tubuh lain seperti selaput otak, kulit, tulang, kelenjar getah bening, dan bagian tubuh lainnya. TB dapat menyerang siapa saja (tua, muda, laki-laki, perempuan). Sekitar 75% pasien TB adalah kelompok usia yang paling produktif secara ekonomis (15-50 tahun). Diperkirakan seorang pasien TB dewasa, akan kehilangan rata-rata waktu kerjanya 3 sampai 4 bulan. Survei prevalensi TB yang dilakukan di enam provinsi pada tahun 1983-1993 menunjukkan bahwa prevalensi TB di Indonesia berkisar antara 0,2 – 0,65%. Menurut laporan Penanggulangan TB Global yang dikeluarkan oleh WHO pada tahun 2004, angka insidensi TB pada tahun 2002 mencapai 555.000 kasus (256 kasus/100.000 penduduk), dan 46% diantaranya diperkirakan merupakan kasus baru (Depkes 2007). Penyebab Penyakit TB Penyakit TB adalah suatu penyakit infeksi yang disebabkan oleh bakteri Mycobacterium Tuberculosys (Gambar 2). Bakteri ini berbentuk batang/basil dan bersifat tahan asam sehingga dikenal juga
4
sebagai Basil Tahan Asam (BTA). Bakteri ini pertama kali ditemukan oleh Robert Koch pada tanggal 24 Maret 1882, sehingga untuk mengenang jasanya bakteri tersebut diberi nama baksil Koch. Bahkan, penyakit TBC pada paru-paru kadang disebut sebagai Koch Pulmonum (KP) (Depkes 2007).
Gejala umum penyakit TB paru • • •
• • Gambar 2 Bakteri Mycobacterium Tuberculosys
Batuk-batuk selama lebih dari 3 minggu (dapat disertai dengan darah). Sakit dinding dada. Demam tidak terlalu tinggi yang berlangsung lama, biasanya dirasakan malam hari disertai keringat malam. Terkadang serangan demam seperti influenza dan bersifat hilang timbul. Penurunan nafsu makan dan berat badan. Perasaan tidak enak (malaise), lemah.
Metode Diagnosa TB Paru (Departemen Kesehatan RI)
Cara Penularan Penyakit TB Penyakit TB biasanya menular melalui udara yang tercemar dengan bakteri Mycobacterium Tuberculosys yang dilepaskan pada saat penderita TB batuk, dan pada anak-anak sumber infeksi umumnya berasal dari penderita TB dewasa. Bakteri ini bila sering masuk dan terkumpul di dalam paru-paru akan berkembang biak menjadi banyak (terutama pada orang dengan daya tahan tubuh yang rendah), dan dapat menyebar melalui pembuluh darah atau kelenjar getah bening. Oleh sebab itu infeksi TB dapat menginfeksi hampir seluruh organ tubuh seperti: paru-paru, otak, ginjal, saluran pencernaan, tulang, kelenjar getah bening, dan lain-lain, meskipun demikian organ tubuh yang paling sering terkena yaitu paru-paru (Gambar 3). Sumber : Depkes 2007
Gambar 4 Sistem diagnosa TB Paru Proses diagnosa TB Paru pada pasien dewasa ditunjukkan pada Gambar 4, sedangkan pada anak TB Paru sulit di deteksi karena anak susah mengeluarkan dahak, sehingga untuk diagnosanya menggunakan sistem skor berdasarkan gejala yang sudah ditetapkan oleh Departemen Kesehatan (Depkes 2007).
Sumber : Depkes 2007
Gambar 3 Pola penyebaran bakteri TB
Pada pasien anak yang tidak menimbulkan gejala, TBC dapat terdeteksi kalau diketahui adanya kontak dengan pasien TBC dewasa. Kira-kira 30-50% anak yang kontak dengan penderita TBC paru dewasa memberikan hasil uji tuberkulin positif. Pada anak usia 3 bulan – 5 tahun yang tinggal serumah dengan penderita TBC paru dewasa dengan BTA positif, dilaporkan
5
30% terinfeksi berdasarkan pemeriksaan serologi/darah.
METODE PENELITIAN Pada penelitian ini dilakukan beberapa tahapan proses untuk mendapat hasil yang diinginkan. Proses-proses tersebut dapat dilihat pada Gambar 5.
Rumah Sakit Pasar Rebo dijadikan sebagai tempat penelitian dengan alasan bahwa rumah sakit ini merupakan salah satu rumah sakit yang mempunyai poliklinik paru terbesar di Jakarta, selain Rumah Sakit Umum Persahabatan. Penelitian ini dilakukan selama dua bulan. Konsultasi dengan dokter Tahap selanjutnya adalah konsultasi dengan dokter, hal ini dilakukan untuk mendapatkan informasi data va riabel gejala pendukung TB Paru yang relevan untuk bahan penelitian. Konsultasi tersebut dilakukan dengan beberapa dokter diantaranya :
Survei
Konsultasi dengan dokter
a
dr. Tri Noviati, MARS (Rumah Sakit Pasar Rebo)
b
dr. Syafrizal (Rumah Sakit Pasar Rebo)
c
dr. Muhammad Syafii, M.Kom (Kepala Pusat Data dan Informasi Dinas Kesehatan Provinsi DKI Jakarta)
d
dr. Diana (Yayasan Madani Dompet Peduli - Republika)
Data
Praproses Praproses
Data latih
Data Uji
VFI5 Pelatihan
Klasifikasi
Akurasi
Proses konsultasi dilakukan lebih membahas pada pembobotan variabel gejala dilihat dari tingkat seberapa besar pengaruh gejala tersebut pada penyakit TB Paru. Metode konsultasi yang dilakukan menggunakan metode kuisioner dengan respondennya adalah dokter. Data kuisioner adalah data variabel gejala yang didapatkan dari literatur dan hasil dari saringan dokter. Hasil yang didapatkan dari konsultasi tersebut dintunjukkan pada Tabel 2. Tabel 2 Pembobotan data gejala umum penderita TB Paru
Gambar 5 Alur metode penelitian
No
Pada tahap pertama proses yang dilakukan adalah mengidentifikasi data terlebih dahulu yang disesuaikan dengan topik penelitian. Tahap selanjutnya adalah mencari instansi yang tepat dan siap untuk menyediakan data.
1.
Batuk
10
2.
Batuk berdarah
10
3.
Sakit dinding dada
10
4.
Nafas pendek
5
Survei
5.
Berat badan menurun
10
Survei data dilakukan ke lembaga/instansi yang bersedia menyediakan data dan bersedia dijadikan sebagai tempat penelitian. Dalam hal ini instansi yang dijadikan tempat survei dan penelitian adalah Rumah Sakit Umum Daerah Pasar Rebo Jakarta Timur.
6.
Demam berkeringat
5
7.
Hilang nafsu makan
5
8.
Lemas
5
Gejala
Bobot
6
Data
Pelatihan
Data yang digunakan pada penelitian ini adalah data rekam medis dokter dan perawat di Rumah Sakit Pasar Rebo. Data yang diteliti merupakan data gejala umum TB Paru yang berupa data ordinal gejalagejala TB Paru. Kemudian untuk mempermudah proses algoritme data ordinal dikonversi menjadi data nominal.
Tahap pelatihan diawali dengan prosedur untuk mencari nilai end point suatu feature. Nilai end point untuk feature numerik (diskret atau kontinu) merupakan nilai maksimum dan nilai minimum sebuah feature, sedangkan end point feature nominal merupakan nilai yang ada pada feature tersebut.
Data tersebut berjumlah 191 data yang terbagi menjadi dua kelas, yaitu kelas TB kelas bukan TB. Kelas TB diambil dari pasien TB Paru rawat inap sebanyak 120 data sedangkan kelas bukan TB diambil dari pasien TB yang dirujuk pulang karena kondisi menjelang sembuh sebanyak 71 data.
Data gejala umum TB Paru merupakan feature dari masing-masing data pasien. Kriteria positif TB dan bukan TB menjadi kelas dari masing-masing data tersebut.
Data yang diambil merupakan data gejala pendukung TB Pa ru. Kemudian dikonsultasikan dengan pihak dokter sehingga didapatkan relevansi data yang tepat untuk diagnosa penyakti TB Paru. Praproses Pada tahap ini dilakukan proses pembersihan feature yang datanya kosong untuk tidak dipakai. Pembersihan dilakukan dengan tujuan mendapatkan feature yang betul relevan karena akan mempengaruhi hasil klasifikasi. Pada tahap selanjutnya dilakukan proses konversi data yang bernilai ordinal menjadi data nominal. Proses ini dilakukan agar mempermudah proses perhitungan oleh algoritme. Data latih dan data uji Tahap selanjutnya adalah proses pembagian data menggunakan konsep 3-fold cross validation yaitu membagi data menjadi tiga, masing-masing data TB sebanyak 120 dengan kombinasi data (40 : 40 : 40) dan data bukan TB sebanyak 71 dengan kombinasi data (24 : 24 : 23) yang terbagi menjadi data latih dan data uji, seperti yang ditunjukkan pada Tabel 3. Tabel 3 Kombinasi 3-Fold Cross Validation
Langkah selanjutnya adalah normalisasi. Data pada setiap atribut dihitung sampai dengan didapatkan nilai vote nya. Nilai vote tersebut akan digunakan pada tahap klasifikasi. Klasifikasi Pada tahap ini setiap nilai pada feature diperiksa dan dilihat pada interval berapa nilai tersebut jatuh. Nilai vote yang diberikan setiap kelas untuk setiap feature pada interval yang bersesuaian diambil dan kemudian dijumlahkan. Kelas dengan nilai vote tertinggi menjadi kelas prediksi dari pengujian tersebut. Hasil dari klasifikasi ini akan menghasilkan diagnosa dini penderita dengan keputusan mengarah ke TB Paru atau tidak. Dikatakan mengarah apabila nilai prediksi TB lebih besar dari nilai bukan TB. Akurasi Pengolahan data menggunakan algoritme VFI5 selesai, maka akan diketahui akurasi diagnosa penyakit TB Paru tersebut. Apabila tingkat akurasi TB Paru tinggi (mendekati 100%) maka algoritme VFI5 memiliki akurasi yang baik untuk diagnosa penyakit TB Paru. Proses penghitungan akurasi dilihat pada rumus di bawah ini :
Akurasi =
dapat
Σ data uji benar klasifikasi x 100% Σ total data uji
Iterasi
Data Latih
Data Uji
I
Subset 1, Subset 2
Subset 3
Lingkungan Pengembangan
II
Subset 1, Subset 3
Subset 2
III
Subset 2, Subset 3
Subset 1
Lingkungan pengembangan ini berbasis web, diimplementasikan menggunakan basisdata MySQL. Perangkat lunak pendukungnya menggunakan PHP dengan pengolahnya yaitu Macromedia
7
Dreamwever 8. Adobe Photoshop CS2 sebagai software desainnya.
Paru yang relevan dilihat dari tingkat pengaruh pada setiap gejala.
Arah pengembangan sistem diagnosa ini meliputi :
3-Fold Cross Validation
1 Sistem ini berbasis web (internet). Hal ini dilakukan dengan tujuan sistem diagnosa ini dapat diakses dengan mudah oleh pihak-pihak yang bersangkutan dimanapun berada. 2 Koneksi jaringan yang digunakan adalah jaringan telepon atau teknologi mobile. 3 Konten sistem yang digunakan berupa pertanyaan seputar gejala-gejala TB yang telah ditentukan jenis gejala dan pilihan jawabannya. 4 Teknologi yang dapat digunakan untuk menjalankan sistem ini diantaranya : a Koneksi ke jaringan internet berupa modem b Komputer Pentium III ke lengkap dengan browsernya.
atas
Perangkat keras yang digunakan pada penelitian ini adalah komputer Notebook dengan spesifikasi sebagai berikut :
Data yang telah dikonversi kemudian dibagi tiga sesuai dengan konsep 3-Fold Cross Validation. Pembagian data menjadi 3 dapat dilihat pada Tabel 5. Tabel 5 Pembagian Data dengan Metode 3-Fold Cross Validation Subset
Jumlah Data
I
II
III
TB
120
40
40
40
Bukan TB
71
24
24
23
Jumlah
191
64
64
63
Gejala
Iterasi pertama Pada iterasi pertama data latih berjumlah 128, masing-masing adalah data subset I dan II dari semua kelas. Sedangkan subset III sebanyak 63 data dijadikan sebagai data uji, seperti yang ditunjukkan pada Tabel 6. Tabel 6 Data Iterasi Pertama
• Processor Intel Pentium IV Dual Core 1,86 GB,
Data Latih
Data Uji
• HDD 80GB,
Subset 1 (64 instance)
Subset 3
• RAM 512MB.
Subset 2 (64 instance)
(63 instance)
HASIL DAN PEMBAHASAN Pada tahap awal data gejala TB atau data variabel yang masih berbentuk data ordinal dikonversi menjadi data nominal. Proses ini dilakukan untuk mempermudah proses perhitungan algoritme. Misal data gejala batuk seperti ditunjukkan pada Tabel 4.
Data tersebut di olah menggunakan algoritme VFI5. Langkah pertama adalah proses training, dimana setiap data dicari nilai minimum & maksimumnya sampai dengan didapatkan nilai vote nya. Akurasi hasil perhitungan iterasi pertama adalah 76% dengan instance yang benar sebanyak 48 dari 63.
Tabel 4 Contoh Konversi Data Gejala Batuk
Tabel 7 Confusion Matrix Iterasi Pertama
Nilai Data
Batuk > 3 bulan
4
Batuk 1 – 3 bulan
3
Batuk 1 minggu –1 bulan
2
Tidak Batuk
1
Proses konversi dilakukan melalui konsultasi dengan dokter menggunakan kuisioner dari gejala-gejala TB yang telah ditentukan. Hal ini dilakukan karena pihak dokter lebih memahami setiap gejala TB
Aktual
Gejala
TB
Prediksi Tidak TB
TB
40
10
Tidak TB
5
23
Jumlah instance yang salah berjumlah 15, masing-masing 10 yang seharusnya TB diprediksi bukan TB dan 5 yang seharusnya bukan TB diprediksi TB. Hasil penelitian instance-instance yang salah pada iterasi pertama kelas TB ditunjukkan pada Tabel 8 dan Tabel 9.
8
Tabel 8 Data instance salah iterasi pertama kelas TB Pasien 1 No
Gejala
TB
Bukan TB
Pasien 15
Pasien 17
TB
Bukan TB
Pasien 24
TB
Bukan TB
Pasien 39
TB
Bukan TB
TB
Bukan TB
1.
Batuk
9%
91%
58%
42%
9%
91%
9%
91%
9%
91%
2.
Batuk berdarah
44%
56%
44%
56%
44%
56%
44%
56%
44%
56%
0%
47%
53%
47%
53%
3.
Sakit dinding dada
47%
53%
32%
68%
100 %
4.
Nafas pendek
20%
80%
20%
80%
20%
80%
89%
11%
20%
80%
5.
Berat badan menurun
53%
47%
53%
47%
53%
47%
53%
47%
53%
47%
6.
Demam berkeringat
80%
20%
57%
43%
42%
58%
42%
58%
80%
20%
7.
Hilang nafsu makan
48%
52%
48%
52%
48%
52%
48%
52%
48%
52%
8.
Lemas
66%
34%
66%
34%
66%
34%
66%
34%
66%
34%
43%
57%
47%
53%
49%
51%
46%
54%
43%
57%
Akurasi
Pada pasien 1 gejala yang menentukan seseorang diprediksi TB adalah gejala berat badan menurun, demam berkeringat, dan lemas. Nilai dari gejala tersebut masingmasing 53%, 80%, dan 66%. Nilai gejala tertinggi hanya ada pada gejala demam berkeringat, sedangkan pada berat badan dan lemas nilainya kecil ditambah bobot dari gejala-gejala tersebut bernilai kecil. Artinya pasien prediksi TB hanya dipengaruhi oleh 1 gejala yaitu berat badan menurun. Hal ini menunjukkan bahwa pasien tidak dapat diprediksi hanya dengan gejala berat badan menurun. Gejala yang menentukan seseorang diprediksi TB pada pasien 15 adalah variabel batuk, berat badan menurun, demam berkeringat, dan lemas. Nilai gejala prediksi TB pada pasien 15 rata-rata bernilai kecil, sehingga sulit diprediksi pasien tersebut TB. Pada pasien 17 gejala yang diprediksi TB adalah sakit dinding dada, berat badan menurun, dan lemas. Nilai tertinggi hanya ada pada gejala sakit dinding dada dengan nilai 100%, akan tetapi gejala tersebut tidak terlalu berpengaruh untuk memprediksi pasien tersebut TB. Prediksi TB pada pasien 24 ditentukan oleh gejala nafas pendek, berat badan menurun, dan lemas. Nilai tertinggi hanya ada pada satu gejala, yaitu nafas pendek. Hal ini tidak dapat dijadikan sebagai bahan prediksi TB. Pada pasien 39 prediksi TB ditentukan oleh gejala berat badan menurun, demam berkeringat, dan lemas. Nilai tertingginya
hanya pada gejala demam berkeringat, dan ini tidak dapat dijadikan sebagai prediksi TB. Pada Tabel 8 dapat disimpulkan bahwa salah prediksi yang terjadi disebabkan oleh : 1 Gejala yang diprediksi TB adalah gejala yang mempunyai bobot kecil, seperti nafas pendek, demam berkeringat, dan lemas. 2 Rata-rata hanya satu gejala TB yang mempunyai presentasi tinggi, selebihnya bernilai kurang dari 60%. Tabel 9 Data instance salah iterasi pertama kelas bukan TB. Pasien 42 No
Gejala
1.
Batuk
2. 3. 4. 5. 6. 7. 8.
Batuk berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam berkeringat Hilang nafsu makan Lemas
Akurasi
TB
Bukan TB
58%
42%
44%
Pasien 46
Pasien 49
TB
Bukan TB
TB
Bukan TB
100%
0%
100%
0%
56%
0%
100%
44%
56%
47%
53%
47%
53%
47%
53%
89%
11% 100%
0%
89%
11%
53%
47%
53%
47%
53%
47%
57%
43%
80%
20%
57%
43%
48%
52%
48%
52%
48%
52%
66%
34%
66%
34%
37%
63%
55%
45%
58%
42%
60%
40%
Pada pasien 42 gejala yang memprediksi bukan TB adalah batuk berdarah dan sakit dinding dada. Nilai pada gejala-gejala tersebut sangat kecil yaitu 56% 53%. Hal ini sulit dijadikan sebagai prediksi pasien bukan TB karena rata-rata gejala mengarah ke TB.
9
Gejala yang memprediksi tidak TB pada pasien 46 adalah batuk berdarah, sakit dinding dada, dan, hilang nafsu makan. Nilai tertinggi hanya ada pada gejala batuk berdarah. Hal ini tidak dapat dijadikan sebagai prediksi pasien bukan TB karena satu gejala tidak dapat dijadikan sebagai penentu. Pada pasien 49 gejala yang memprediksi tidak TB adalah batuk bedarah, sakit dinding dada, dan lemas. Nilai pada masing-masing variabel tersebut tergolong kecil, yaitu 53persen, 56persen, 52%, dan 66%. Hal ini menunjukkan bahwa gejala-gejala tersebut tidak dapat dijadikan sebagai indikator penentu pasien tidak TB. Pada Tabel 9 dapat disimpulkan bahwa prediksi bukan TB yaitu gejala-gejala yang rata-rata nilainya kecil dan juga hanya ditentukan oleh 1 gejala. Pada iterasi pertama dapat diambil kesimpulan bahwa prediksi TB atau bukan TB sangat dipengaruhi oleh jumlah, bobot, dan nilai dari masing-masing gejala.
ditunjukkan pada Tabel 12 dan Tabel 13. Tabel 12 Data instance salah iterasi kedua kelas TB Pasien 8 No
1. 2. 3. 4. 5.
6.
7. 8.
Pada tahap ini dilakukan proses yang sama dengan iterasi pertama, hanya data uji dan data latih yang digunakan berbeda. Data latih dan data uji untuk iterasi kedua dapat dilihat pada Tabel 10.
1. 2. 3.
5.
Subset 1 (64 instance)
Subset 2 (64 instance)
Subset 3 (63 instance)
6.
7. 8.
Hasil pengolahan dari iterasi kedua menghasilkan akurasi sebesar 84% dengan jumlah instance yang benar sebanyak 54 dari 64 instance. Tabel 11 Confusion matrix Iterasi kedua Prediksi
Aktual
Data
TB
Tidak TB
TB
40
7
Tidak TB
3
24
Pada iterasi kedua nilai akurasi Algoritme VFI5 sebesar 84%. Instance yang salah berjumlah 10, masing-masing 7 yang seharusnya di TB, diprediksi bukan TB dan 3 yang seharusnya bukan TB, diprediksi TB. Data instance salah iterasi kedua
Lemas
Bukan TB
TB
Bukan TB
57%
43%
57%
43%
41%
59%
41%
59%
45%
55%
45%
55%
29%
71%
29%
71%
51%
49%
51%
49%
44%
56%
37%
63%
49%
51%
49%
51%
32%
68%
71%
29%
45%
55%
48%
52%
Pasien 19
4.
Data Uji
Batuk berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan
TB
Tabel 13 Data instance salah iterasi kedua kelas TB
Tabel 10 Data iterasi kedua Data Latih
Batuk
Akurasi
No
Iterasi kedua
Pasien 15
Gejala
Akurasi
Pasien 26
Gejala
Batuk Batuk berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan Lemas
TB
Bukan TB
TB
Bukan TB
75%
25%
23%
77%
41%
59%
41%
59%
45%
55%
16%
84%
29%
71%
29%
71%
51%
49%
49%
51%
44%
56%
37%
63%
49%
51%
49%
51%
32%
68%
32%
68%
48%
52%
34%
66%
Pada pasien 8 gejala yang memprediksi TB adalah batuk dan berat badan menurun. Nilai dari masing-masing gejala tersebut masih kecil, yaitu 57% dan 51%. Hal ini tidak dapat gejala-gejala tersebut tidak dapat dijadikan prediksi TB. Pada pasien 15 nilai tertinggi gejala yaitu pada gejala lemas saja, hal ini tidak dapat menjadi penentu prediksi pasien tersebut TB. Pada pasien 19 nilai tertinggi gejala yang memprediksi TB hanya pada gejala batuk saja, hal ini sama seperti pada pasien 15 tidak dapat menjadi acuan prediksi TB.
10
Pada pasien 26 tidak ada sama sekali nilai di atas 50%. Hal ini sudah pasti gejalagejala tersebut lebih mengarah pada prediksi bukan TB. Pada Tabel 12 dan 13 prediksi TB ditunjukkan dengan gejala yang rata-rata nilainya kecil. Hal ini menjadi alasan salah prediksi untuk pasien TB pada iterasi kedua.
Iterasi ketiga Pada iterasi ketiga dilakukan kembali proses cross validation dengan data latih menggunakan subset 2 dan subset 3, sedangkan data uji nya menggunakan subset 1. Jumlah instance yang dijadikan data latih dan data uji ditunjukkan pada Tabel 15. Tabel 15 Data iterasi ketiga
Tabel 14 Data instance salah iterasi kedua kelas bukan TB No
1. 2. 3. 4. 5.
6.
7. 8.
Gejala
Batuk Batuk berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan Lemas
Akurasi
Pasien 53
Pasien 59
TB
Bukan TB
TB
Bukan TB
TB
Bukan TB
57%
43%
57%
43%
87%
13%
41%
59%
41%
59%
91%
9%
45%
55%
45%
55%
45%
55%
75%
25%
29%
71%
29%
71%
51%
49%
51%
49%
51%
49%
44%
56%
85%
15%
44%
56%
49%
51%
49%
51%
49%
51%
71%
29%
71%
29%
32%
68%
52%
48%
52%
48%
59%
41%
Pada pasien 52, gejala prediksi bukan TB adalah batuk berdarah, sakit dinding dada, demam berkeringat, dan hilang nafsu makan. Nilai pada gejala-gejala tersebut masih dibawah 60%, hal ini menunjukkan bahwa gejala-gejala tersebut tidak dapat menjadi prediksi pasien bukan TB. Pada pasien 53, gejala bukan TB yang mempunyai nilai tertinggi adalah nafas pendek sebesar 71%. Nafas pendek merupakan gejala yang mempunyai bobot kecil, sehingga nafas pendek tidak dapat dijadikan sebagai prediksi pasien bukan TB. Pada pasien 59, gejala prediksi bukan TB tertinggi adalah pada gejala nafas pendek dan gejala lemas. Gejala nafas pendek dan lemas merupakan gejala yang nilai bobotnya kecil, sehingga gejala tersebut tidak dapat dijadikan sebagai prediksi pasien bukan TB. Pada Tabel 12, 13, dan 14 menunjukkan bahwa iterasi kedua untuk prediksi TB atau bukan TB rata-rata ditentukan oleh gejala nafas pendek. Hal ini menunjukkan bahwa nafas pendek tidak dapat dijadikan sebagai prediksi, selain merupakan gejala umum juga nafas pendek juga mempnyai nilai bobot yang kecil.
Data Uji
Subset 2 (64 instance)
Subset 1 (64 instance)
Subset 3 (63 instance)
Iterasi ketiga merupakan iterasi terakhir yang dilakukan pada penelitian ini. Hasil akurasi pada iterasi ketiga adalah 89% dengan jumlah instance yang benar adalah 57 dari 64 instance. Tabel 16 Confusion matrix iterasi ketiga Prediksi TB Tidak TB
Data Aktual
Pasien 52
Data Latih
TB
40
5
Tidak TB
2
24
Pada iterasi ketiga nilai akurasi Algoritme VFI5 sebesar 89%. Instance yang salah berjumlah 7, masing-masing 5 instance yang seharusnya TB, diprediksi bukan TB dan 3 instance yang seharusnya bukan TB, diprediksi TB. Tujuh data instance yang salah prediksi ditunjukkan pada Tabel 17 dan18. Tabel 17 Data instance salah iterasi ketiga kelas TB Pasien 3 No
1. 2. 3. 4. 5.
6.
7. 8.
Gejala
Batuk Batuk berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan Lemas
Akurasi
Pasien 5
TB
Bukan TB
TB
Bukan TB
47%
53%
47%
53%
44%
56%
44%
56%
45%
55%
45%
55%
73%
27%
73%
27%
16%
84%
16%
84%
45%
55%
45%
55%
50%
50%
50%
50%
60%
40%
42%
58%
44%
56%
43%
57%
11
Tabel 18 Data instance salah iterasi ketiga kelas TB Pasien 11 No
1. 2. 3. 4. 5.
6.
7. 8.
Gejala
Batuk Batuk berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan Lemas
Akurasi
Tabel 19 Data instance salah iterasi ketiga kelas bukan TB
Pasien 21
TB
Bukan TB
TB
Bukan TB
37%
63%
47%
53%
Pasien 42 No
1.
44%
56%
44%
56%
2.
45%
55%
45%
55%
3.
31%
69%
73%
27%
4.
53%
47%
16%
84%
5.
45%
55%
45%
55%
6.
50%
50%
50%
50%
7.
60%
40%
42%
58%
45%
55%
43%
57%
8.
Gejala
Batuk Batuk berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan Lemas
Akurasi
Pasien 51
TB
Bukan TB
TB
Bukan TB
42%
58%
37%
63%
50%
50%
95%
5%
45%
55%
45%
55%
53%
47%
31%
69%
31%
69%
53%
47%
45%
55%
45%
55%
95%
5%
50%
50%
37%
63%
42%
58%
52%
48%
52%
48%
Pada pasien 3 gejala yang diprediksi TB adalah gejala nafas pendek dan lemas, masing-masing 73% dan 60%. Nilai tersebut masih belum dapat dijadikan indikator pasien dinayatakan TB karena dua gejala tersebut merupakan gejala yang nilai bobotnya kecil. Nilai yang di atas 60% hanya satu gejala yaitu nafas pendek saja.
Pada pasien 42 gejala yang diprediksi bukan TB dengan nilai lebih dari 60% adalah berat badan menurun dan lemas, masing-masing 69% dan 63%. Nilai-nilai tersebut tidak dapat dijadikan sebagai indikator pasien diprediksi bukan TB karena gejala lemas merupakan gejala dengan nilai bobot rendah dan juga nilainya hanya 63%.
Pada pasien 5 gejala yang diprediksi TB dengan nilai tertinggi hanya ada pada gejala nafas pendek sebesar 73%. Artinya satu gejala tidak dapat dijadikan sebagai penentu prediksi TB.
Pada pasien 51 nilai gejala prediksi bukan TB yang di atas 60% yaitu pada batuk dan nafas pendek. Nilai dari masing-masing gejala tersebut adalah 63% dan 69%. Nilai tertinggi yaitu pada gejala nafas pendek, hal ini tidak dapat dijadikan sebagai indikator penentu prediksi pasien bukan TB, selain nilai gejala tersebut masih kecil juga gejala nafas pendek merupakan gejala yang mempunyai nilai bobot rendah.
Pada pasien 11 nilai gejala prediksi TB rata-rata di bawah 60%. Hal ini menunjukkan bahwa gejala-gejala tersebut masih sangat kecil kemungkinan untuk dikategorikan pasien tersebut TB. Pada pasien 21 kondisinya hampir sama dengan pasien 5 gejala yang diprediksi TB dengan nilai tertinggi hanya ada pada gejala nafas pendek sebesar 73%. Artinya satu gejala tidak dapat dijadikan sebagai penentu prediksi TB. Pada Tabel 17 dan 18 rata-rata gejala nafas pendek menjadi faktor yang membuat prediksi salah. Nilai gejala nafas pendek cukup tinggi dengan rata-rata lebih dari 60%, akan tetapi gejala tersebut timbu sendiri tidak diikuti oleh gejala lainyang nilainya tinggi. Hal ini dapat disimpulkan bahwa nafas pendek dan satu gejala pada prediksi tidak dapat dijadikan sebagai prediksi TB.
Pada iterasi ketiga, kesalahan instance rata-rata ditunjukkan dengan data gejala berat nafas pendek. Gejala-gejala lain dilura nafas pendek rata-rata bernilai di bawah 60%. Hal ini dapat disimpulkan bahwa prediksi TB atau bukan TB tidak dapat ditentukan oleh satu gejala, terlebih gejala tersebut mempunyai nilai bobot rendah, seperti gejala nafas pendek. Akurasi Hasil dari ketiga iterasi tersebut dirataratakan sehingga menghasilkan akurasi sebesar 83% seperti ditunjukkan pada Tabel 20.
12
Tabel 20 Hasil rata-rata dari semua iterasi Jumlah data uji
Jumlah data latih
Akurasi
Iterasi I
128
63
76%
Iterasi II
127
64
84%
Iterasi III
127
64
89%
Gejala
Rata-rata
83%
(76%, 84%, dan 89%), sehingga didapatkan rata-rata 83%. Gejala umum TB Paru memiliki ke khasan dari gejala-gejala penyakit lainnya, seperti batuk, batuk berdarah, dan berat badan menurun. Dengan algoritme VFI5 dapat diperkirakan seseorang mengarah ke TB atau tidak TB dengan melihat hasil diagnosa tersebut. Saran
Dari ketiga iterasi ini menunjukkan bahwa akurasi diagnosa penyakit Tuberkulosis menggunakan VFI5 dengan 3Fold Cross Validation sebesar 83%.
Penelitian ini dapat dijadikan referensi yang dapat dikembangkan sebagai metode diagnosa dini penyakit khususnya penyakit TB Paru di Indonesia. Untuk penelitian selanjutnya dapat digunakan sumber data lain, misalnya data rekam medis di rumah sakit Persahabatan atau di rumah sakit paru Ciawi - Bogor. Penelitian selanjutnya dapat ditingkatkan dengan pemberikan bobot pada setiap variabel, sehingga akurasi yang didapatkan lebih tinggi.
DAFTAR PUSTAKA Aritonang, Rosida 2006. Klasifikasi Imbalance Data Menggunakan Algoritme Voting Feature Intervals[skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Crofton, John 2002. Tuberkulosis Klinis, Jakarta : Penerbit Widya Medika Gambar 6 Grafik akurasi setiap iterasi Data gejala penentu TB atau tidak TB ditentukan tidak hanya oleh satu variabel, melainkan lebih dari satu variabel. Variabel yang mempunyai prediksi TB tinggi yaitu pada variabel batuk, batuk berdarah, dan berat badan menurun. Hal ini terbukti dari beberapa iterasi yang instance nya salah gejala-gejala tersebut mempunyai nilai tinggi pada hasil sebaliknya. Gejala tersebut juga memiliki nilai bobot cukup tinggi dibandingkan dengan gejala-gejala lainnya walaupun nilainya tinggi.
KESIMPULAN DAN SARAN Kesimpulan Algoritme VFI5 masih termasuk algoritme yang mempunyai akurasi baik pada penelitian diagnosa penyakit. Pada penelitian ini akurasi yang didapatkan masih belum maksimal dengan nilai masingmasing iterasi pertama sampai dengan ketiga
Demiroz G, Guvenir HA, 1997. Classification by Voting Feature Intervals. http://www.cs.ucf.edu/ ~ecl/papers/miros97classification.pdf. Depkes 2007. Pedoman Nasional Penanggulangan Tuberkulosis Jakarta. Fu L. 1994. Neural Network in Computers Intelligence. Singapura : McGraw-Hill. Guvenir. 1998. An expert system for the differential diagnosis of erythematosquamous diseases. Turki : Department of Computer Engineering, Bilkent University. Girsang, Merriyani 2008. Evaluasi Program DOTS (Directly Observed Treatment, Shorcourse Chemotherapy) [tesis]. Jogjakarta : Universitas Gajah Mada.
13
Hamilton H, Gurak E, Findlater L. 2003. Confusion Matrix. http://www2. cs. uregina.ca/ ~dbd/cs831/notes/confusion_ matrix/confusion_matrix.html. Han J, Kamber M. 2001 . Data Mining Concepts & Techniques. USA : Academic Press. Iqbal, Muhammad 2006. Klasifikasi Pasien Suspect Parvo dan Distemper Pada Data Rekam Medik Rumah Sakit Hewan IPB Menggunakan Algoritme Voting Feature
Intervals[skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Syafii, Muhammad 2006. Adaftive Neuro Fuzzy Inference System (ANFIS) Untuk Diagnosa dan Tatalaksana Penyakit Demam Berdarah Dengue [tesis]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor.
14
LAMPIRAN
15
Lampiran 1 Kuisioner pembobotan variabel Bobot variabel gejala TB Paru adalah Penilaian subjektif dokter terhadap tingkat pengaruh antar gejala penyakit TB Paru. Range Bobot (0 – 10) No
Gejala
1
Batuk
2
Batuk berdarah
3
Sakit dinding dada
4
Nafas pendek
5
Berat badan menurun
6
Demam berkeringat
7
Hilang nafsu makan
8
Lemas
Bobot
Jakarta, Penilai
(
Keterangan
Februari 2009
)
16
Lampiran 2 Konversi nilai dari setiap variabel
No 1
Variabel
Batuk a. Tidak Batuk b. Batuk 1 Minggu - < bulan c. Batuk 1 bulan - < 3 bulan d. Batuk > 3bulan
2
3
4
5
6
7
8
Nilai 1 2 3 4
Batuk Berdarah a. Keluar darah < 1 minggu b. Keluar darah 1 minggu - 3 Minggu c. Keluar darah > 3 Minggu d. Tidak keluar darah Sakit Dinding dada a. Sakit dada b. Sakit dada setiap batuk c. Sakit dada sebelah kiri d. Tidak sakit dada Napas Pendek a. < 1 minggu b. > 1 minggu - 1 bln c. > 1 bulan d. Tidak Sesak napas Demam + Keringat Malam a. < 1 minggu b. 1 minggu - 1 bln c. > 1 bulan d. Tidak Demam/Keringat Hilang Napsu Makan a. Ya b. Tidak Berat Badan Menurun a. Ya b. Tidak Lemas a. Tidak Lemas b. 1 - 2 Minggu c. > 2 Minggu
2 3 4 1 2 4 3 1 2 3 4 1 2 3 4 1 2 1 2 1 1 2 3
17
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Ber- keringat
Hilang Nafsu Makan
Lemas
Kelas
Lampiran 3 Data pasien TB rawat inap Rumah Sakit Pasar Rebo tahun 2008
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43
2 2 2 3 2 2 2 2 2 2 2 4 3 4 3 3 1 2 2 2 1 4 2 2 2 1 2 2 2 2 4 3 4 2 2 2 4 4 3 2 4 3 2
1 3 1 3 1 1 4 1 3 3 1 1 3 3 1 4 1 3 1 1 1 3 1 1 3 3 1 1 1 1 1 3 3 1 1 3 3 1 3 1 1 1 3
1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 2 1 1 2 1 1 1 2 1 4 2 1 1 1 2 1 1 1 1 1 1 1 1 1 2 1 1 1
2 2 2 1 2 2 1 2 1 2 2 1 3 2 2 2 2 1 3 2 1 2 2 2 2 2 2 1 2 3 2 1 4 2 2 2 2 3 1 2 1 3 1
2 1 2 1 2 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 2 1 2 1 1 1 1 1 1 2 1 1 2 1 1 1 3 1 1 1 3 1 1 1 3 2 2 2 1 2 1 2 1 1 2 1 2 1 1 1
1 1 1 2 2 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3 3 1 3 3 3 1 1 3 3 1 3 1 1 3 1 3 3 1 3 3 3 3 3 3 1 1 1 3 3 3 1 3 3 3 3 3 3 3 3 3 3 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
18
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Ber- keringat
Hilang Nafsu Makan
Lemas
Kelas
Lanjutan
44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86
2 2 4 3 2 2 2 2 2 4 2 2 2 2 2 4 2 3 2 2 3 2 1 2 2 2 4 4 2 4 3 2 2 2 2 2 2 1 2 3 2 1 2
1 1 1 1 1 1 3 3 3 1 3 1 3 3 3 1 1 1 1 1 1 3 1 1 3 3 3 3 1 3 1 1 1 1 1 3 1 1 1 1 1 3 1
1 1 1 1 1 1 1 1 1 1 3 1 1 4 1 1 2 1 1 1 2 3 3 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 2 1
2 2 2 2 1 2 2 2 2 1 2 1 1 2 2 1 2 2 2 3 2 2 1 2 2 2 2 1 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 2 2 3 1 1 1 1 3 1 1 3 1 1 1 1 1 2 3 3 2 1 3 1 1 1 2 2 2 1 2 1 4 1 2 1 1 2 2 3 2 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3 3 3 3 1 1 3 1 3 3 1 3 3 1 3 1 1 1 3 3 3 3 1 1 1 3 1 1 3 1 3 1 3 3 1 3 3 3 1 1 1 3 3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
19
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Ber- keringat
Hilang Nafsu Makan
Lemas
Kelas
Lanjutan
87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129
4 3 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 1 2 1 4 2 2 3 2 3 1 2 1 3 2 1 1 4 1 1 1 1 1 1 1 1 1
3 3 1 3 3 1 3 3 1 3 1 3 1 1 3 3 3 1 1 1 1 3 3 3 3 3 3 1 1 1 1 1 1 3 1 3 1 1 1 1 1 1 1
2 4 2 2 2 1 1 1 3 2 2 2 1 2 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1 1 2 2 1 2 1 1 1 3 1 1 1 1 1
4 3 2 1 1 2 1 2 1 2 1 2 2 2 1 2 2 2 3 2 1 1 2 1 1 1 1 2 2 2 3 2 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2
4 1 1 1 1 1 1 1 3 1 1 1 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 2 2 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 3 3 3 1 3 1 3 3 3 3 1 3 1 1 1 3 3 1 3 3 3 3 1 1 3 3 3 3 3 3 3 3 1 1 1 1 1 1 1 1 1 3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
20
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Ber- keringat
Hilang Nafsu Makan
Lemas
Kelas
Lanjutan
130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163
1 1 2 1 1 2 1 2 2 1 1 1 2 1 1 2 2 2 2 2 2 1 1 1 2 2 2 2 2 1 1 2 2 3
1 3 1 1 1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 2 2 1 1 1 3
1 1 3 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 2 1 1 1 1 1 2 1
1 1 3 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 3 1 1 1 3 3 3 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 3 3 1 1 3 1 1 3 1 1 1 1 3 3 3 3 1 1 1 3 3 3 1 3 3 3 1 2 2 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
21
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Ber- keringat
Hilang Nafsu Makan
Lemas
Kelas
Lanjutan
164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191
2 1 2 2 2 2 4 2 1 3 4 2 2 2 2 2 1 2 2 2 2 1 2 2 2 2 1 2
1 2 2 1 2 1 2 2 1 1 1 1 1 1 1 2 2 2 1 1 1 1 2 1 1 1 1 1
3 1 1 1 1 1 1 1 1 1 1 3 1 2 2 1 1 1 1 1 3 1 1 1 1 3 1 1
1 1 1 1 1 2 3 2 1 2 2 3 1 3 1 1 1 2 1 1 1 1 2 2 1 3 2 1
1 1 2 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 1
2 2 1 1 1 3 2 1 3 1 3 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 3 1 3 3 3 1 1 1 1 1 1 1 3 1 1 3 3 1 1 1 1 3 3 1 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
22
Lampiran 4 Data testing iterasi I
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Berkeringat
Hilang Nafsu Makan
Lemas
Kelas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
1 2 3 2 1 2 4 3 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 1 2 1 4 2 2 3 2 3 1 2 1 3 2 1 1 4 2 4 2 1 3
1 1 1 1 3 1 3 3 1 3 3 1 3 3 1 3 1 3 1 1 3 3 3 1 1 1 1 3 3 3 3 3 3 1 1 1 1 1 1 3 1 2 2 1 1
1 1 1 1 2 1 2 4 2 2 2 1 1 1 3 2 2 2 1 2 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1 1 2 2 1 2 1 1 1 1 1
1 2 2 2 2 2 4 3 2 1 1 2 1 2 1 2 1 2 2 2 1 2 2 2 3 2 1 1 2 1 1 1 1 2 2 2 3 2 1 1 2 3 2 1 2
1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 2 3 2 1 1 4 1 1 1 1 1 1 1 3 1 1 1 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 2 2 1 3 2 1 3 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3 1 1 1 3 3 1 3 3 3 1 3 1 3 3 3 3 1 3 1 1 1 3 3 1 3 3 3 3 1 1 3 3 3 3 3 3 3 3 1 3 3 3 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
23
Lanjutan
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Berkeringat
Hilang Nafsu Makan
Lemas
Kelas
46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63
4 2 2 2 2 2 1 2 2 2 2 1 2 2 2 2 1 2
1 1 1 1 1 2 2 2 1 1 1 1 2 1 1 1 1 1
1 3 1 2 2 1 1 1 1 1 3 1 1 1 1 3 1 1
2 3 1 3 1 1 1 2 1 1 1 1 2 2 1 3 2 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 1
3 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 3 1 1 3 3 1 1 1 1 3 3 1 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Lampiran 5 Data testing iterasi II
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Berkeringat
Hilang Nafsu Makan
Lemas
Kelas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
4 3 2 2 2 4 3 2 2 2 2 2 4 2 2 2 2 2 4 2
1 1 3 1 1 1 1 1 1 3 3 3 1 3 1 3 3 3 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 1 4 1 1 2
1 3 1 2 2 2 2 1 2 2 2 2 1 2 1 1 2 2 1 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 2 2 3 1 1 1 1 3 1 1 3 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3 3 1 3 3 3 3 1 1 3 1 3 3 1 3 3 1 3 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
24
Lanjutan
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Berkeringat
Hilang Nafsu Makan
Lemas
Kelas
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
3 2 2 3 2 1 2 2 2 4 4 2 4 3 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 2 2 2 2 2 1 1 2 2 3 2 1 2 2 2
1 1 1 1 3 1 1 3 3 3 3 1 3 1 1 1 1 1 3 1 1 1 1 1 1 2 1 1 1 1 1 1 1 2 2 1 1 1 3 1 2 2 1 2
1 1 1 2 3 3 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 1 1 1 1 1 1 1 3 1 1 1 1
2 2 3 2 2 1 2 2 2 2 1 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 2 1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1
1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 2 1 2
2 3 3 2 1 3 1 1 1 2 2 2 1 2 1 4 1 2 1 1 3 3 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 2 2 1 1 1
1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 3 3 3 3 1 1 1 3 1 1 3 1 3 1 3 3 1 3 3 3 3 3 3 1 1 1 3 3 3 1 3 3 3 1 2 2 1 1 1 1 1 3 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
25
Lampiran 6 Data testing iterasi III
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Berkeringat
Hilang Nafsu Makan
Lemas
Kelas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
2 2 2 3 2 2 2 2 2 2 2 4 3 4 3 3 1 2 2 2 1 4 2 2 2 1 2 2 2 2 4 3 4 2 2 2 4 4 3 2 1 1 1 1 1
1 3 1 3 1 1 4 1 3 3 1 1 3 3 1 4 1 3 1 1 1 3 1 1 3 3 1 1 1 1 1 3 3 1 1 3 3 1 3 1 1 3 1 1 1
1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 2 1 1 2 1 1 1 2 1 4 2 1 1 1 2 1 1 1 1 1 1 1 1 1 2 1 1 1 3 1
2 2 2 1 2 2 1 2 1 2 2 1 3 2 2 2 2 1 3 2 1 2 2 2 2 2 2 1 2 3 2 1 4 2 2 2 2 3 1 2 1 1 1 1 1
2 1 2 1 2 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 2 1 2 1 1 1 1 1 1 2 1 1 2 1 1 1 3 1 1 1 3 1 1 1 3 2 2 2 1 2 1 2 1 1 2 1 2 1 1 1 1 1
1 1 1 2 2 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3 3 1 3 3 3 1 1 3 3 1 3 1 1 3 1 3 3 1 3 3 3 3 3 3 1 1 1 3 3 3 1 3 3 3 3 3 3 3 3 1 1 1 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
26
Lanjutan
No
Batuk
Batuk Berdarah
Sakit Dinding Dada
Nafas Pendek
Berat Badan Turun
Demam & Berkeringat
Hilang Nafsu Makan
Lemas
Kelas
46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
1 1 1 1 1 1 2 1 1 2 1 2 2 1 1 1 2 1 1
1 1 1 1 1 3 1 1 1 1 1 2 1 1 1 1 1 2 1
1 1 1 1 1 1 3 1 1 1 1 3 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1
1 1 1 2 1 1 3 1 1 1 2 1 1 1 1 1 1 2 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 1 1 3
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 3 1 1 1 3 3 1 1 3 1 1 3 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
No
Batuk
Batuk Berdarah
Sakit dinding dada
Napas Pendek
Berat Badan Menurun
Demam & Berkeringat
Hilang Nafsu Makan
lemas
kelas
TB
Bukan TB
Lampiran 7 Instance salah iterasi I Kelas TB
1 2 3 4 5 6 7 8
1 2 1 1 2 1 1 1
1 1 1 1 1 1 1 1
1 3 2 1 1 1 1 1
1 1 1 2 3 2 2 1
1 1 1 1 1 1 1 1
2 3 1 1 1 1 1 2
1 1 1 1 1 1 1 1
3 3 3 3 1 3 3 3
0 0 0 0 0 0 0 0
43,2% 43,5% 48,9% 45,8% 48,6% 45,8% 45,8% 43,2%
56,8% 56,5% 51,1% 54,2% 51,4% 54,2% 54,2% 56,8%
27
No
Batuk
Batuk Berdarah
Sakit dinding dada
Napas Pendek
Berat Badan Menurun
Demam & Berkeringat
Hilang Nafsu Makan
lemas
kelas
TB
Bukan TB
Lampiran 8 Instance salah iterasi I Kelas Bukan TB
1 2 3 4 5
2 4 4 2 2
1 2 1 1 1
1 1 1 2 2
2 3 2 3 1
1 1 1 1 1
3 2 3 1 1
1 1 1 1 1
3 3 1 1 1
1 1 1 1 1
51,1% 54,0% 52,0% 56,7% 50,5%
48,9% 46,0% 48,0% 43,3% 49,5%
No
Batuk
Batuk Berdarah
Sakit dinding dada
Napas Pendek
Berat Badan Menurun
Demam & Berkeringat
Hilang Nafsu Makan
lemas
kelas
TB
Bukan TB
Lampiran 9 Instance salah iterasi II Kelas TB
1 2 3 4 5 6 7
2 2 2 4 1 2 2
1 1 1 1 1 1 1
1 1 1 1 3 1 1
1 2 1 1 1 2 2
1 1 1 1 2 1 1
1 1 3 1 3 1 1
1 1 1 1 1 1 1
1 1 3 1 1 1 1
0 0 0 0 0 0 0
45% 49% 48% 48% 34% 49% 49%
55% 51% 52% 52% 66% 51% 51%
No
Batuk
Batuk Berdarah
Sakit dinding dada
Napas Pendek
Berat Badan Menurun
Demam & Berkeringat
Hilang Nafsu Makan
lemas
kelas
TB
Bukan TB
Lampiran 10 Instance salah iterasi II Kelas Bukan TB
1 2 3
2 2 3
1 1 3
1 1 1
2 1 1
1 1 1
1 2 1
1 1 1
3 3 1
1 1 1
52% 52% 59%
48% 48% 41%
28
No
Batuk
Batuk Berdarah
Sakit dinding dada
Napas Pendek
Berat Badan Menurun
Demam & Berkeringat
Hilang Nafsu Makan
lemas
kelas
TB
Bukan TB
Lampiran 11 Instance salah iterasi III Kelas TB
1 2 3 4 5
2 2 2 2 1
1 1 1 1 1
1 3 1 1 1
2 2 2 2 1
2 2 1 1 1
1 1 1 1 1
1 2 1 1 1
1 3 1 1 3
0 0 0 0 0
43% 46% 49% 49% 45%
57% 54% 51% 51% 55%
No
Batuk
Batuk Berdarah
Sakit dinding dada
Napas Pendek
Berat Badan Menurun
Demam & Berkeringat
Hilang Nafsu Makan
lemas
kelas
TB
Bukan TB
Lampiran 12 Instance salah iterasi III Kelas Bukan TB
1 2
1 1
3 3
1 1
1 1
1 1
1 1
1 1
1 1
1 1
52% 52%
48% 48%
Lampiran 13 Confusion Matrix Iterasi Pertama
Aktual
Data
TB
Prediksi Tidak TB
TB
40
10
Tidak TB
5
23
Lampiran 14 Confusion Matrix Iterasi Kedua
Aktual
Data
TB
Prediksi Tidak TB
TB
40
7
Tidak TB
3
24
Lampiran 15 Confusion Matrix Iterasi Ketiga
Aktual
Data
TB
Prediksi Tidak TB
TB
40
5
Tidak TB
2
24
29
Lampiran 16 Halaman utama sistem
Lampiran 17 Halaman training sistem
30
Lampiran 18 Halaman testing sistem
Lampiran 19 Halaman simulasi sistem
31
Lampiran 20 Halaman akurasi simulasi sistem
Lampiran 21 Halaman utama publik