JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
1
APLIKASI PENDUKUNG KEPUTUSAN UNTUK DETEKSI DINI RISIKO PENYAKIT STROKE MENGGUNAKAN LOGIKA FUZZY MAMDANI : STUDI KASUS DI RS XYZ Ahmad Fashel Sholeh, Prof. Ir. Arif Djunaidy, M.Sc., Ph.D., Wiwik Anggraeni. S.Si., M.Kom. Jurusan Sistem Informasi, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Jl. Sukolilo, Surabaya 60111 E-mail:
[email protected],
[email protected],
[email protected] Abstrak — Stroke merupakan salah satu penyakit yang dapat menimbulkan tingkat kematian maupun cacat tubuh yang tertinggi. Keadaan ini dapat dicegah dengan mengurangi dan mengenali risiko yang dapat terjadi sedini mungkin. Organisasi stroke dunia mencatat bahwa hampir 85% orang yang mempunyai faktor risiko dapat terhindar dari penyakit stroke apabila mereka menyadari dan mengatasi faktor risiko tersebut sejak dini. Bagi para ahli saraf, diagnosis risiko terkena penyakit stroke merupakan hal yang tidak mudah, karena selain faktor risiko yang beragam, juga tidak terdapat perbedaan gejala yang begitu jelas antara mereka yang sehat dan mereka yang berisiko terkena stroke. Oleh karena itu, sebuah sistem pendukung keputusan untuk membantu ahli saraf dalam melakukan analisis terhadap faktor-faktor risiko penyakit stroke diperlukan agar diagnosis dapat dilakukan dengan akurat. Dalam Tugas Akhir ini, sistem pendukung keputusan untuk membantu proses analisis risiko terkena serangan stroke dimodelkan sebagai sebuah pengklasifikasi berbasis logika fuzzy mamdani. Fungsi keanggotaan dan aturan fuzzy dari sistem didasarkan pada pengetahuan seorang pakar dan data rekam medik yang diperoleh dari rumah sakit XYZ. Pengklasifikasi yang dibuat mempunyai sembilan variabel masukan dan satu variabel keluaran. Kesembilan variabel masukan tersebut terdiri dari tekanan darah, kadar gula, kolesterol total, low density lipoprotein (LDL), usia, jenis kelamin, asam urat, blood urea nitrogen (BUN), dan kreatinin. Sedang variabel keluaran mewakili salah satu status kelas risiko terkena serangan stroke, yaitu rendah, sedang, dan tinggi. Aplikasi yang telah berhasil dibuat dengan menggunakan bahasa pemrograman Java dan didesain untuk dijalankan dalam lingkungan sistem operasi Windows telah dilakukan uji coba verifikasi dan uji coba kinerja. Uji verifikasi yang dilakukan dengan menggunakan toolbox logika fuzzy MATLAB R2009a menunjukkan bahwa aplikasi memberikan hasil yang sama. Sedang hasil uji coba kinerja dari aplikasi menunjukkan tingkat akurasi total sebesar 82,98% dan tingkat keandalan prediksi untuk tingkat risiko tinggi, sedang, dan rendah berturut-turut sebesar 85,71%, 76,92%, dan 83,33%. Dengan demikian, sistem pendukung keputusan untuk deteksi dini penyakit stroke ini dapat digunakan sebagai alat bantu bagi ahli saraf dalam mendeteksi risiko terkena penyakit stroke dan dapat dimanfaatkan sebagai metode alternatif dalam mendeteksi dini risiko terkena penyakit stroke. Kata kunci — Penyakit stroke, faktor risiko, deteksi dini, logika fuzzy mamdani
I. PENDAHULUAN Stroke merupakan salah satu penyakit yang menyebabkan kematian dan cacat tertinggi. Namun, akibat fatal tersebut bisa dicegah dengan mengurangi faktor risiko dan paling penting perlu mengenali gejalanya sedini mungkin. Stroke ringan seringkali ditandai dengan gejala–gejala yang mirip dengan gangguan kesehatan lainnya sehingga kemungkinan sebagian besar mengabaikannya. Untuk mencegah risiko stroke besar yang melumpuhkan, ada baiknya memperhatikan dan mengenali gejala–gejala stroke sejak dini. Dalam domain risiko serangan stroke, tekanan darah, umur, jenis kelamin, kolesterol dan riwayat diabetes merupakan faktor risiko utama yang mempengaruhi risiko penyakit stroke [5]. Karena banyak faktor risiko dan pasti dalam risiko penyakit stroke, kadang-kadang diagnosis penyakit stroke sulit bagi para ahli. Dengan kata lain, tidak terdapat batas yang ketat antara apa yang sehat, apa yang berisiko dan apa yang sakit, sehingga membedakannya tidak pasti dan jelas [2]. Memiliki banyak faktor untuk menganalisis dan mendiagnosis penyakit stroke pada pasien membuat pekerjaan dokter menjadi sulit. Jadi, ahli memerlukan sistem yang akurat yang mempertimbangkan risiko faktor-faktor ini dan menunjukkan hasil tertentu dalam rentang yang pasti. Termotivasi oleh kebutuhan tersebut, diperlukan sebuah sistem pakar yang dapat menjelaskan proses pemodelan konsep medis sebagai pemetaan dari dunia nyata konsep medis ke model komputasi Konsep sistem pakar logika fuzzy sangat fleksibel dan mempunyai toleransi terhadap data-data yang tidak tepat serta didasarkan pada bahasa alam. Logika fuzzy dapat memodelkan relevansi dari beberapa penyebab peyakit stroke yang bermacam–macam sehingga dapat meminimalkan efek dari berbagai ketidakpastian yang dapat terjadi pada penyebab penyakit stroke. Pada dunia medis, metode fuzzy sudah pernah digunakan oleh peneliti–peneliti atau beberapa ilmuwan dalam mengatasi berbagai masalah–masalah yang komplek, beberapa diantaranya seperti Diagnosis penyakit jantung [1] dan Manajemen kanker payudara [4]. Sistem pakar dibuat hanya pada domain pengetahuan tertentu untuk suatu kepakaran tertentu yang mendekati kemampuan manusia di salah satu bidang saja. Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah seperti pembuatan keputusan (decision making), pemaduan pengetahuan (knowledge fusing), pembuatan desain (designing), perencanaan (planning) dan perakiraan (forecasting).
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 Paper ini akan membahas analisis hasil menerapkan metode logika fuzzy dalam mendeteksi dini risiko terkena penyakit stroke. Hasil keputusan aplikasi deteksi dini ini diharapkan dapat menjadi metode alternatif dalam mendiagnosis risiko terkena serangan stroke. Sedangkan bagi para ahli, sistem deteksi dini ini dapat digunakan sebagai asisten yang berpengalaman. II. METODE Berikut ini adalah gambar metodologi tugas akhir yang digunakan.
Gambar 1 Diagram Alur Metodologi Pengerjaan Tugas Akhir
Pengolahan Data Data yang akan digunakan dalam tugas akhir ini meliputi data hasil wawancara dengan sistem pakar yakni dokter spesialis saraf dan data rekam medik pada RS XYZ. Setelah dilakukan pengumpulan data yang mendukung, maka dilakukan tahapan analisis nilai yang kosong. Proses ini dilakukan untuk melihat dan menganalisis nilai yang kosong pada setiap variabel. Analisis nilai yang kosong pada dasarnya tidak bermasalah bagi keseluruhan data, apalagi jika jumlahnya hanya sedikit, misal hanya satu persen dari seluruh data. Namun jika persentase data yang hilang tersebut cukup besar, maka perlu dilakukan pengujian apakah data yang mengandung banyak nilai yang kosong tersebut masih layak diproses lebih lanjut ataukah tidak. Setelah dilakukan analisis nilai yang kosong, maka proses selanjutnya yaitu melakukan proses pengisian nilai data yang kosong. Proses pengisian nilai yang kosong dilakukan dengan mengisi nilai rata-rata setiap variabel. Pembuatan Aplikasi Pada tahapan ini dilakukan pembuatan aplikasi berbasis desktop dengan bahasa pemrograman Java. Proses pembuatan aplikasi ini dilakukan dengan bantuan library jfuzzy logic yang dikembangkan oleh Pablo Cingolani. Library ini akan memproses seluruh desain fungsi keanggotaan dan aturan logika fuzzy pada bagian khusus yang dinamakan dengan Fuzzy Control Language. Selain itu, juga dilakukan pembuatan aplikasi pada toolbox fuzzy logic di MATLAB. Pembuatan aplikasi dimulai dengan pembentukan fungsi
2 keanggotaan, kemudian dilakukan pembentukan aturan logika fuzzy, setelah fungsi keanggotaan dan aturan logika dibuat, maka kemudian dilakukan proses klasifikasi logika fuzzy. III. PEMBENTUKAN FUNGSI KEANGGOTAAN Bagian ini menjelaskan tentang pembentukan fungsi keanggotaan di dalam logika fuzzy, fungsi keanggotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dalam hal ini nilai objek variabel ke dalam bentuk fuzzy dan menghasilkan keputusan yang akurat. Pendefinisian fungsi keanggotaan berdasarkan justifikasi dokter spesialis saraf yang terkait dan beberapa referensi dari buku, artikel atau jurnal. A. Variabel Masukan Variabel masukan merupakan variabel-variabel yang akan digunakan dalam logika fuzzy. Ada Sembilan variabel yang digunakan yaitu tekanan darah, kadar gula darah, kolesterol total, kolesterol – low density lipoprotein (LDL), usia, asam urat, jenis kelamin, blood urea nitrogen (BUN) dan kreatinin. 1) Tekanan Darah Pada variabel ini, jenis tekanan darah yang digunakan yaitu sistolik. Variabel masukan untuk tekanan darah dibagi menjadi tiga himpunan fuzzy, yaitu : “Normal”, “Hipertensi Tahap I” dan “Hipertensi Tahap II”. Tabel keanggotaan dapat dilihat pada tabel 1. Gambar 2 merupakan fungsi keanggotaan tekanan darah. Fungsi keanggotaan yang digunakan adalah fungsi trapesium. Persamaan 1, 2 dan 3 merupakan hasil dari pembentukan fungsi keanggotaan tekanan darah. Tabel 1 Himpunan Fuzzy untuk Variabel Tekanan Darah Input Range Fuzzy set < 120 Normal Tekanan 120–139 Prahipertensi darah 140–159 Hipertensi Tahap I > 160 Hipertensi Tahap II
Gambar 2 Fungsi Keanggotaan Tekanan Darah
µNormal (x)
1 (125 – x)/5 0
X <= 120 120< x < 125 X >= 125
(1)
µHipertensi Tahap I (x)
0 (x – 120)/20 1 (160 – x)/1 0
X <= 120 120 < x < 140 140<=x<=158 158 < x < 160 X >= 160
(2)
µHipertensi Tahap II (x)
0 (160 – x)/5 1
X <= 155 155 < x < 160 X >= 160
(3)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
3
2) Kadar Gula Darah Pada variabel ini, kadar gula darah yang digunakan yaitu kadar gula darah normal yang diukur 2 jam setelah makan. Dalam variabel ini didefinisikan empat himpunan fuzzy, yaitu : “Rendah”, “Normal”, “Intermediete” dan “Diabetes”. Tabel keanggotaan dapat dilihat pada tabel 2. Gambar 3 merupakan fungsi keanggotaan kadar gula. Fungsi keanggotaan yang digunakan adalah fungsi trapesium. Persamaan 4, 5, 6 dan 7 merupakan hasil dari pembentukan fungsi keanggotaan kadar gula. Tabel 2 Himpunan Fuzzy untuk Variabel Kadar Gula Darah Input Range Fuzzy set < 60 mg/dl Rendah 60-139 mg/dl Normal Kadar gula 140-199 mg/dl Intermediete >= 200 mg/dl Diabetes
Gambar 4 Fungsi Keanggotaan Kolesterol Total
µNormal (x)
1 (215 – x)/15 0
X <= 200 200 < x < 215 X > 215
(8)
µTinggi (x)
0 (x – 200)/35 1 (240 – x)/2 0
X <= 200 200 < x < 235 235<=x<=239 238 < x < 240 X > 240
(9)
µSangat Tinggi (x)
Gambar 3 Fungsi Keanggotaan Kadar Gula Darah
µRendah (x)
1 (60 – x)/5 0
µNormal (x)
0 (x - 60)/79 1 (160 – x)/5 0
µIntermediete (x)
0 (x – 150)/20 1 (199 – x)/19 0
µDiabetes (x)
0 (200 – x)/4 1
X < 55 55 < x < 60 X >= 60
(4)
X < 60 60 < x < 139 139<=x<=155 155 < x < 160 X >= 160
(5)
X < 195 195 < x < 200 X >= 200
X <= 235 235 < x < 250 X >= 250
(10)
4) Kolesterol - Low density lipoprotein (LDL) Kolesterol yang digunakan sebagai masukan di variabel ini adalah LDL. Pada variabel ini dibagi menjadi tiga himpunan fuzzy, yaitu : “Normal”, “Tinggi”, dan “Sangat Tinggi”. Tabel keanggotaan dapat dilihat pada tabel 4. Gambar 5 merupakan fungsi keanggotaan Kolesterol-LDL. Fungsi keanggotaan yang digunakan adalah fungsi trapesium. Persamaan 11, 12 dan 13 merupakan hasil dari pembentukan fungsi keanggotaan LDL. Input LDL
X <= 150 150 < x < 170 170<=x<=180 180 < x < 199 X > 199
0 (x – 235)/15 1
Tabel 4 Himpunan Fuzzy untuk Variabel LDL Range Fuzzy set < 100 mg/dl Normal 130-159 mg/dl Tinggi >= 190 mg/dl Sangat tinggi
(6)
(7) Gambar 5 Fungsi Keanggotaan LDL
3) Kolesterol Total Pada variabel ini dibagi menjadi tiga himpunan fuzzy, yaitu: “Normal”, “Tinggi”, dan “Sangat Tinggi”. Tabel keanggotaan dapat dilihat pada tabel 3 dibawah ini. Gambar 4 merupakan fungsi keanggotaan kolesterol total. Fungsi keanggotaan yang digunakan adalah fungsi trapesium. Persamaan 8, 9 dan 10 merupakan hasil dari pembentukan fungsi keanggotaan kolesterol total. Tabel 3 Himpunan Fuzzy untuk Variabel Kolesterol Total Input Range Fuzzy set < 200 mg/dL Normal Kolesterol 200-239 mg/dl Tinggi Total >= 240 mg/dl Sangat Tinggi
µNormal (x)
1 (129 – x)/29 0
X <= 100 100 < x < 129 X >= 129
(11)
µTinggi (x)
0 (x – 100)/30 1 (189 – x)/30 0
X <= 100 100 < x < 130 130<=x<=159 159 < x < 189 X >= 189
(12)
µSangat Tinggi (x)
0 (x – 160)/30 1
X <= 160 160 < x < 190 X >= 190
(13)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
4
5) Usia Variabel untuk usia dibagi menjadi tiga himpunan fuzzy, yaitu : “Muda”, “Paruh baya” dan “Tua”. Tabel keanggotaan dapat dilihat pada tabel 5. Gambar 5 merupakan fungsi keanggotaan usia. Fungsi keanggotaan yang digunakan adalah fungsi trapesium. Persamaan 14, 15 dan 16 merupakan hasil dari pembentukan fungsi keanggotaan usia.
Tabel 7 Himpunan Fuzzy untuk Variabel Asam Urat (pr) Input Range Fuzzy set <= 2,6 mg/dL Rendah Asam urat (pr) 2,6 - 6,0 mg/dl Normal >= 6,0 mg/dl Asam urat
Tabel 5 Himpunan Fuzzy untuk Variabel usia Input Range Fuzzy set <= 30 Muda Usia 40 – 50 Paruh baya >= 60 Tua Gambar 8 Fungsi Keanggotaan Asam Urat (pr)
Gambar 6 Fungsi Keanggotaan Usia
µMuda (x)
1 (37 – x)/7 0
µParuh baya (x)
0 (x – 33)/7 1 (57 – x)/7 0
µTua (x)
0 (x - 53)/7 1
µRendah (lk) (x)
1 (3.5 – x)/0.5 0
X <= 3 3 < x < 3.5 X > 3.5
(17)
µNormal (lk) (x)
0 (x – 3)/0.5 1 (7 – x)/0.5 0
X <= 3 3 < x < 3.5 3.5<= x <=6.5 6.5 < x < 7 X >= 7
(18)
µAsam urat (lk) (x)
0 (7 – x)/0.5 1
X < 6.5 6.5 < x < 7 X >= 7
(19)
X <= 30 30 < x < 37 X >= 37
(14)
X <= 33 33 < x < 40 40 <= x <= 50 50< x < 57 X >= 57
(15)
µRendah (pr) (x)
1 (2.6 – x)/0.6 0
X <= 2 2 < x < 2.6 X > 2.6
(20)
(16)
µNormal (pr) (x)
0 (x – 2)/0.6 1 (6 – x)/1 0
X <= 2 2 < x < 2.6 2.6 <= x <= 5 5<x<6 X >= 6
(21)
µAsam urat (pr) (x)
0 (6 – x)/1 1
X<5 5<x<6 X >= 6
(22)
X <= 53 53 < x < 60 X >= 60
6) Asam Urat Kadar asam urat normal pada pria berkisar 3,5 - 7 mg/dL, sedangkan pada wanita 2,6 - 6 mg/dl. Pada variabel ini, didefinisikan tiga himpunan fuzzy, yaitu : “Rendah”, “Normal” dan “Asam urat”. Tabel keanggotaan dapat dilihat pada tabel 6 dan tabel 7. Gambar 7 dan 8 merupakan fungsi keanggotaan asam urat. Fungsi keanggotaan yang digunakan adalah fungsi trapesium. Persamaan 17 sampai 22 merupakan hasil dari pembentukan fungsi keanggotaan asam urat. Tabel 6 Himpunan Fuzzy untuk Variabel Asam Urat (lk) Input Range Fuzzy set <= 3,5 mg/dL Rendah Asam urat (lk) 3,5 - 7,0 mg/dl Normal >= 7,0 mg/dl Asam urat
7) Jenis Kelamin Pada variabel ini terdapat satu himpunan fuzzy “benar” yang memiliki dua nilai (0,1), nilai “0” mewakili jenis kelamin perempuan dan nilai “1” mewakili jenis kelamin laki-laki. 8) Blood Urea Nitrogen (BUN) Pada variabel ini dibagi menjadi tiga himpunan fuzzy, yaitu: “Rendah”, “Normal” dan “Tinggi”. Tabel keanggotaan dapat dilihat pada tabel 8. Gambar 9 merupakan fungsi keanggotaan BUN. Fungsi keanggotaan yang digunakan adalah fungsi trapesium. Persamaan 23, 24 dan 25 merupakan hasil dari pembentukan fungsi keanggotaan BUN. Tabel 8 Himpunan Fuzzy untuk Variabel BUN Range Fuzzy set < 6 mg/dL Rendah BUN 6-23 mg/dl Normal > 23 mg/dL Tinggi Input
Gambar 7 Fungsi Keanggotaan Asam Urat (lk)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
5 B. Variabel Keluaran Tujuan dari sistem ini adalah mengidentifikasi status risiko seseorang terkena penyakit stroke. Variabel keluaran bernilai 0-10 yang mempresentasikan risiko rendah, risiko sedang dan risiko tinggi. Tabel keanggotaan dapat dilihat pada tabel 10. Gambar 11 merupakan fungsi keanggotaan variabel keluaran. Fungsi keanggotaan yang digunakan adalah fungsi trapesium dan fungsi segitiga.
Gambar 9 Fungsi Keanggotaan BUN µRendah (x)
1 (6 – x)/1 0
X <= 5 5<x<6 X>6
(23)
µNormal (x)
0 (x – 5)/1 1 (23 – x)/3 0
X <= 5 5<x<6 6 <= x <= 20 20 < x < 23 X >= 23
(24)
µTinggi (x)
0 (23 – x)/3 1
X <= 20 20 < x < 23 X > 23
(25)
9) Kreatinin Pada variabel ini dibagi menjadi tiga himpunan fuzzy, yaitu: “Rendah”, “Normal” dan “Tinggi”. Tabel keanggotaan dapat dilihat pada tabel 9. Gambar 10 merupakan fungsi keanggotaan kreatinin. Fungsi keanggotaan yang digunakan adalah fungsi trapesium. Persamaan 26, 27 dan 28 merupakan hasil dari pembentukan fungsi keanggotaan kreatinin. Tabel 9 Himpunan Fuzzy untuk Variabel Kreatinin Input Range Fuzzy set < 0,7 mg/dL Rendah Kreatinin 0,7 - 1,2 mg/dl Normal > 1,2 mg/dL Tinggi
Tabel 10 Himpunan Fuzzy untuk Variabel Keluaran Input Range Fuzzy set 0 – 1.7 Rendah Status 1.7 – 3 Normal risiko 3 – 10 Tinggi
Gambar 11 Fungsi Keanggotaan Variabel Keluaran
IV. HASIL DAN PEMBAHASAN Dari data yang diujicobakan, maka didapat ringkasan hasil keluaran aplikasi yang dapat dilihat pada tabel 11. Dari hasil uji coba tersebut, kelayakan metode ini dapat disimpulkan dengan menghitung keakuratan akurasi (perbandingan jumlah semua ketepatan prediksi), presisi (kecocokan), recall (relevansi data yang ditemukan kembali) dan f1 (keandalan hasil prediksi).
Data Aktual
Tabel 11 Hasil Keluaran Aplikasi Hasil Aplikasi Tinggi Sedang Rendah
Tinggi
78
6
9
93
Sedang
11
29 1
2
42
17 124 32
21
3 Rendah Prediksi benar Prediksi salah
Gambar 10 Fungsi Keanggotaan Kreatinin
µRendah (x)
1 (0.7 – x)/0.2 0
X <= 0.5 0.5 < x < 0.7 X > 0.7
(26)
µNormal (x)
0 (x – 0.5)/0.2 1 (1.2 – x)/0.2 0
X <= 0.5 0.5 < x < 0.7 0.7 <= x <= 1 1 < x < 1.2 X >= 1.2
(27)
µTinggi (x)
0 (1.2 – x)/0.2 1
X <= 1 1 < x < 1.2 X > 1.2
(28)
Total
156
Pada tabel 12 menampilkan perbandingan hasil keluaran aplikasi pada status risiko tinggi, sedang dan rendah berdasarkan keempat perhitungan tersebut. Analisis yang kedua didasarkan pada hasil keluaran aplikasi yang salah. Ada dua jenis kesalahan keluaran aplikasi yaitu false positive (FP) dan false negative (FN). False positive adalah keadaan dimana seharusnya aplikasi memprediksi salah karena sesuai dengan kondisi sebenarnya, namun keluaran aplikasi ternyata memprediksi benar. False negative adalah keadaan dimana seharusnya aplikasi memprediksi benar karena sesuai dengan kondisi sebenarnya, namun keluaran aplikasi ternyata memprediksi salah. Tabel 13 merupakan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
6
perhitungan persentase false positive dan false negative terhadap data pengujian.
h. Tingkat kesalahan prediksi aplikasi secara keseluruhan tergolong besar, yaitu sebesar 20,51%.
Tabel 12 Perbandingan Hasil Perhitungan Data Pengujian Berdasarkan Jenis Perhitungan dan Status Risiko Stroke
V. KESIMPULAN
Status Risiko Stroke Jenis Penilaian precision recall accuration F-Measure
Tinggi
Sedang
Rendah
Akurasi Total
85,71% 85,71% 82,98% 85,71%
76,92% 76,92% 86,67% 76,92%
83,33% 83,33% 95,12% 83,33%
82,98%
Tabel 13 Tabel Kesalahan Prediksi Pada Hasil Keluaran Aplikasi Tingkat False positive False negative Kesalahan Kelas (FP) (FN) Prediksi 15,22% 16,12% 14,29% Tinggi 19,44% 30,95% 23,08% Sedang 39,29% 19,04% 16,64% Rendah Total 20,51%
Berdasarkan tabel analisis hasil uji coba diatas maka dapat dinyatakan bahwa : a. Berdasarkan tingkat kesalahan prediksi yang ditunjukkan pada tabel 5.12, kelas tinggi perlu mendapat perhatian yang serius karena tingkat kesalahan prediksinya terbilang cukup tinggi yang mencapai 15,22% pada FP dan 16,12% pada FN. Hal ini sangat kurang baik karena pada penyakit stroke dengan kondisi risiko tinggi diperlukan penanganan yang khusus b. Pada kelas sedang juga perlu mendapat perhatian yang serius, khususnya pada FN karena tingkat kesalahan prediksinya merupakan yang paling besar yakni mencapai 30,95%. Hal ini akan sangat mempengaruhi pada efektifitas penanganan yang dilakukan karena mengingat penyakit stroke selalu datang dengan tiba-tiba dan risiko sedang masih sangat rentan untuk dapat terkena penyakit stroke. Sedangkan pada kesalahan prediksi FP yang mencapai 19,44% juga perlu diwaspadai karena enam dari tujuh prediksi yang salah merupakan kelas tinggi dimana kondisi kelas tinggi memerlukan penanganan khusus. c. Tingkat kesalahan FP pada kelas rendah terbilang cukup besar yaitu sebesar 39,29% dan berpotensi mengakibatkan kesalahan fatal dimana sembilan dari 11 kesalahan prediksinya merupakan kelas tinggi pada data yang sebenarnya d. Akurasi keluaran sistem cukup baik, yaitu mencapai 82,98%. e. Nilai F untuk kelas tinggi sebesar 85,71%. Hal tersebut menunjukkan bahwa aplikasi mampu memprediksi risiko terkena stroke yang tinggi dengan baik. f. Nilai F untuk kelas sedang sebesar 76,92%. Hal tersebut menunjukkan bahwa aplikasi mampu memprediksi risiko terkena stroke yang sedang dengan cukup baik. g. Nilai F untuk kelas rendah sebesar 83,33%. Hal tersebut menunjukkan bahwa aplikasi mampu memprediksi risiko terkena stroke yang rendah dengan sangat baik.
Berdasarkan hasil pengerjaan tugas akhir dengan studi kasus RS XYZ, maka dapat diambil beberapa kesimpulan sebagai berikut : a. Dalam Tugas Akhir ini telah berhasil dibuat aplikasi pendukung keputusan untuk mendeteksi secara dini risiko terkena penyakit stroke berbasis logika fuzzy mamdani. Aplikasi yang telah diuji coba dengan menggunakan data yang diperoleh dari Rumah Sakit XYZ memberikan hasil yang memuaskan. Selain itu, uji coba verifikasi menunjukkan bahwa aplikasi memberikan hasil yang sama dengan yang dihasilkan oleh perangkat lunak MATLAB. b. Dari hasil uji coba kinerja aplikasi dapat ditarik kesimpulan sebagai berikut: i. Dari keseluruhan data yang diuji cobakan, aplikasi mampu melakukan proses klasifikasi tingkat risiko secara benar sebesar 82,98% ii. Dari aspek pengukuran keakuratan proses klasifikasi, akurasi sebesar 82,98%, 86,67%, dan 95,12% berturut-turut diperoleh untuk pengujian proses klasifikasi tingkat risiko tinggi, sedang, dan rendah. iii. Dari aspek pengukuran keandalan proses klasifikasi (yang diukur berdasarkan nilai kebenaran hasil prediksi), keandalan sebesar 85,71%, 76,92%, dan 83,33% berturut-turut diperoleh untuk pengujian proses klasifikasi tingkat risiko tinggi, sedang, dan rendah. iv. Potensi kesalahan prediksi aplikasi secara keseluruhan tergolong cukup tinggi, yaitu sebesar 20,51%, dimana potensi kesalahan untuk mendeteksi tingkat risiko sedang mencapai 23,08%. v. Kesalahan prediksi untuk tingkat risiko sedang dan rendah cenderung mengarah ke prediksi tingkat tinggi. Hal ini dapat disebabkan oleh keberadaan rentang nilai variabel yang rekatif cukup lebar untuk keluaran kelas tinggi. Sebaliknya, tingkat kesalahan prediksi untuk tingkat risiko sedang cukup tinggi. Hal ini dapat disebabkan oleh keberadaan rentang nilai variabel keluaran kelas sedang lebih pendek dibandingkan rentang nilai variabel keluaran kelas yang lain. DAFTAR PUSTAKA [1] [2]
[3] [4]
[5]
Adeli, Ali dan Neshat, Mehdi, "A Fuzzy Expert Sistem for Heart Disease Diagnosis",IMECS 2010. Vol. 1. 2010 Kwiatkowska, Mila, Kielan, Krzysztof, "Fuzzy logic and semiotic methods in modeling of medical concepts", SciVerse ScienceDirect. 2012 R.A Nabyl. Deteksi Dini Gejala & Pengobatan Stroke. Aulia Publishing. 2012 Saleh, Ahmed Abou Elfetouh, Barakat, Sherif Ebrahim, Awad, Ahmed Awad Ebrahim, "A Fuzzy Decision Support Sistem for Management of Breast Cancer", IJACSA. Vol. 2, No.3. 2011 Yastroki, "Mengenal Gejala dan Kiat Mencegah Stroke", Perhimpunan Dokter Spesialis Saraf Indonesia dan Yayasan Stroke Indonesia. 2011
