KLASIFIKASI DIAGNOSA DIABETES MELLITUS DENGAN PENERAPAN METODE NAÏVE BAYESIAN CLASIFIER SKRIPSI. Diajukan Untuk Memenuhi Salah Satu Syarat

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

KLASIFIKASI DIAGNOSA DIABETES MELLITUS DENGAN PENERAPAN METODE NAÏVE BAYESIAN CLASIFIER

SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Oleh : Thomas Wiga Heru Prasetya (125314074)

Teknik Informatika Fakultas Sains Dan Teknologi Universitas Sanata Dharma Yogyakarta 2016

i


Naive Bayesian Classifier Method Implementation for Diabetes Melitus Diagnose Classification Thesis Present as Partial Fullfillment of the Requirements To Obtain Sarjana Komputer Degree In Departement of Informatics Engineering

By : Thomas Wiga Heru Prasetya (125314074)

INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING FACULTY OF SCIENCE AND TECNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2017 ii


HALAMAN PERSETUJUAN

iii


HALAMAN PENGESAHAN SKRIPSI

iv


MOTO

“Terang itu bercahaya di dalam kegelapan dan kegelapan itu tidak menguasainya. ” ( Yohanes 1:5)

“Your Future is Created by What Yo Do Today, Not Tomorrow!”

“Musuh yang Paling Berbahaya adalah Penakut dan Bimbang. Teman yang Paling Setia adalah Keberanian dan Keyakinan Untuk Mau Maju.” (Andrew Jackson)

v


HALAMAN PERSEMBAHAN

Kupersembahkan kripsi ini untuk : 1. Tuhan Yesus Kristus yang senantiasa memberikan berkat karunia-Nya. 2. Orangtuaku, Ignatius Sukemi dan Anna Supariyem yang tak lelah berjuang memberikan dukungan moral maupun materiil sampai saat ini dengan penuh kasih sayang dan cinta kasihnya. 3. Kakakku Dominikus Nanang Purwanto, Christine Herninta, Stevanus Widuri Nursusanto dan Andi Fransisca Natasha yang selalu memberikan motivasi, semangat dan doa. 4. Angela Krista Juliandari yang senantiasa menemani dan selalu memberikan semangat serta doa untuk menyelesaikan skripsi ini. 5. Para

sahabatku

yang

saling

menyelesaikan skripsi.

vi

memberi

semangat

untuk


PERNYATAAN KEASLIAN KARYA

vii


LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

viii


ABSTRAK

Kesehatan manusia bisa sangat bergantung dari banyak faktor, antara lain karena faktor lingkungan tempat tinggal ataupun karena faktor keturunan/genetikal. Kesehatan inilah yang menjadi kekuatan utama manusia untuk melaksanakan aktivitas hidupnya. Salah satu penyakit yang menjadi mesin pembunuh adalah Diabetes Mellitus(DM). Pemeriksaan kesehatan yang berkaitan dengan DM dalam dunia medis dapat dilakukan dengan cara pendiagnosaan penyakit yang menghasilkan data hasil uji laboratorium dan rekam medis gejala sakit. Guna menekan angka kematian dari penyakit DM ini, para pakar kesehatan harus melakukan pendiagnosaan penyakit sedini mungkin. DM yang banyak berasal dari penyakit keturunan nyatanya memiliki banyak cabang penyakitnya. Pengklasifikasian DM dan terhadap gejala lain yang timbul dari DM ini ternyata dapat dilakukan secara otomatis menggunakan cabang ilmu teknologi informasi yaitu dengan pemanfaatan suatu metode kerja penambangan data (data mining) dengan penerapan metode Naive Bayesian Clasifier. Metode Naive Bayesian Clasifier akan menghitung nilai probabilitas untuk setiap kejadian dari atribut target pada setiap kasus melalui penghitungan dari data rekam medis Diabetes Mellitus tersebut. Keluaran dari sistem ini adalah suatu identifikasi/diagnosa tentang prediksi penyakit DM seseorang yaitu klasifikasi DM yang diderita, murni DM atau ada penyakit lain yang diderita. Penelitian ini menggunakan data sebanyak 258 data dan menerapkan nilai fold sebanyak 3, 5, 7, dan 9. Hasil pengujian yang dilakukan sebanyak 4 kali dengan rata-rata tertinggi sebesar 83.89%. Kata Kunci

: Diabetes Mellitus, Klasifikasi, Healthcare Informatics,

Naive Bayesian Clasifier

ix


ABSTRACT

The health of human beings can be so depended on many factors, such as because of the factor of circumstances or because of the factor of genetics. The health becomes the human’s main power to do their lives’ activities. One of diseases which becomes a killer machine is Diabetes Mellitus (DM). Medical checkup related to DM in medical world can be conducted by the diagnosis of the disease which results laboratory examination data and the ill symptoms medical record. In order to push the mortal rate from this DM disease, health experts must conduct the diagnosis of the disease from the early beginning stage. DM which is originated from inheritance disease in fact has many branches. The classification of DM and toward other symptoms which arises from it, actually can be conducted automatically using the branch of information and technology science i.e. by the use of data mining working method and the application of Naïve Bayesian Classifier methods. Naïve Bayesian Classifier method would count the probability value for every event from attributive target on every case by means of the counting from Diabetes Mellitus medical data record. The output from this system was an identification/diagnosis about the prediction of DM disease to a subject i.e. the classification of DM possessed by the patient, it was purely DM or any other diseased possessed. The research used data sum up to 258 data and applied fold value sum up to 3, 5, 7 and 9. The result of the examination conducted summed to 12 times with the highest average was 83.89 %. Key words

: Diabetes Mellitus, classification, Healthcare Informatics,

Naive Bayesian Clasifier

x


KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus, yang telah memeberikan rahmat dan karunia yang berlimpah sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Klasifikasi Diagnosa Diabetes Mellitus dengan Penerapan Metode Naive Bayesian Clasifier dengan baik. Sebagaimana disyaratkan dalam Kurikulum Program Studi Teknik Informatika (TI), Fakultas Sains dan Teknologi (FST), Universitas Sanata Dharma (USD) Yogyakarta. Penulis menyadari bahwa pada saat penulisan dan pengerjaan tugas akhir ini penulis menyadari bahwa mendapatkan banyak sekali bantuan dari berbagai pihak, baik berupa dukungan, perhatian, kritik dan saran, serta doa yang sangat dibutuhkan penulis guna kelancaran pengerjaan dan mendapatkan hasil yang baik. Pada kesempatan ini secara khusus penulis akan menyampaikan terimakasih kepada : 1. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta 2. Dr. Anastasia Rita Widiarti, M.Kom. selaku Ketua Program Studi Teknik Informatika yang selalu memberikan dukungan dan perhartian serta saran kepada mahasiswa tugas akhir dalam pengerjaan tugas akhir. 3. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing akademik dan pembimbing tugas akhir yang telah dengan sabar dan penuh perhatian membimbing penulis dalam penyususnan tugas akhir mulai dari awal pengerjaan, pertengahan dan pada akhir penulisan. 4. Segenap dosen Program Studi Teknik Informatika Sanata Dharma yang dengan penuh dedikasi mendidik, membimbing, memberikan dukungan, bantuan, dan arahan yang sangat bermanfaat dari awal kuliah sampai selesai. 5. Staff personalia, rekam medis, dan seluruh staff yang berada di Rumah Sakit Panti Nugroho, Pakem, Yogyakarta yang telah memberikan waktu dan kesempatannya untuk melakukan penelitian serta pengambilan data rekam medis tentang diabetes mellitus. 6. Kedua orang tua, Bapak Ignatius Sukemi dan Ibu Anna Supariyem yang telah memberikan cinta, doa, dan dukungan baik secara moral maupun material bagi penulis selama menjalani masa perkuliahan sampai selesai ini. xi


7. Kakakku, Dominikus Nanang Purwanto, Stevanus Widuri Nursusanto, Christine Herninta, dan Andi Fransisca Natasha, keponakanku Gabriel Alfa Tanaputra serta adik-adikku Wanda, Aden, Enggar, Yora, dan Varel yang sudah memberikan dukungan, doa, dan perhatian dalam menyelesaikan skripsi ini. 8. Engelbert Eric dan Laurencius Echo yang selalu memberikan masukan dan saran dalam pengerjaan skripsi ini. 9. Angela Krista Juliandari yang tida henti memberikan support, doa dan motivasi pada proses pengerjaan skripsi. 10. Selutuh anggota Keluarga Mahasiswa/i dan Pelajar Katolik Sumatra bagian Selatan (KMPKS) , paduan suara Senandung Nafiri dan para Frater-frater serta Romo SCJ yang telah memberikan doa, semangat, motivasi dan tempat berkeluh kesah dari awal proses perkuliahan sampai disaat penulis mengalami kesusahan pada pengerjaan skripsi. 11. Teman-teman mahasiswa Teknik Informtika 2012 Alvin, Alex, Anjar, Cahyo, Danil, Eva, Nada, Hugo, Henri, Maryadi, Wisnu, Xave, Yosua, Dhesa dan yang tidak dapat disebutkan satu per satu. Terimakasih atas dinamika belajar yang pernah dimulai dari awal perkuliahan hingga penulis selesai menyelesaikan tugas akhir ini. 12. Egidius Gala Pratama, Anjar Nugraha Jati, Yuhacim Tito, Boni, Dona, Sri Lestari, Dingo, Luna, Misti, dan Choco yang selalu memberikan inspirasi dan semangat di rumah tinggal kepada penulis dalam perkuliahan hingga penyelesaian tugas akhir ini. 13. Teman Genus da Music : Dolok, Novan, Teki, Bima, Yoga, Danil, Gilang, Rino, Puput, Rani, dan Nindi yang selalu memberikan support dan semangat dalam menyelesaikan skripsi ini. Penulis juga menyadari bahawa banyak pihak lainnya yang berperan dan mendukung dalam keseluruhan proses pendidikan di Universitas Sanata Dharma Yogyakarta in. Tanpa mengurangi rasa hormat kepada seluruh pihak tersebut namanya tidak sempat disebutkan satu per satu di dalam tulisan ini, sekali lagi penulis mengucapkan terimakasih.

xii


xiii


DAFTAR ISI

HALAMAN PERSETUJUAN ............................................................................... iii HALAMAN PENGESAHAN SKRIPSI ................................................................ iv MOTO ..................................................................................................................... v HALAMAN PERSEMBAHAN ............................................................................ vi PERNYATAAN KEASLIAN KARYA ............................................................... vii LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH viii ABSTRAK ............................................................................................................. ix ABSTRACT ............................................................................................................ x KATA PENGANTAR ........................................................................................... xi DAFTAR ISI ........................................................................................................ xiv DAFTAR GAMBAR ......................................................................................... xvii DAFTAR TABEL .............................................................................................. xviii DAFTAR LAMPIRAN ........................................................................................ xix BAB I ...................................................................................................................... 1 1.1.

Latar Belakang ......................................................................................... 1

1.2.

Rumusan Masalah .................................................................................... 2

1.3.

Tujuan ....................................................................................................... 3

1.4.

Batasan Masalah ....................................................................................... 3

1.5.

Metodologi Penelitian .............................................................................. 3

1.6.

Sistematika Pembahasan .......................................................................... 4

BAB II ..................................................................................................................... 6 2.1.

Pengertian Diabetes Mellitus.................................................................... 6

2.2.

Tipe Diabetes Mellitus ............................................................................. 8

2.3.

Klasifikasi Diabetes Milletus tipe 2 ......................................................... 9

2.4.

Diagnosis dan Pemeriksaan Diabetes Milletus ...................................... 10

2.5.

Teori Penambangan Data ....................................................................... 11

2.5.1. Definisi Data Mining ........................................................................... 11 xiv


2.5.2. 2.6.

Proses Penambangan Data .............................................................. 11

Generalisasi Data .................................................................................... 13

2.6.2.

Diskretisasi pada Naive Bayes Clasifier ......................................... 14

2.7.

Pengelompokan pada Data Mining ........................................................ 15

2.8.

Teorema Naive Bayesian ........................................................................ 17

2.8.1.

Pengertian Teorema Bayesian ......................................................... 17

2.8.2.

Naive Bayesian Classifier ............................................................... 18

2.8.3.

Evaluasi/Validasi Data .................................................................... 19

2.8.4.

Akurasi Klasifikasi (Confution Matrix) .......................................... 20

BAB III ................................................................................................................. 22 3.1.

Data Penelitian ....................................................................................... 22

3.1.1.

Data Diabetes .................................................................................. 22

3.1.2.

Skenario Pengambilan Data ............................................................ 26

3.2.

Analisa Pengolahan Data ........................................................................ 27

3.2.1.

Seleksi Data dan Integrasi Data ...................................................... 27

3.2.2.

Cleaning Data .................................................................................. 27

3.2.3.

Transformasi ................................................................................... 28

3.2.4.

Penerapan Teknik Mining ............................................................... 30

3.2.5.

Evaluasi Data .................................................................................. 37

3.3.

Desain Pengujian .................................................................................... 37

3.4.

Spesifikasi Alat....................................................................................... 40

3.4.1.

Hardware ......................................................................................... 40

3.4.2.

Software .......................................................................................... 40

BAB IV ................................................................................................................. 41 4.1.

Analisa Hasil Akurasi Klasifikasi .......................................................... 41

4.2.

Kelebihan dan Kekurangan Sistem ........................................................ 43

4.2.1.

Kelebihan ........................................................................................ 43

4.2.2.

Kekurangan ..................................................................................... 43

4.3.

User Interface ......................................................................................... 44

4.3.1.

Halaman Utama............................................................................... 44

4.3.2.

Menu Import Data ........................................................................... 44

4.3.3.

Menu Proses Klasifikasi .................................................................. 45

4.3.4.

Menu Grafik Data ........................................................................... 46

4.3.5.

Menu Confution Matrix dan Akurasi .............................................. 46 xv


4.3.6.

Uji Data Tunggal ............................................................................. 47

BAB V................................................................................................................... 48 5.1.

Kesimpulan ............................................................................................. 48

5.2.

Saran ....................................................................................................... 49

DAFTAR PUSTAKA ........................................................................................... 50 LAMPIRAN...................................................................................................................... 51

xvi


DAFTAR GAMBAR

Gambar 2. 1 Data Mining dan proses KDD (Source: Fayyad, et.al., 1996) ......... 11 Gambar 2. 2 Proses Diskretisasi............................................................................ 13 Gambar 3. 1 Alur Pengolahan Data ..................................................................... 27 Gambar 3. 2 Alur Kerja Naive Bayes .................................................................. 31 Gambar 3. 3 Alur Kerja Desain Pengujian .......................................................... 38 Gambar 4. 1 Grafik Perbandingan Akurasi .......................................................... 42 Gambar 4. 2 Halaman Sistem............................................................................... 44 Gambar 4. 3 Menu Import dan Tabel Data .......................................................... 45 Gambar 4. 4 Menu Proses Klasifikasi .................................................................. 45 Gambar 4. 5 Menu Grafik Data............................................................................ 46 Gambar 4. 6 Menu Confution Matrix dan Akurasi .............................................. 46 Gambar 4. 7 Menu Uji Data Tunggal................................................................... 47

xvii


DAFTAR TABEL

Tabel 2. 1 Tipe Diabetes Mellitus ........................................................................... 8 Tabel 2. 2 Klasifikasi Diabetes Milletus tipe 2 ....................................................... 9 Tabel 2. 3 Cross Validation................................................................................... 20 Tabel 3. 1 Pengelompokan Data Mentah ............................................................. 22 Tabel 3. 2 Contoh EWD ....................................................................................... 28 Tabel 3. 3 Menghitung n ...................................................................................... 29 Tabel 3. 4 Tabel Interval ...................................................................................... 30 Tabel 3. 5 Hasil Diskretisasi ................................................................................ 30 Tabel 3. 6 Contoh Tabel Training ........................................................................ 31 Tabel 3. 7 Contoh Data Tabel Testing ................................................................ 35 Tabel 3. 8 Confution Matrix ................................................................................ 37 Tabel 3. 9 Data dengan 3 Fold ............................................................................. 38 Tabel 3. 10 Data dengan 5 Fold ........................................................................... 38 Tabel 3. 11 Data dengan 7 Fold ........................................................................... 39 Tabel 3. 12 Data dengan 9 Fold ........................................................................... 39 Tabel 4. 1 Hasil Percobaan Klasifikasi ................................................................ 41

xviii


DAFTAR LAMPIRAN

Lampiran 1 TrainingData.fit ................................................................................ 51 Lampiran 2 Listing preData ................................................................................. 51 Lampiran 3 Listing Cleaning ............................................................................... 52 Lampiran 4 Listing EWD ..................................................................................... 53 Lampiran 5 Listing freqTable .............................................................................. 54 Lampiran 6 Listing kFold .................................................................................... 55 Lampiran 7 Listing prediction (NBC) .................................................................. 56 Lampiran 8 Data Diabetes Mellitus ..................................................................... 57 Lampiran 9 Keterangan Nama Kolom ................................................................. 68

xix


BAB I

PENDAHULUAN

Pada bab pertama ini akan dibahas tentang latar belakang, rumusan masalah, tujuan dan manfaat penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan.

1.1. Latar Belakang Kerusakan pada kinerja organ tubuh manusia sangatlah merugikan dan menjadi sumber masalah terbesar dewasa ini. Salah satu penyakit yang menjadi pembunuh nomer satu di dunia adalah Diabetes Mellitus (DM). Diabetes Mellitus merupakan salah satu penyakit metabolik yang ditandai dengan hiperglikemia yang disebabkan karena adanya suatu gangguan sekresi insulin, dari kerja insulin ataupun keduanya. Hiperglekemia kronis pada Diabetes Mellitus akan menyebabkan banyak kerusakan pada oragan tubuh manusia, contohnya ginjal, mata, saraf, jantung dan pembuluh darah (ADA, 2012). Diabetes Mellitus dibagi menjadi beberapa tipe. Diabetes Melitus tipe I biasanya menimbulkan gejala sebelum usia pasien 30 tahun, walaupun gejala dapat muncul kapan saja. Pasien Diabetes Melitus tipe I memerlukan insulin dari luar tubuhnya untuk kelangsungan hidupnya. Diabetes Melitus tipe II biasanya dialami saat pasien berusia 30 tahun atau lebih, dan pasien tidak tergantung dengan insulin dari luar tubuh, kecuali pada keadaan-keadaan tertentu. Tipe Diabetes Mellitus lainnya adalah Diabetes Melitus gestasional, yakni Diabetes Mellitus yang terjadi pada ibu hamil, yang disebabkan oleh gangguan toleransi glogosa pada pasien tersebut. Penyakit ini merupakan penyakit yang menurun yang bisa di turunkan orang tua kepada anaknya, dan sangat disayangkan bila diusia yang masih muda sudah mengalami diabetes. Setiap tahunnya penderita diabetes di Indonesia terus bertambah. Seperti yang dilansir dari Tempo.co pada tahun 2014 penderita diabetes terkhusus di Indonesia melonjak 500 ribu orang dari tahun sebelumnya. 1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2

Akibat lonjakan tersebut, Indonesia mendapatkan peringkat ke lima dunia penderita diabetes. Tingkat kesadaran masyarakat Indonesia yang rendah juga menjadi salah satu unsur peyebab diabetes terus-menerus merenggut kehidupan masyarakat luas ini tanpa disadari. Penentuan seseorang terserang Diabetes Mellitus amat sulit untuk ditentukan. Melalui rekam medis dan uji laboratorium akan menghasilkan data yang valid. Data yang diperoleh dari hasil rekam medis itu nantinya akan diberikan adanya cabang dari penyakit ini, atau murni hanya diabetes saja. Kurangnya penanganan dalam menentukan penyakit inilah yang mendorong dunia teknologi informasi, khususnya dengan penerapat ilmu mining akan ikut andil di dalamnya, agar mempermudah dunia medis khususnya dokter ahli menentukan suatu klasifikasi Diabetes Mellitus kepada pasien. Guna mendapatkan klasifikasi tentang DM dan penelitian tentang klasifikasi dengan kasus ini, maka penulis mencoba mengaitkan kasus dengan menggunakan metode Naive Bayes Clasifier. Metode ini pertama kali dikenalkan oleh ilmuan Inggris bernama Thomas Bayes, yang mana metode ini berhasil untuk menjawab permasalahan-permasalahan di bidang probabilitas dan statistik, yang akan diterapkan untuk menjawab persoalan keterjangkitan Diabetes Mellitus di masyarakat dewasa ini.

1.2. Rumusan Masalah Berdasarkan paparan latar belakang di atas, masalah yang dipecahkan dalam penelitian ini adalah: a) Apakah metode Naive Bayesian Clasifier mampu secara otomatis melakukan klasifikasi dari diabetes yang diderita pasien secara tepat, dan bagaimana bentuk aplikasi untuk menentukannya? b) Berapa besar tingkat akurasi klasifikasi dengan metode Naive Bayesian Clasifier, jika dipakai untuk pengklasifikasian tipe Diabetes Mellitus?


1.3. Tujuan Sesuai dengan latar belakang dan rumusan masalah di atas, tujuan penelitian ini secara umum adalah membangun sistem tentang klasifikasi Diabetes Mellitus dengan penerapan metode Naive Bayesian Clasifier sehingga mampu mempermudah dunia medis guna menentukan klasifikasi seseorang terkena diabetes. Sementara itu, secara khusus tujuan penelitian ini dirinci sebagai berikut : 

Membangun sistem berdasarkan pendekatan Naive Bayesian yang secara otomatis mampu mengklasifikasikan jenis-jenis dari penyakit diabetes.

1.4. Batasan Masalah 1. Penelitian kerja berada di ranah kesehatan yang membahas Diabetes Mellitus. 2. Penelitian terhenti bila sudah dapat menentukan klasifikasi Diabetes Mellitus dan memberikan jawaban tipe Diabetes Mellitus. 3. Sistem yang dibangun hanya digunakan untuk membantu membuat suatu keputusan tentang jenis diabetes militus yang diderita, bukan untuk memberikan solusi (cara penanganan). 4. Memanfaatkan metode Naive Bayes Clasifier sebagai acuan kerja sistem.

1.5. Metodologi Penelitian Metodologi penelitian dapat dilakukan dengan penerapan proses KDD (Knowledge Discovery in Databases) melalui beberapa tahapan sebagai berikut: 1.

Pembersihan dan penghilangan noise pada data yang inkonsisten.

2.

Melakukan integrasi data dari hasil riset yang dilakukan.

3.

Menyeleksi dan mentransformasi data guna menentukan kwalitas data dari hasil mining, sehingga memudahkan untuk ditranformasi ke bentuk data mining.


4.

Penerapan konsep data mining, yaitu dengan menerapkan konsep naive bayesian clasifier.

5.

Evaluasi data hasil mining Tahapan inilah yang akan menjadi tolok ukur keberhasilan penerapan mining dari data yang tersedia dan akan menjadi pengukuran akurasi untuk menentukan hipotesa data.

6.

Presentasi pengetahuan. Presentasi pengetahuan yang didapatkan dari hasil evaluasi yang dijadikan pola untuk menentukan tahapan akhir mining yang membantu guna menentukan keputusan dari analisa hasil sebelumnya.

1.6. Sistematika Pembahasan Bab I

: Pendahuluan

Dalam bab ini berisi tentang pemahaman dasar tentang bagaimana latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian yang dipakai dan sistematika penulisan.

Bab II

: Landasan Teori

Dalam bab II berisi tentang teori yang digunakan guna menunjang penelitian dan menjadi dasar atau sumber tertulis dari apa yang akan dilakukan, yaitu berupa pengertian dan klasifikasi dari Diabetes Mellitus, teori penambangan data, proses penambangan data, klasifikasi dan pengertian algoritma Naive Bayesian.

Bab III

: Metodologi Penelitian

Bab III berisi tentang penerapan dari konsep di bab II untuk menganalisis dan merancang sistem sesuai dengan tahapan penyelesaian masalah dengan penerapan algoritma yang telah ditentukan.


Bab IV

: Analisa Hasil Dan Implentasi Sistem

Dalam bab ini, akan berisi tentang implementasi dari sistem (komputerisasi sistem) berdasarkan hasil perancangan yang telah dibuat, dan akan dijelaskan tentang analisis sistem yang telah dibuat serta kelebihan dan kekurangan dari sistem.

Bab V

: Penutup

Dalam bab ini berisi tentang kesimpulan dan juga saran-saran yang terkait dengan seluruh proses dan penulisan tugas akhir.


BAB II

LANDASAN TEORI

Pada bab ini, akan dijelaskan tentang pengertian Diabetes Mellitus, klasifikasi dari diabetes, diagnosa dan pemeriksaan diabetes, teori penambangan data, proses penambangan data, pengelompokan penambangan data dan teorema Naive Bayesian Clasifier.

2.1. Pengertian Diabetes Mellitus World Health Organization (WHO) menyatakan bahwa Diabetes Mellitus tidak dapat didefinisikan secara singkat dan jelas namun dapat dikatakan sebagai kumpulan permasalahan yang kompleks tentang anatomi dan kimiawi akibat beberapa faktor dimana terdapat defisiensi insulin absolut (Purnamasari, 2009) Diabetes Mellitus merupakan salah satu penyakit metabolik yang ditandai dengan hiperglikemia disebabkan karena adanya suatu gangguan sekresi insulin, dari kerja insulin ataupun keduanya. Hiperglekemia kronis pada Diabetes Mellitus akan menyebabkan banyak kerusakan pada oragan tubuh manusia, contohnya ginjal, mata, saraf, jantung dan pembuluh darah (American Diabetes Association/ADA, 2012). Menurut Dorland Diabetes Mellitus (DM) adalah kelainan yang ditandai dengan ekskresi urine (pengeluaran air kencing) yang berlebihan. Selain itu, Diabetes mellitus atau penyakit kencing manis merupakan suatu penyakit menahun yang ditandai dengan kadar glukosa darah (gula darah) melebihi nilai normal yaitu kadar gula darah sewaktu sama atau lebih dari 200 mg/dl. Diagnosis khas DM pada umumnya yaitu polyuria (banyak kencing), polydipsia (banyak minum), polifagia (banyak makan), dan penurunan berat badan yang tidak jelas sebabnya (Misnadiarly,2006). Hypercalcemia adalah peningkatan yang berlebihan pada kalsium dalam darah (Dorland). Menurut Dorland Hypertension adalah tingginya

6


tekanan darah arteri secara persisten, penyebabnya mungkin tidak diketahui (essential, idiopatic, primary) atau mungkin disebabkan oleh penyebab lain ( secondary). Ulcus atau ulcer adalah defek lokal atau ekskavasi permukaan suatu organ atau jarinagn, akibat pengelupasan jaringan radang yang nekrotik (Dorland edisi 28, 2002). Selain itu Ulcus atau ulcer merupakan penyakit lambung (penyakit maag) yang terjadi apabila dinding lambung rusak akibat mucus yang menyelimutinya rusak. Enzim yang dihasilkan didalam mucus memakan bagian-bagian kecil pada lapisan permukaan lambung. Neuropathy adalah gangguan fungsional atau perubahan

patologis

pada

sistem

saraf

tepi,

kadang-kadang

penggunaannya dibatasi hanya untuk lesi noninflamasi sebagai lawan dari lesi neuritis (Dorland). Diabetes dan hypercalcemia adalah kadar gula darah yang rendah. Kadar gula darah yang normal 60-100 mg% . Diabetes dan hypertension adalah penyakit yang saling berkaitan, karena penderita harus mengendalikan tekanan darah yang berpengaruh pula pada kadar gula yang meningkat. Diabetes dan ulcus adalah penyakit yang menyebabkan kaki luka tak kunjung sembuh. Diabetes dan neuropathy adalah beberapa bentuk klinis neuropati perifer (sensoris motorik, otonom, dan campuran) yang ditemukan pada penderita diabetes mellitus, jenis yang sering terjadi adalah polineuropati sensoris simetris kronik yang pertama kali menyerang saraf-saraf ekstremitas bawah dan sering sekali mengenai saraf otonom. Selain itu Diabetic Neuopaty adalah kerusakan saraf sebagai komplikasi serius akibat diabetes. Kadar gula darah yang tinggi dapat mencederai serat-serat saraf, umumnya pada kaki.


2.2. Tipe Diabetes Mellitus Tipe Diabetes Melitus menurut Perkumpulan Endokrinologi Indonesia (PERKENI) 2006 meliputi :

Tabel 2. 1 Tipe Diabetes Mellitus Jenis

Etiologi

Diabetes Tipe 1

Destruksi sel β, umumnya menjurus ke defisiensi insulin absolut, yaitu : • Autoimun • Idiopatik

Tipe 2

Bervariasi, mulai dari resistensi insulin yang disertai defisiensi insulin relatif hingga defeksekresi insulin yang dibarengi resistensi insulin.

Tipe Lain

• Defek genetik fungsi selβ • Defek genetik kerja insulin • Penyakit eksokrin pankreas • Endokrinopati • Karena obatatau zat kimia • Infeksi • Sebab imunologi (jarang) •

Sindrom genetik lain yang berkaitan dengan

Diabetes Mellitus Diabetes

Intoleransi glukosa yang timbul atau terdeteksi pada

Melitus

kehamilan pertama dan gangguan toleransi glukosa

gestasional

setelah terminasi kehamilan.


2.3. Klasifikasi Diabetes Milletus tipe 2

Tabel 2. 2 Klasifikasi Diabetes Milletus tipe 2 Jenis tipe 2 Diabetes Milletus

Keterangan dan ciri  Mati rasa  Sering mengeluarkan urine  Berat badan berkurang  Nafsu makan meningkat  Penglihatan mulai kabur atau buram  Bermasalah dengan kulit (biasanya terdapat luka)  Mudah lelah dan emosi  Mudah merasakan haus  Terjadi gangguan di gusi  Infeksi jamur

Diabetes Milletus

 Kadar gula meningkat

dengan Hiperglikemia

 Jantung berdebar  Mual  Kelemahan pada otot

Diabetes Milletus

 Detak jantung berdebar

dengan Hipertensi

 Sering terjadi mimisan  Sakit kepala yang berlebihan  Sesak nafas  Sering buang air kecil  Mengalami kesemutan hingga mati rasa

Diabetes Milletus dengan Ulkus

 Kehilangan keseimbangan atau koordinasi  kram pada otot  Obesitas  Hipertensi


Diabetes Milletus

 Penurunan berat badan

dengan Neuropaty

 Mual muntah berwarna hitam  Perubahan warna tinja menjadi hitam  Nyeri pada bagian kaki  Luka yang tidak sembuh-sembuh

2.4. Diagnosis dan Pemeriksaan Diabetes Milletus Menurut Perkumpulan Endokrinologi Indonesia (PERKENI) berbagai keluhan dapat ditemukan pada penyandang Diabetes Mellitus. Kecurigaan adanya Diabetes Mellitus perlu dipikirkan apabila terdapat keluhan klasik Diabetes Mellitus, antara lain : a) Keluhan klasik Diabetes Mellitus berupa : poliuria, polifagia, dan penurunan berat badan yang tidak dijelaskan sebabnya. b) Keluhan lain dapat berupa: lemah badan (mudah capai), kesemutan, gatal, mata kabur dan disfungsi ereksi pada laki-laki serta pruritus vulva pada perempuan. Selain dengan keluhan, diagnosa Diabetes Mellitus harus ditegakkan berdasarkan pemeriksaan kadar glukosa darah dengan cara enzimatik dengan bahan darah plasmavena. Penggunaan bahan darah utuh (wholeblood), vena ataupun kapiler sesuai kondisi dengan memperhatikan angka-angka kriteria diagnostik yang berbeda sesuai pembakuan World Heald Organization (WHO). Sedangkan untuk tujuan pemantauan hasil pengobatan dapat dilakukan dengan menggunakan pemeriksaan glukosa darah kapiler (Gustaviani, 2006; PERKENI, 2006). Dengan pemanfaatan diagnosa dan juga data laboratorium, dunia teknologi informasi memberikan solusi guna pemecahan masalah klasifikasi Diabetes Mellitus ini. Cabang ilmu data mining yaitu Healtcare Informatics adalah cabang ilmu dari dunia mining yang secara khusus berurusan dengan penyimpanan, penarikan, dam penggunaan data, informasi serta pengetahuan biomedik secara optimal untuk tujuan memecahkan permasalahan dan pengambilan keputusan yang berasal dari dunia medis.


2.5. Teori Penambangan Data 2.5.1. Definisi Data Mining Data mining adalah suatu proses untuk mencari informasi dari database atau KDD (Knowledge Discovery in Database). Dari proses pengolahan data tersebut akan menemukan korelasi penuh arti, pola dan informasi yang dapat digunakan sebagai pengambilan keputusan atau decision making (Han and Kamber, 2006). Data mining adalah mengenai pemecahan masalah dengan menganalisa data yang ada di dalam database dan sering juga didefinisikan sebagai proses menemukan pola dalam data, dimana proses tersebut harus otomatis atau semi-otomatis dan pola yang ditemukan harus bermakna (Chakrabarti, et al., 2009).

2.5.2. Proses Penambangan Data Di bawah ini adalah gambar alur kerja data mining untuk menentukan suatu knowledge :

Gambar 2. 1 Data Mining dan proses KDD (Source: Fayyad, et.al., 1996)

1. Selection : 2. Data Selection merupakan penyeleksian data dimana data yang relevan dikembalikan ke dalam database yang memiliki tugas untuk analisis data (Fadli,2011).


3. Cleaning : Data Cleaning merupakan pembersihan atau penghilangan missing value pada data. Pembersihan data ini akan mempengaruhi performasi dari teknik mining sendiri karena data yang ditangani akan diberikan nilai untuk setiap data yang kosong yang mengacu pada mean tiap atributnya. Mean adalah rata-rata dari data yang diperoleh berupa angka yang didapat dari nilai-nilai dibagi dengan jumlah individu (Sutrisno Hadi, 1998), dengan rumusan : 𝑀=

∑𝑋 𝑁

...............................................................................(2.1)

𝑅𝑎𝑡𝑎𝑎𝑛 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 =

∑ 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑛𝑖𝑙𝑎𝑖 𝑝𝑎𝑑𝑎 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑏𝑎𝑟𝑖𝑠 𝑎𝑡𝑟𝑖𝑏𝑢𝑡

4. Transformation : Data

Transformation

merupakan

cara

untuk

mentransformasikan data yang diubah ke bentuk yang tepat untuk diproses pada proses mining. 5. Data mining : Data mining merupakan langkah terpenting dimana akan diaplikasikannya metode kerja yang paling tepat untuk mengekstrasi data. 6. Interpretation / Evalution : Proses ini yang nantinya kana berguna untuk mengidentifikasi dan mengevaluasi pola yang benar dan menarik. Pola inilah yang akan mewakili pengetahuan berdasarkan atas beberapa tindakan mining yang menarik. 7. Knowledge Presentation : Dalam tahap ini hasil dari mining yang berupa pola-pola tersebut direpresentasikan kepada pengguna(user) dan dari langkah ini akan ditemukannya sebuah pengetahuan yang akan dijadikan acuan guna pengambilan keputusan.


2.6.

Generalisasi Data Generalisasi data adalah ketika data level rendah (low-level data) diganti dengan konsep yang lebih tinggi, yaitu dengan melakukan diskretisasi. Teknik diskretisasi dapat digunakan untuk mereduksi sekumpulan nilai yang terdapat pada atribut continuous, dengan membagi range dari atribut ke dalam interval (Hartanto Junaedi, 2011). Berikut ini merupakan proses kerja dari diskretisasi :

Gambar 2. 2 Proses Diskretisasi Proses diskretisasi secara umum terdiri dari empat tahapan pada gambar di atas, yaitu : 1.

Sorting, melakukan sorting nilai atribut continuous yang akan didiskretisasi.

2.

Melakukan “cut-point”, banyak fungsi evaluasi yang dapat digunakan seperti binning dan pengukuran entropy.

3.

Splitting, dilakukannya evaluasi poin ke dua yang ada dan pilih satu yang terbaikdan lakukan split range nilai atribut kontinu ke dalam dua partisi. Diskretisasi berlanjut untuk tiap partisi sampai kondisi berhenti tercapai.

4.

Stopping criterion, dilakukan untuk menghentikan proses diskretisasi.


Terdapat lima metode untuk melakukan diskretisasi pada data kontinu, yaitu binning, cluster analysis, histogram analysis, entropy-based discretization, dan segmentation by “natural partitioning”. Pada kasus data medis yang menjadi pusat bahasan ini (penerapan Naive Bayesian Clasifier), diskretisasi yang akan dilakukan adalah dengan metode histogram analysis sesuai dengan bahasan dari Ying Yang dan Geoffrey I.Web di tahun 2005 tentang diskretisasi umtuk Naive-Bayes-Learning.

2.6.2. Diskretisasi pada Naive Bayes Clasifier Diskretisasi pada Naive Bayes Clasifer ada beberapa pilihan antara lain dengan menghitung jarak dan frekuensi, ada juga dengan perhitungan entropi dan diskretisasi yang dilakukan setelah adanya tes data. Berikut ini adalah dua diantara banyak metode diskretisasi yang bisa diterapkan pada metode Naive Bayesian Clasifier. 1. Equal Width Discretization Equal Width Discretization (EWD) pertama kali dikemukanakan oleh Catlett pada tahun 1991 dan dikembangkan oleh Kerber dan Dougherty. Metode ini memungkinkan untuk menentukan interval berdasarkan perhitungan range dari nilai minimum dan maksimum data pada atributnya untuk didiskretisasi. Pada EWD, pengguna metode diminta untuk menentukan besaran jenis kelas bagian pada setiap atribut parameter.

Cara

hitung

untuk

(k) sebagai

menentukan

hasil

diskretisasinya adalah nilai tiap data kontinu yang akan didiskretisasi cari bilangan maksimum dan minimumnya setelah itu bagi dengan nilai interval yang telah ditentukan sebelumnya, dengan rumusan sebagai berikut : 𝑛=

(𝑚𝑎𝑥−𝑚𝑖𝑛) 𝑘

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

Untuk n adalah nilai diskretisasi yang dicari dan minmax adalah data min dan max pada setiap atribut yang akan

didiskretisasi.

Setelah

n

ditemukan,

dapat


menentukan jarak interval untuk membagi datanya ke bentuk yang lebih sederhana. 2. Equal Frequency Discretization Equal Frequency Discretization(EFD) dikemukanan oleh Catlett di tahun 1991 dan Kerber 1992. Jika EWD menghitung n menggunakan nilai min-max tiap atribut, EFD menggunakan banyaknya baris (i) pada atribut yang dibagi oleh k, dengan rumusan sebagai berikut : 𝑖

𝑛 = 𝑘...........................................................................(2.3) 2.7. Pengelompokan pada Data Mining 1. Klasifikasi Di dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah (Kusrini, 2009). Klasifikasi akan menggunakan data dengan target (class/label) yang berupa nilai diskrit/kontinu. Menurut Goronescu, proses klasifikasi didasarkan pada empat elemen penting yang sangat mendasar, yaitu : a) Kelas Variabel dependen dari model, merupakan variabel kategorikal yang merepresentasikan label pada objek setelah klasifikasinya. Contohnya adalah adanya kelas penyakit diabetes yang diderita seseorang, kelas gempa bumi dan banyak lainnya. b) Prediktor Variabel dependen dari model, yang direpresentasikan oleh

karakter

khas

atribut

dari

data

yang

akan

diklasifikasikan. Contohnya adalah data gejala dan hasil uji lab. c) Training dataset Kumpulan dari data yang berisi nilai dari kedua komponen di atas dan digunakan untuk melatih model


dalam mengenali kelas yang sesuai berdasarkan prediktor yang tersedia. d) Testing dataset Berisi data baru yang nantinya akan diklasifikasikan oleh model yang telah dibangun sebelumnya, sehingga akan menghasilkan akurasi klasifikasi dan dapat dievaluasi. 2. Klastering Klustering merupakan pengelompokan record, pengamatan atau memperhatikan dan membentuk kelas objek yang memiliki kemiripakemiripan (Kusrini, 2009). Klustering berbeda dengan klasifikasi karena tidak adanya variabel target dalam pengklusteran. 3. Deskripsi Terkadang peneliti dan analisa 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. 4. Estimasi Estimasi hampir sama dengan klasifikasi, keculai 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 (Kusrini, 2009). 5. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dalam klasifikasi dan estimasi dapat diterapkan pada prediksi (Kusrini, 2009).


6. Asosiasi Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu (Kusrini, 2009). Asosiasi lebih kental dengan suatu analisis kebutuhan.

2.8. Teorema Naive Bayesian 2.8.1. Pengertian Teorema Bayesian Bayesian Classifier adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class (Kusrini, 2009). Bayesian classifier didasarkan pada teorema Bayes yang memiliki kemampuan klasifikasi serupa dengan decision tree dan neural network. Pendekatan teorema ini didasarkan pada kuantifikasi trade-off antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan nilai yang muncul dalam suatu keputusan. Teorema ini mampu diaplikasi pada database dengan data yang besar dan memiliki tingkat akurasi dan kecepatan yang tinggi. Teorema Bayesian memiliki bentuk umum sebagai berikut : 𝑃(𝐻|𝐸) =

𝑃(𝐸 |𝐻 )𝑃(𝐻) 𝑃(𝐸)

........................................(2.4)

Keterangan : E

= data dengan class yang belum diketahui

H

= hipotesis data E merupakan suatu class spesifik

P(H|E) = probabilitas hipotesis H berdasarkan kondisi E (posteriori probability) P(H)

= pobabilitas hipotesis H (prior probability)

P(E|H) = probabilitas E berdasaerkan kondisi pada hipotesis H P(E)

= probabilitas dari E

Menurut buku dari Eko Prasetyo, ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau peristiwa (H) dapat diperkirakan berdasarkan bukti (E) yang diamati. Ada beberapa hal penting yang perlu diperhatikan yaitu :


1) Sebuah probabilitas awal/prior H atau P(H) adalah probabilitas dari suatu hipotesis sebelum bukti diamati. 2) Sebuah probabilitas akhir H atau P(H|E) adalah probabilitas dari suatu hipotesis setelah bukti diamati.

Dalam Bayes (terutama Naive Bayes), maksud independensi yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data tidak berkaitan dengan ada atau tidaknya fitur lain dalam data yang sama (Eko Prasetyo, 2012).

2.8.2. Naive Bayesian Classifier Metode Naive Bayes merupakan algoritma machine learning yang bertipe supervised learning yang menerapkan teorema Bayes yang “naif” dimana asumsinya adalah tiap fitur atribut datra dianggap independen, satu dan lainnya terpisal dan memiliki nilai sendiri (Zhang, 2004). Metode ini dianggap memiliki peforma yang handal dan kompetitif dalam proses pengklasifikasian karena asumsi independen atribut yang dimiliki sebuah data sangat sesuai dengan pengaplikasiaan di dunia nyata. Kaitan antara Naive Bayes dengan klasifikasi, korelasi hipotesis, dan bukti dengan klasifikasi adalah bahwa hipotesis dalam teorema Bayes merupakan label kelas yang menjadi target pemetaan dalam klasifikasi, sedangkan bukti merupakan fitur-fitur yang menjadi masukan dalam model klasifikasi (Eko Prasetyo, 2012). Jika X adalah vektor masukan yang berisi fitur dan Y adalah label kelas, Naive Bayes dituliskan dengan P(Y|X). Notasi tersebut berarti probabilitas label Y didapatkan setelah fitur dari X diamati. Notasi ini disebut juga dengan probabilitas akhir (posterior probability) untuk Y, sedangkan P(Y) disebut probabilitas awal (prior probability). Klasifikasi Naive Bayesian yang memiliki nilai atribut yang terpisah atau independen ini dapat dinyatakan dengan rumus sebagai berikut :

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 19 𝑞

𝑃(𝑌|𝑋) =

𝑃(𝑌)𝜋𝑖=1 𝑃(𝑋𝑖 |𝑌) 𝑃(𝑋)

............................................(2.5)

Keterangan : P(Y|X)

: Probabilitas data dengan vektor X pada kelas Y

P(Y)

: Probabilitas awal kelas Y

𝑞 𝜋𝑖=1 𝑃(𝑋𝑖 |𝑌): Probabilitas independen kelas Y dari semua fitur

vektor X

Pada umumnya, Bayes mudah dihitung untuk fitur bertipe kategories seperti pada kasus diskrit. Namun untuk fitur numerik (data kontinu)ada perlakuan khusus sebelum dimasukkan dalam Naive Bayes. Cara tersebut meliputi : 1) Melakukan diskretisasi pada setiap fitur kontinu dan mengganti nilai fitur kontinu tersebut dengan nilai interval diskret.

Pendekatan

ini

dilakukan

dengan

mentransformasikan fitur kontinu ke dalam fitur ordinal. 2) Mengasumsikan bentuk tertentu dari distribusi dengan data penelitian. Distribusi Gausian biasanya dipilih untuk merepresentasikan probabilitas bersyarat dari fitur kontinu pada sebuah kelas P(Xi|Y), sedangkan distribusi Gausian dikarakterisasikan dengan dua parameter yaitu mean, µ, dan varian, σ2.

2.8.3. Evaluasi/Validasi Data Pada proses evaluasi/validasi, setiap data digunakan dalam jumlah sama untuk data training dan testing. Bentuk pendekatan ini disebut dengan k-fold cross validation, yang mana data akan dipecah kebeberapa bagian dari tentuan banyaknya k, dengan pembagian yang rata dari setiap kelompok data. Setiap kali proses berjalan,satu pecahan berperan sebagai data uji sedangakan pecahan lain menjadi data latih. Total error yang diperoleh dapat dijumlahkan semuanya dan akan memperlihatkan skema validasi benar dan salah (Prasetyo, 2014).


2.8.4. Akurasi Klasifikasi (Confution Matrix) Metode ini hanya menggunakan tabel matriks terdapat pada proses jika dataset memiliki kelas yaitu kelas yang dianggap positif dan kelas lainnya merupakan kelas negatif (Bramer, 2007). Evaluasi dengan confution matrix ini menghasilkan nilai akurasi, precison, dan recall terhadap klasifikasi yang telah dilakukan. Akurasi dalam klasifikasi adalah presentase ketetapan record data yang diklasifikasikan secara benar setelah dilakukan pengujian pada hasil klasifikasi (Han & Kamber, 2006). Sedangkan precision atau confidence adalah proporsi kasus yang diprediksi positif yang juga positif benar pada data yang sebenarnya. Recall atau sensitivitas adalah proporsi kasus positif yang sebenarnya yang diprediksi positif secara benar (Powers, 2011). Classified as

Correct Clasification

+

-

+

True positives

False negative

-

False positive

True negative

Tabel 2. 3 Cross Validation

True positive dan false positive adalah jumlah record positif dan negatif yang diklasifikasikan sebagai positif, sedangkan false negative dan true negatif adalah jumlah record positif dan negatif yang diklasifikasikan sebagai negatif. Lalu masukkan data uji, setelah itu hitung nilai yang telah dimasukkan tersebut untuk dihitung sensitivitinya, spesifikasinya, presisinya dan akurasinya. Berdasarkan isi matriks pada tabel tersebut maka dapat diketahui jumlah data dari masing-masing kelas yang dipredikasi secara benar yaitu (True positives + True negatives) dan data yang diklasifikasikan secara salah adalah (False positive + False negatives).


Kuantitas matriks dapat diringkas menjadi dua nilai yaitu akurasi dan laju error. Dua nilai ini digunakan sebagai matriks kinerja dengan formula sbb (Hann & Kamber, 2006) : 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑡𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓

= 𝑡𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓+𝑡𝑟𝑢𝑒 𝑛𝑒𝑔𝑎𝑡𝑖𝑓+𝑓𝑎𝑙𝑠𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓+𝑓𝑎𝑙𝑠𝑒 𝑛𝑒𝑔𝑎𝑡𝑖𝑓


BAB III

METODOLOGI PENELITIAN

Pada bab ke tiga ini, akan dijelaskan tentang analisa kebutuhan, data penelitian, skenario pengambilan data, analisa pengolahan data, analisa kebutuhan pengguna, spesifikasi hardware dan software yang digunakan serta beberapa user interface awal.

3.1. Data Penelitian 3.1.1. Data Diabetes Data diabetes yang digunakan nantinya adalah data gejala penyakit diabetes sebanyak 274 data kotor, yang diperoleh dari studi kasus di rumah sakit di Rumah Sakit Panti Nugroho Pakem, Daerah Istimewa Yogyakarta. Data tersebut nantinya akan dikelompokkan menjadi 26 atribut termasuk atribut kelas. Tabel 3. 1 Pengelompokan Data Mentah No 1. 2.

3.

Nama Atribut No. RM SEX Umur

4.

Keterangan

Bobot

Nomer kode pasien

Nomor ID

Jenis kelamin pasien

Laki-laki / Perempuan (1..2)

Umur pasien

1..n

Atribut ini menentukan adanya Faktor

sifat penyakit turunan

Keturunan

atau tidak tentang riwayat penyakit yang diderita pasien

22

Penyakit turunan atau bukan (1...2)


5.

Atribut ini Gangguan pada sistem Pernafasan

menentukan adanya gangguan atau tidak pada sistem pernafasan pasien

Bermasalah-tidak bermasalah (1..2)

(dada) 6.

Gangguan pada sistem kerja Jantung dan Darah

7.

Atribut ini menentukan adanya gangguan atau tidak pada sistem kerja jantung dan darah


pasien Atribut ini

Gangguan

menentukan adanya

Bermasalah-tidak

pada sistem

gangguan atau tidak

bermasalah

Integumen

pada sistem

(1..2)

integumen pasien 8.

Atribut ini Gangguan

menentukan adanya

Bermasalah-tidak

pada sistem

gangguan atau tidak

bermasalah

saraf

pada sistem saraf

(1..2)

pasien 9.

Atribut ini Gangguan pada sendi

menentukan adanya

Bermasalah-tidak

gangguan atau tidak

bermasalah

pada sistem kerja

(1..2)

sendi pasien 10.

Atribut ini Gangguan

menentukan terganggu Bermasalah-tidak

pada sistem

atau tidaknya sistem

bermasalah

penglihatan

penglihatan(indra)

(1..2)

pasien


11.

12.

Gangguan

Atribut ini

pada sistem

menentukan terganggu

pendengara

atau tidaknya sistem

n

pendengaran pasien

Gangguan pada sistem penciuman

13.

Gangguan pada sistem pencernaan

14.

Atribut ini menentukan terganggu atau tidaknya sistem penciuman pasien Atribut ini menentukan terganggu atau tidaknya sistem pencernaan pasien




Atribut ini Gula darah saat puasa

mendapatkan informasi tentang

0..n

tingginya gula darah pasien saat puasa

15.

Atribut ini mendapatkan Gula darah

informasi tentang

2 jam PP

tingginya gula darah

0..n

pasien setelah 2 jam makan 16.

Atribut ini mendapatkan Creatine

informasi tentang

0..n

tingginya kadar creatine dalam tubuh 17.

Atribut ini mendapatkan Urea

informasi tentang tingginya kadar urea dalam tubuh

0..n


18.

Atribut ini mendapatkan Hemoglobin informasi tentang

0..n

tingginya kadar HMG dalam tubuh 19.

Atribut ini mendapatkan Hematokrit

informasi tentang nilai tingginya kadar

0..n

hematokrit dalam tubuh 20.

Atribut ini mendapatkan Leukosit

informasi tentang nilai

0..n

tingginya kadar leukosit dalam tubuh 21.

Atribut ini Neutrosit/ neutrofil

mendapatkan informasi tentang nilai

0..n

tingginya kadar neutrofil dalam tubuh

22.

Atribut ini mendapatkan Trombosit


0..n

tingginya kadar trombosit dalam tubuh 23.

Atribut ini mendapatkan Eritrosit


0..n

tingginya kadar eritrosit dalam tubuh 24.

RDW-SD

Atribut ini mendapatkan

0..n


informasi tentang nilai RDW-SD dalam tubuh 25.

Atribut ini mendapatkan informasi tentang nilai MPV

26.

Kelas

MPV dalam tubuh

0..n

Atribut ini

(2) DM

menentukan

(3)

klasifikasi diabetes

DM_Hiperglikemia

yang diderita pasien

(4) HT_DM (5) Ulkus_DM (6) DM_Neuropati

Dari data-data tersebut, didapatkan 258 data bersih, yang mana data itu akan masuk ke proses selanjutnya. Dan pada saat melakukan proses mining, yang dipakai adalah 25 atribut yaitu menghilangkan no.RM.

3.1.2. Skenario Pengambilan Data 1. Pengambilan data diambil dengan studi kasus di Rumah Sakit Panti Nugroho berdasarkan tipe gejala penyakit diabetes milletus dari dokumen rekam medis perorang yang menderita penyakit DM. 2. Data dikelompokkan menjadi 25 atribut berdasarkan sifatsifatnya. 3. Data

diolah

sedemikian

rupa

dengan

meminimalkan/

menghilangkan missing value. 4. Data disimpan dalam file berekstensi .xlsx atau .xls. terlampir pada tabel lampiran 1 ).

(data


3.2. Analisa Pengolahan Data Berikut ini merupakan langkah-langkah dari analisa pengolahan data yang akan dilakukan

Gambar 3. 1 Alur Pengolahan Data

3.2.1. Seleksi Data dan Integrasi Data Pada tahap ini akan dilakukan penyeleksian terhadap data gejala terhadap data yang kurang relevan terhadap penelitian (menghilangkan atau menghapus data gejala yang memiliki missing value sangat banyak sehingga sulit untuk dikenali gejala ataupun data labnya). Setelah diseleksi, dilakukan penggabungan seluruh data yang telah diperoleh atau dilakukannya integrasi data. Setelah itu data akan disimpan dalam satu file dengan ekstensi .xlsx atau .csv berdasarkan atribut dari tiap gejala sesuai dengan kriteria atributnya.

3.2.2. Cleaning Data Pada tahap ini dilakukan pembersihan data atribut uji lab. yang kurang atau tidak relevan terhadap penelitian (pengisian missing value), yaitu dengan melakukan pengisian nilai missing value dengan memberikan nilai rata-rata atribut tertentu disetiap daerah kosong dengan mengacu pada atributnya.


3.2.3. Transformasi Pada tahap ini akan dilakukan perubahan data menjadi data numerik semua untuk mempermudah penghitungan pada proses mining nanti. Yaitu mengubah nilai pada atribut sex, diagnosa penyakit dan atribut kelas. Perubahan itu dengan melakukan transformasi sebagai berikut ini dan hasilnya terdapat pada lampiran tabel contoh data pada contoh kolom K1 dan K25: 1.

Transformasi pada kolom K1 : a. L = 1 b. P = 2

2.

Transformasi pada kolom K3 sampai kolom K12 : a. T = 1 b. Y = 2

3.

Transformasi pada kolom data kontinu dilakukannya proses diskretisasi dengan EWD. a. Pilih atribut yang akan didiskretisasi, sebagai contoh atribut umur (K3) dan gula darah (K13), data diambil secara acak.

Tabel 3. 2 Contoh EWD K3

K13

83

360

69

312

51

352

30

125

40

222

b. Data tersebut akan dicari nilai n untuk interval dari tiap data pada atributnya. Cari nilai minimal dan maksimal dari tiap atribut 

K3 nilai minimal 30, nilai maksimal 83



K13 nilai minimal 125, nilai maksimal 360

c. Hitung besarnya nilai n (interval) yaitu dengan rumusan EWD yang telah dibahas pada pembahasan


2.6.2 poin 1. Nilai n tersebut dapat ditentukan dengan mencari nilai standar deviasi dari tiap atribut.

Tabel 3. 3 Menghitung n K3

K32

K13

K132

83

6889

360

129600

69

4761

312

97344

2601

352

123904 15625

51 30 ∑

900

125

40

1600

222

49284

273

16751

1371

415757

2 2 (∑ 𝑦)

∑𝑦 − 𝑆 = √ 𝑛−1 𝑛

................................................(3.1)

16751− 𝑆(𝑛𝐾3) = √

(273)2 5

5−1

1845.2

= √

4

= √461.3 =

21.4779 = 22 415757− 𝑆(𝑛𝐾13) = √

(1371)2 5

5−1

39828.8

= √

4

=

√7965.76 = 89.2511 = 89

Setelah nilai n pada K3 dan K13 sudah ditemukan, langkah selanjutnya cari nilai k dengan penerapan rumus EWD. 𝑘=

𝑚𝑎𝑥−𝑚𝑖𝑛

𝑘𝐾3 = 𝑘𝐾3 =

𝑛 83−30 22

..................................................(3.2) =

360−125 89

53 22

=

= 2.4 = 2

235 89

= 2.64 = 3

Selanjutnya, masukkan nilai k kedalam pembagian interval sebanyak k bagian.


Tabel 3. 4 Tabel Interval nK3

nK13

k

𝑥 < 52

𝑥 < 214

1

𝑥 > 74

214 ≤ 𝑥 < 303

2

𝑥 > 392

3 ....

d. Setiap nilai atribut akan dicocokkan dengan nilai interval yang telah dibuat di tabel 3.4 di atas. Masukkan data pada varibel x, maka ditemukanlah hasil diskretisasi datanya sebagai berikut :

Tabel 3. 5 Hasil Diskretisasi

4.

K3

K13

dK3

dK13

83

360

2

2

69

312

2

2

51

352

1

2

30

125

1

1

40

222

1

2

menjadi

Transformasi pada kolom K25 : a. DM = 2 b. DM_Hiperglikemia = 3 c. HT_DM = 4 d. Ulkus_DM = 5 e. DM_Neuropati = 6

3.2.4. Penerapan Teknik Mining Pada tahap ini data yang telah ditransformasi dan menjadi data yang sangat relevan (data setelah cleaning), data gejala Diabetes Millitus tersebut akan diklasifikasikan ke tipe dari diabetes tersebut dengan algoritma naive bayes. Data-data tersebut akan diolah dengan variabel input dan output, variabel input meliputi


atribut gejala sakit dan data lab. dan outputya adalah kelas dari diabetes yang diderita.

Gambar 3. 2 Alur Kerja Naive Bayes

Berikut ini merupakan pengerjaan metode Naive Bayes pada data Diabetes Milletus : a) Setelah melakukan preprosesing pada data, selanjutnya lakukan mining terhadap data. Yang pertama-tama dikerjakan adalah membuat kelas training pada langkahlangkah dibawah ini. b) Hitung

jumlah

kelas/label.

Untuk

percontohan

pengerjaan gunakan data sbb, yang mana data diambil secara acak dan memakai data berdasarkan hasil transformasi data : Tabel 3. 6 Contoh Tabel Training K1

K2

K3

K14

K15

K25

1

1

2

3

1

2

2

3

2

4

2

2

2

3

2

3

1

2

2

2

2

3

1

2

2

2

1

4

1

3

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 32 2

3

1

4

1

3

1

3

1

3

1

3

2

3

1

4

1

3

1

3

2

3

3

4

1

3

1

4

1

4

2

3

2

5

1

4

1

2

2

4

1

4

2

3

1

5

1

5

2

2

2

5

1

5

1

3

2

5

2

5

2

2

2

4

3

5

2

4

2

5

1

5

1

3

1

5

1

6

1

4

1

5

1

6

2

2

1

5

1

6

𝑃(𝑃) =

𝑃(𝑋 |𝐻 )𝑃(𝐻) 𝑃𝑋

Probabilitas kelas : 4

𝑃(𝐾25 = 2) = 20 = 0.2 , 4

𝑃(𝐾25 = 3) = 20 = 0.2, 4

𝑃(𝐾25 = 4) = 20 = 0.2, 5

𝑃(𝐾25 = 5) = 20 = 0.25 , 3

𝑃(𝐾25 = 6) = 20 = 0.15

Probabilitas K1 banding K25 1

3

1

3

3

1

𝑃(𝐾1(1)|2) = 4 = 0,25 , 𝑃(𝐾1(2)|2) = 4 = 0,75 𝑃(𝐾1(1)|3) = 4 = 0,25 , 𝑃(𝐾1(2)|3) = 4 = 0,75 𝑃(𝐾1(1)|4) = 4 = 0,75 , 𝑃(𝐾1(2)|4) = 4 = 0,25 1

4

𝑃(𝐾1(1)|5) = 5 = 0,2 , 𝑃(𝐾1(2)|5) = 5 = 0,8


1

3

3

𝑃(𝐾1(1)|6) = = 0,67 , 𝑃(𝐾1(2)|6) = = 0,33


1

𝑃(𝐾2(1)|2) = 4 = 0,25 ,𝑃(𝐾2(2)|2) = 4 = 0,25 2

𝑃(𝐾2(3)|2) = 4 = 0,5 , 𝑃(𝐾2(4)|2) = 0 𝑃(𝐾2(5)|2) = 0 1

𝑃(𝐾2(1)|3) = 0 ,𝑃(𝐾2(2)|3) = 4 = 0,25 3

𝑃(𝐾2(3)|3) = 4 = 0,75 , 𝑃(𝐾2(4)|3) = 0 𝑃(𝐾2(5)|3) = 0 1

𝑃(𝐾2(1)|4) = 0 , 𝑃(𝐾2(2)|4) = 4 = 0,25 3

𝑃(𝐾2(3)|4) = 4 = 0,75 , 𝑃(𝐾2(4)|4) = 0 𝑃(𝐾2(5)|4) = 0 2

𝑃(𝐾2(1)|5) = 0 ,𝑃(𝐾2(2)|5) = 5 = 0,4 2

1

𝑃(𝐾2(3)|5) = 5 = 0,4 , 𝑃(𝐾2(4)|5) = 5 = 0,2 𝑃(𝐾2(5)|5) = 0 1

𝑃(𝐾2(1)|6) = 0 ,𝑃(𝐾2(2)|6) = 3 = 0,33 1

1

𝑃(𝐾2(3)|6) = 3 = 0,33 , 𝑃(𝐾2(4)|6) = 3 = 0,33 𝑃(𝐾2(5)|6) = 0


𝑃(𝐾3(1)|2) = 0 ,𝑃(𝐾3(2)|2) = 4 = 1 4

𝑃(𝐾3(1)|3) = 4 = 1 ,𝑃(𝐾3(2)|3) = 0 1

3

𝑃(𝐾3(1)|4) = 4 = 0,25 ,𝑃(𝐾3(2)|4) = 4 = 0,75 1

4

𝑃(𝐾3(1)|5) = 5 = 1 ,𝑃(𝐾3(2)|5) = 5 = 0,8 3

𝑃(𝐾3(1)|6) = 3 = 1 ,𝑃(𝐾3(2)|6) = 0


Probabilitas K14 banding K25 𝑃(𝐾14(1)|2) = 0 ,𝑃(𝐾14(2)|2) = 0 1

𝑃(𝐾14(3)|2) = 0.75 , 𝑃(𝐾14(4)|2) = 4 = 0.25 , 𝑃(𝐾14(5)|2) = 0 𝑃(𝐾14(1)|3) = 0, 𝑃(𝐾14(2)|3) = 0 1

𝑃(𝐾14(3)|3) = 4 = 0.25 , 𝑃(𝐾14(4)|3) = 0.75 𝑃(𝐾14(5)|3) = 0 𝑃(𝐾14(1)|4) = 0 ,𝑃(𝐾14(2)|4) = 0 1

𝑃(𝐾14(3)|4) = = 0.25 , 𝑃(𝐾14(4)|4) = 0.5 4

𝑃(𝐾14(5)|4) = 0.25 𝑃(𝐾14(1)|5) = 0 ,𝑃(𝐾14(2)|5) = 0 𝑃(𝐾14(3)|5) = 0 , 𝑃(𝐾14(4)|5) = 0.2 𝑃(𝐾14(5)|5) = 0.8 𝑃(𝐾14(1)|6) = 0 ,𝑃(𝐾14(2)|6) = 0 𝑃(𝐾14(3)|6) = 0 , 𝑃(𝐾14(4)|6) = 0 𝑃(𝐾14(5)|6) = 1


𝑃(𝐾15(1)|2) = 4 = 0,75 1

𝑃(𝐾15(2)|2) = 4 = 0,25 𝑃(𝐾15(3)|2) = 0 , 𝑃(𝐾15(4)|2) = 0 𝑃(𝐾15(5)|2) = 0 4

𝑃(𝐾15(1)|3) = 4 = 1 , 𝑃(𝐾15(2)|3) = 0 𝑃(𝐾15(3)|3) = 0 , 𝑃(𝐾15(4)|3) = 0 𝑃(𝐾15(5)|3) = 0 3

𝑃(𝐾15(1)|4) = 4 = 0,75 , 𝑃(𝐾15(2)|4) = 0 1

𝑃(𝐾15(3)|4) = 4 = 0,25, 𝑃(𝐾15(4)|4) = 0 𝑃(𝐾15(5)|4) = 0 3

1

𝑃(𝐾15(1)|5) = 5 = 0,6 , 𝑃(𝐾15(2)|5) = 5 = 0,2


𝑃(𝐾15(3)|5) = = 0,2, 𝑃(𝐾15(4)|5) = 0 5

𝑃(𝐾15(5)|5) = 0 3

𝑃(𝐾15(1)|6) = 3 = 1 , 𝑃(𝐾15(2)|6) = 0 1

𝑃(𝐾15(3)|6) = 5 = 0,2, 𝑃(𝐾15(4)|6) = 0 𝑃(𝐾15(5)|6) = 0

c) Setelah data training selesai diolah, dilakukanlah suatu testing terhadap data. Data testing disini penulis mencoba membuat suatu data baru. Setelah itu lakukan penghitungan probabilitas dari masingmasing kelas dan ditentukan bahwa probabilitas terbesarlah yang menjadi jawaban dari kelas yang dicari. Tabel 3. 7 Contoh Data Tabel Testing K1

K2

K3

K14

K15

K25

1

1

2

1

1

?

Cari probabilitas pada hitungan dengan mencocokkan pada tabel 3.7 𝑃(𝐾1(1)|2) = 0,25 , 𝑃(𝐾1(1)|3) = 0,25 , 𝑃(𝐾1(1)|4) = 0,75 , 𝑃(𝐾1(1)|5) = 0,2 , 𝑃(𝐾1(1)|6) = 0,67 𝑃(𝐾2(1)|2) = 0,25 𝑃(𝐾2(1)|3) = 0, 𝑃(𝐾2(1)|4) = 0, 𝑃(𝐾2(1)|5) = 0 , 𝑃(𝐾2(1)|6) = 0 , 𝑃(𝐾3(2)|2) = 1 ,𝑃(𝐾3(2)|3) = 0,


𝑃(𝐾3(2)|4) = 0,75 , 𝑃(𝐾3(2)|5) = 0,8, 𝑃(𝐾3(2)|6) = 0 , 𝑃(𝐾14(1)|2) = 0.75 , 𝑃(𝐾14(1)|3) = 0.25 𝑃(𝐾14(1)|4) = 0.25 , 𝑃(𝐾14(1)|5) = 0 𝑃(𝐾14(1)|6) = 0 𝑃(𝐾15(1)|2) = 0,75 , 𝑃(𝐾15(1)|3) = 1 𝑃(𝐾15(1)|4) = 0,75 , 𝑃(𝐾15(1)|5) = 0,6 𝑃(𝐾15(1)|6) = 1 Lalu

semua

hasil

dikalikan

terhadap

hasil

probabilitas berdasarkan pengelompokan kelasnya. 𝑃(2) = 0,25×0,25×1×0.75×0,75 = 0,03516 𝑃(3) = 0,25×0×0×0.25×1 = 0 𝑃(4) = 0,75×0×0,75×0.25×0,75 = 0 𝑃(5) = 0,2×0×0,8×0×0,6 = 0 𝑃(6) = 0,67×0×0×0×1 = 0

Setelah itu bandingkan keenam nilai tersebut, cari nilai

terbesarnya.

Dan

dapat

diketahui

nilai

probabilitas terbesar terdapat pada P(2) dengan nilai probabilitas 0,03516. Maka dapat disimpulkan bahwa data test tersebut termasuk kelas 2 yang artinya Diabetes

pasien

yang

Mellitus

komplikasinya.

bersangkutan

saja,

tanpa

ada

menderita penyakit


3.2.5. Evaluasi Data Setelah dilakukannya proses modeling, maka akan dilakukan proses menghitung akurasi dari kebenaran data dengan metode confution matrix, yaitu dengan menjumlahkan data yang benar dan membaginya dengan semua data yang benar maupun data salah dan dikalikan dengan 100%. Berikut ini contoh dari confution matrixnya. Tabel 3. 8 Confution Matrix Kelas

DM

DM_Hiper-

HT_DM

Ulkus_DM

DM_Neu-

glikemia

ropati

DM

T

F

F

F

F

DM_Hiperglike

F

T

F

F

F

HT_DM

F

F

T

F

F

Ulkus_DM

F

F

F

T

F

DM_Neuropati

F

F

F

mia

T

Berdasarkan tabel 3.8 diatas, jumlah akurasi dari tiap percobaan dapat dihitung dengan rumusan berikut : 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =

∑𝑇 ∗ 100% ∑𝑇 + ∑𝐹

∑ 𝑇, dapat dicari dengan menjumlahkan semua T yang terdapat pada tabel 3.8. Sementara itu ∑ 𝐹 diperoleh dari semua nilai F pada tabel. Setelah ∑ 𝑇 dihitung, dibagikan dengan ∑ 𝑇 + ∑ 𝐹 dan setelah itu dapat dikalikan dengan 100%.

3.3.

Desain Pengujian Langkah ini adalah proses untuk membagi data yang akan diuji pada proses modeling terhadap metode yang dipakai yaitu Naive Bayesian Clasifier. Berikut ini merupakan tahapan pengujiannya :


Gambar 3. 3 Alur Kerja Desain Pengujian Pengujian ini dilakukan sebanyak k yang dimasukkan (jumlah kfold). Berikut merupakan tabel pengujian dengan menggunakan data training dan testing sesuai dengan jumlah masukan k yang ditentukan pengguna. Tabel 3. 9 Data dengan 3 Fold Pengujian

Training

Testing

1

1,2

3

2

1,3

2

3

2,3

1

Tabel diatas merupakan pembagian data dengan 3 fold, yaitu semua data akan dibagi menjadi 3 bagian yang sama rata dan data-data tersebut akan secara bergantian digunakan sebagai training dan testing. Tabel 3. 10 Data dengan 5 Fold Pengujian

Training

Testing

1

1,2,3,4

5

2

1,2,3,5

4

3

1,2,4,5

3

4

1,3,4,5

2

5

2,3,4,5

1

Tabel 3.10 diatas merupakan pembagian data dengan 5 fold, yaitu semua data akan dibagi menjadi 5 bagian yang sama rata dan data-data tersebut akan secara bergantian digunakan sebagai training dan testing.


Tabel 3. 11 Data dengan 7 Fold Pengujian

Training

Testing

1

1,2,3,4,5,6

7

2

1,2,3,4,5,7

6

3

1,2,3,4,6,7

5

4

1,2,3,5,6,7

4

5

1,2,4,5,6,7

3

6

1,3,4,5,6,7

2

7

2,3,4,5,6,7

1

Tabel 3.11 diatas merupakan pembagian data dengan 7 fold, yaitu semua data akan dibagi menjadi 7 bagian yang sama rata dan data-data tersebut akan secara bergantian digunakan sebagai training dan testing. Tabel 3. 12 Data dengan 9 Fold Pengujian

Training

Testing

1

1,2,3,4,5,6,7,8

9

2

1,2,3,4,5,6,7,9

8

3

1,2,3,4,5,6,8,9

7

4

1,2,3,4,5,7,8,9

6

5

1,2,3,4,6,7,8,9

5

6

1,2,3,5,6,7,8,9

4

7

1,2,4,5,6,7,8,9

3

8

1,3,4,5,6,7,8,9

2

9

2,3,4,5,6,7,8,9

1

Tabel 3.12 diatas merupakan pembagian data dengan 9 fold, yaitu semua data akan dibagi menjadi 9 bagian yang sama rata dan data-data tersebut akan secara bergantian digunakan sebagai training dan testing.


3.4. Spesifikasi Alat 3.4.1. Hardware Adapun hardware yang digunakan adalah : 

Processor Intel Core I3



RAM 4 GB

3.4.2. Software Adapun software yang digunakan adalah : 

Sistem operasi

: Microsoft Windows 10 Pro



Tools Data mining

: Matlab 2012


BAB IV

ANALISA HASIL DAN IMPLEMENTASI SISTEM

Pada bab ini akan dibahas berbagai hal yang berkaitan dengan implementasi dari sistem dan hasil yang telah didapat dari beberapa pengujian yang dilakukan, serta analisa dari hasil penghujian. 4.1.

Analisa Hasil Akurasi Klasifikasi Berdasarkan hasil dari pengujian yang telah dilakukan dengan menggunakan Naive Bayesian Clasifier dan juga menggunakan k-fold validation, akan diperoleh hasil pada tabel di bawah ini dengan ketentuan pengaruh besar kecilnya nilai k untuk penentuan interval EWD. Berikut merupakan hasil akurasi dari klasifikasi yang telah dilakukan : Tabel 4. 1 Hasil Percobaan Klasifikasi Banyak

Akurasi

Fold

Perbagia

Grafik akurasi fold

Akurasi Akhir

n Data 0.6854

=

0,8

0.8000

= 0.72926 ∗ 100

0,75

3

2.1878 ∗ 100 3

0.7024

= 72.93% 0,7 0,65 1

5

0.6852

0,95

0.8491

0,9

2

3

=

0,8

0.8627

0,75

0.6531

0,65

100

= 0.7865 ∗ 100

0,85

0.8824

3.9325 ∗ 5

= 78.65%

0,7 1

2

3

4

5


0.6410

0,94

0.9211

0,89

0.8378

=

= 0.8388 ∗ 100

0,84

= 83.89%

0,79

0.8889 7

5.8721 ∗ 100 7

0,74

0.8611

0,69

0.8611

0,64 1

2

3

4

5

6

7

0.8611

9

0.5806

0,95

0.9000

0,9

0.8667

0,85

0.9000

0,8

0.8621 0.8214

7.4418 ∗ 100 9

= 0.8268 ∗ 100

= 82.69%

0,75 0,7 0,65

0.8571

0,6

0.8462

0,55

0.8077

=

1 2 3 4 5 6 7 8 9

Dari hasil percobaan tersebut, ditemukan dan dapat diketahui bahwa hasil akurasi terbaik terdapat pada pembagian data dengan 7 fold yaitu dengan persentase sebesar 83.89%.. Hasil akurasi yang hampir sama adalah pada pembagian 9 fold. Nilai akurasi di atas menjadi sangat bervariatif karena peranan dari pembagian diskretisasi oleh EWD, juga dibentuk karena besar/kecilnya nilai k dari EWD-nya.

Persentase

Perbandingan Persentase Akurasi 86 84 82 80 78 76 74 72

83,89

82,69

78,65

72,93 3

5

7

fold

Gambar 4. 1 Grafik Perbandingan Akurasi

9


Gambar 4.1 merupakan grafik perbandingan rata-rata akurasi. Percobaan dilakukan berdasarkan nilai hasil diskretisasi menggunakan EWD. Hasil diskretisasi akan dilakukan empat kali percobaan yang terdapat pada setiap fold. Hasil dari akurasi di tiap fold akan dirata-rata untuk mencari nilai akurasi yang paling besar/maksimal dari percobaan berdasarkan hasil klasifikasinya. Berdasarkan hasil beberapa percobaan yang telah dilakukan rata-rata terbesar terdapat pada hasil dengan nilai fold ke 7. Hal ini terjadi karena pembagian data pada fold ke 7 lebih banyak data

yang

masuk

dalam

kategori

klasifikasi

benar

secara

pembagian/persebaran data, nilai errornya lebih sedikit dibanding dengan nilai fold lainnya. Hasil klasifikasi dari data diabetes ini sangat berpengaruh dari bagaimana pengolahan data sebelum klasifikasinya (preprosesing). Dengan melakukan diskretisasi terhadap data kontinu, tentu saja akan mendapatkan perhitungan atau menjalankan proses mining dengan lebih mudah dan hasil klasifikasi lebih jitu.

4.2.

Kelebihan dan Kekurangan Sistem 4.2.1. Kelebihan 

Sistem ini mampu menangani data yang butuh pengolahan secara khusus, yang tidak mampu dilakukan metode NaiveBayes.fit pada fitur pilihan Matlab.



Sistem ini mampu menganalisa dan menentukan luaran diabetes yang ingin diketahui.

4.2.2. Kekurangan 

Data diabetes ini, tidak dapat diolah langsung menggunakan metode Naive Bayes yang disediakan oleh Matlab, harus ada metode pembersihan data terlebih dahulu.


4.3.

User Interface 4.3.1. Halaman Utama Guna mempermudah proses klasifikasi pada penelitian ini, dibuatlah suatu user interface. User interface ini akan mempermudah dalam proses preprosesing data dan pengklasifikasian juga untuk menguji suatu hasil klasifikasi untuk menentukan penyakit diabetes yang diderita seseorang. Berikut merupakan user interface yang telah dibangun dengan menggunakan satu muka interface :

Gambar 4. 2 Halaman Sistem

4.3.2. Menu Import Data Menu ini berfungsi untuk mengimport data training. Untuk melakukan proses pengimportan data, klik button “Cari Data” lalu sistem akan mengarahkan untuk memilih direktori yang akan dipakai menjadi data training, lalu pilih open. Maka, data akan diimport dengan otomatis dan data akan langsung di transformasi lalu akan ditampilkan pada tabel yang telah tersedia di menu. Tabel juga berperan untuk menampilkan data-data pada proses preprosesing selanjutnya.


Gambar 4. 3 Menu Import dan Tabel Data

4.3.3. Menu Proses Klasifikasi Menu ini berfungsi untuk melakukan proses preprosesing data dan juga melakukan klasifikasi data. Setelah data diimport, data akan masuk proses cleaning dan transformasi klik button “Cleaning & Transformasi” pada menu proses klasifikasi, maka data akan diubah ke bentuk transformasi data. Setelah itu tentukan banyaknya fold dan klik button “Klasifikasi” untuk memulai proses klasifikasi. Setiap proses yang telah dilakukan, perubahan data akan tersaji pada tabel utama dan akan dapat dilihat persebaran data pada menu grafik data.

Gambar 4. 4 Menu Proses Klasifikasi


4.3.4. Menu Grafik Data Menu ini berfungsi untuk melihat/memfisualisasikan persebaran data dari proses preprosesing hingga pengklasifikasian termasuk nilai fold yang digunakan untuk penghitungan akurasi.

Gambar 4. 5 Menu Grafik Data

4.3.5. Menu Confution Matrix dan Akurasi Menu Confution Matrix

pada bagian kiri, berfungsi untuk

menampilkan hasil perhitungan Confution Matrix akhir yang didapat dari hasil percobaan klasifikasi. Lalu, menu “Akurasi Data” (kanan atas), berfungsi untuk melihat akurasi dari tiap bagian data setelah dilakukan fold yang didapat dari proses klasifikasi. Dan, menu “Akurasi Akhir” (kanan bawah), berfungsi untuk melihat akurasi akhir dari penjumlahan nilai akurasi di tiap bagian fold.

Gambar 4. 6 Menu Confution Matrix dan Akurasi


4.3.6. Uji Data Tunggal Menu ini berfungsi untuk melakukan proses pengujian data secara tunggal (testing). Masukkan data acak yang akan dilihat hasil klasifikasinya pada sub-sub menu yang telah disedikan pada menu ini (masukan berupa data sex, data umur, data gejala dan data lab., bila masukan pada data gejala tidak diketahui berilah angka 0). Untuk data lab, sudah terdapat contoh masukannya pada menu tersebut, yaitu berupa range angka masukan. Setelah itu klik test, maka sistem akan memberitahu hasil uji klasifikasinya berupa angka kelas diabetesnya pada kotak field sebelah button “Test”.

Gambar 4. 7 Menu Uji Data Tunggal


BAB V

PENUTUP

5.1. Kesimpulan Identifikasi klasifikasi diabetes mellitus dengan menggunakan metode Naive Bayesian Clasifier dengan melakukan penelitian terhadap data diagnosa dan data laboratorium, dapat diambil kesimpulan sebagai berikut : 1. Metode Naive Bayesian Clasifier dapat melakukan dan menentukan secara otomatis klasifikasi Diabetes Mellitus dengan Hiperglikemia, Diabetes Mellitus dengan Hipertensi, Diabetes Mellitus dengan Ulkus, Diabetes Mellitus dengan Neuropati atau Diabetes Mellitus saja. 2. Metode Naive Bayesian Clasifier dibutuhkan perhatian khusus bila menggunakan data yang sangat kompleks, karena disaat data diskret dan numerik disajikan bersamaan, metode ini cenderung lemah dan harus diberikan data yang lebih simpel yaitu dengan melakukan normalisasi dalam hal ini memakai diskretisasi terhadap data. Distribusi data akan sangat berpengaruh terhadap hasil klasifikasi. Dan dari pengujian sebanyak 4 kali, dihasilkan rata-rata akurasi terbaik yaitu sebesar 83.89% dari hasil klasifikasi Naive Bayesian Clasifier menggunakan EWD.

48


5.2. Saran Berdasarkan hasil analisa dan pengujian tugas akhir ini, penulis memberikan saran untuk perbaikan dalam pengembangan penelitian dan sistem secara lebih lanjut, antara lain : 1. Penambahan data training untuk setiap kelas klasifikasi terutama pada kelas Diabetes Mellitus dengan Neuropaty. 2. Menambahkan jenis kelas klasifikasi, yaitu dengan pemilihan masukan berdasarkan data diagnosa/lab namun menghasilkan keluaran yang lebih. 3. Hasil prediksi dapat dikembangkan ke dalam bentuk hasil uji sistem dengan luaran berupa laporan hasil tes medis beserta hasil uji laboratorium.


DAFTAR PUSTAKA

Guestrin, Carlos. 2006. Naive Bayes with Continues Logistic Regression. Carnegie Mellon University. Kusrini. 2009. Algoritma Data Mining. Penerbit Andi. Yogyakarta. Lavrenko, Victor and Nigel Goddard. 2014. Introductory Applied Machine Learning : Naive Bayes. Scholl of Informatics. Misnadiarly. 2006. Diabetes Mellitus Gangren, Ulcer, Infeksi, Mengenali Gejala, Menanggulangi, dan Mencegah Komplikasi. Jakarta: Pustaka Obor Populer. Prasetyo, Eko. 2012. Data Mining Konsep & Aplikasi Menggunakan Matlab. Penerbit Andi, Yogyakarta. Syawli, Almira dkk. Diagnosa Penyakit Diabetes Mellitus dengan Metode Naive Bayes Berbasis Dekstop Application. Universitas Brawijaya, Malang. WHO. 2006. Definition, Diagnosis and Classification of Diabetes Mellitus and its Complication. WHO. Yang, Ying dan Geoffrey I. Webb. 2005. Discretization for Naive-Bayes Learning : Managing Discretization Bias and Variance.


LAMPIRAN

Lampiran 1 TrainingData.fit

Lampiran 2 Listing preData


Lampiran 3 Listing Cleaning


Lampiran 4 Listing EWD


Lampiran 5 Listing freqTable


Lampiran 6 Listing kFold


Lampiran 7 Listing prediction (NBC)


Lampiran 8 Data Diabetes Mellitus K1

K2

K3

K4

K5

K6

K7

K8

K9

K10

K11

K12

K13

K14

K15

K16

K17

K18

K19

P

49

T

T

T

Y

T

Y

Y

Y

T

T

257

260

0,42

12

13

37,8

4,34

L

46

T

T

T

T

T

Y

Y

T

T

T

1,21

19

16,7

46,9

K20

K21

K22

K23

K24

K25

49,3

243

4,48

42,8

DM

11,53

10,13

250

5,2

38,2

DM

L

49

T

Y

T

Y

T

Y

Y

T

Y

T

257

260

0,83

24,4

15,1

43,6

18,1

77,1

203

4,8

10,5

DM

P

52

T

Y

T

Y

Y

T

Y

T

T

Y

258

300

0,99

12,7

8

22

12,18

83

350

2,61

11,4

DM_HIPERGLIKEMIA

L

45

T

Y

Y

Y

T

Y

T

T

T

Y

208

230

1,38

37,8

15,3

45,9

18,6

15,5

125

4,44

12,4

7,5

DM

L

49

T

T

T

T

T

Y

T

T

T

T

222

203

1,49

84,2

11,8

34,4

3,7

51,7

104

4,26

14,3

8

DM

P

61

T

Y

T

Y

Y

T

Y

T

T

Y

258

300

0,99

12,7

8

22

12,18

83

350

2,61

P

62

T

Y

T

Y

Y

Y

Y

T

Y

Y

317

278

1,2

21,1

10,2

36,5

9,2

65,2

355

4,3

L

61

T

T

T

Y

T

T

Y

T

T

T

402

400

1,53

13,4

14,2

41,1

7,41

83,9

363

5,15

10,3

DM_NEUROPATI

P

65

Y

T

Y

T

T

Y

Y

Y

Y

Y

256

258

1,01

15,3

12,9

37,6

19,58

91,9

179

4,17

11,3

DM

P

69

T

T

T

Y

T

Y

Y

T

T

Y

260

266

1,64

75

10,8

32,1

6,1

67,5

359

3,37

P

52

Y

Y

T

Y

T

Y

Y

T

Y

Y

258

261

0,75

26,1

10,9

32,9

L

50

Y

Y

T

Y

Y

Y

Y

T

T

Y

315

280

1,05

84

11,1

31,1

L

69

Y

Y

T

Y

Y

Y

Y

T

T

Y

332

280

1,05

84

11,1

L

49

Y

T

T

Y

T

Y

T

Y

Y

Y

257

260

0,8

24,1

P

58

Y

Y

T

Y

T

Y

Y

Y

T

Y

100

210

0,76

P

58

T

Y

T

Y

Y

Y

Y

T

T

Y

258

266

P

58

T

Y

T

Y

Y

Y

Y

T

T

Y

258

13,4

DM_HIPERGLIKEMIA

39,2

DM_HIPERGLIKEMIA DM_HIPERGLIKEMIA

21,7

8

DM_HIPERGLIKEMIA

31,1

21,7

8

DM_HIPERGLIKEMIA

15,4

46,4

9,76

67,7

249

4,6

9,8

DM

24,4

11,4

32,8

13,12

78,7

172

3,61

11,5

DM

1,1

58,7

11,3

33,6

7,22

63

356

4,09

9,3

DM_HIPERGLIKEMIA

300

1,1

58,7

11,3

33,6

7,22

63

356

4,09

9,3

DM_HIPERGLIKEMIA

0,9

58,1

11,4

33,1

8,74

80,8

352

3,6

7,4

DM_HIPERGLIKEMIA

11,6

34,5

10,8

89,8

352

3,95

8,7

DM_HIPERGLIKEMIA DM_NEUROPATI

L

63

Y

Y

T

Y

Y

Y

Y

T

T

Y

260

261

52

Y

Y

T

Y

Y

Y

Y

Y

Y

Y

258

283

L

71

T

T

T

Y

Y

Y

Y

T

T

T

410

399

P

41

Y

Y

Y

Y

T

Y

Y

Y

Y

T

46,7

DM_HIPERGLIKEMIA

9,4

P

61,7

11,4

0,92

17,6

14,3

43,1

8,73

87,4

363

4,94

9,1

0,83

33,19

10,6

31,4

25,47

95,4

215

3,95

10,2

DM

57


L

49

Y

T

Y

Y

T

Y

Y

Y

T

T

1,28

33,9

14,4

41,6

10,33

86,1

225

4,6

11

P

60

T

Y

T

Y

Y

T

Y

T

T

Y

314

P

58

Y

Y

T

Y

Y

Y

Y

Y

Y

Y

262

L

66

T

T

T

Y

Y

T

Y

T

T

Y

L

60

T

T

T

Y

Y

T

Y

T

T

1,32

33,7

11,7

34,3

16,98

79,9

350

3,83

11,4

353

1,95

109

11,8

35,3

15,26

89,9

357

4,29

38,7

333

263

2,52

54,9

12,1

35,3

10,1

83,1

362

4,37

13,3

8,4

DM_HIPERGLIKEMIA

Y

278

273

1,47

38

12,9

37,9

7,6

77,6

359

4,53

12,5

7,4

DM_HIPERGLIKEMIA

210

230

L

49

Y

Y

Y

Y

T

Y

Y

T

Y

T

P

46

Y

T

T

T

T

Y

T

T

T

T

L

66

Y

Y

T

Y

Y

T

Y

T

T

Y

332

L

46

Y

Y

T

Y

T

Y

Y

Y

T

T

254

L

55

Y

Y

Y

T

T

Y

T

Y

T

Y

P

49

Y

Y

Y

T

T

Y

T

T

Y

Y

254

260

P

52

T

T

T

Y

Y

T

Y

T

T

Y

319

283

L

60

Y

Y

T

Y

T

Y

Y

Y

T

Y

230

DM DM_HIPERGLIKEMIA DM_HIPERGLIKEMIA

0,8

38,9

13,3

40

13,68

89,5

250

4,95

8,7

DM

1,02

39,6

11,6

34,1

9,58

70,9

120

4,51

8,7

DM

300

1,34

26,4

13,3

40,2

12,68

82,6

350

4,43

9,9

DM_HIPERGLIKEMIA

226

1,53

52,5

16,4

45,2

2,07

63,3

104

5,61

10,6

DM

1,53

60,5

14,1

42,1

5,33

73,5

110

4,93

10,9

DM

1,89

66,6

8,7

26,8

19,1

90,5

249

3,37

10,2

DM

13,5

38,6

24,7

23,3

355

4,54

67,9

16,9

31,6

8,96

49,8

110

4,19

1,8

12,7

DM_HIPERGLIKEMIA

8,3

DM

L

60

T

T

T

Y

Y

Y

Y

T

T

Y

277

288

1,19

51

14,8

41,3

21,1

95,2

355

5,2

9,5

DM_HIPERGLIKEMIA

P

45

Y

T

T

Y

T

Y

Y

Y

T

Y

181

224

0,79

69,2

10,3

30,7

22,5

87,3

140

3,74

12

DM

L

65

Y

Y

Y

Y

T

Y

T

T

Y

T

100

108

1,86

73,8

9,2

26,6

0,33

90,7

110

3,12

9,8

DM

L

49

Y

Y

T

Y

T

Y

T

Y

Y

Y

225

253

1,07

75,59

12,6

36,3

9,86

51,3

182

4,04

9,3

DM

P

45

Y

T

T

Y

T

Y

Y

Y

T

Y

160

203

1,16

87,6

11,5

35,4

12,2

94,8

201

4,26

11,7

DM

P

54

T

T

T

Y

Y

T

Y

T

T

Y

265

300

0,85

47,1

14,9

43,4

27

68,7

359

45,2

15,6

DM_HIPERGLIKEMIA

L

52

T

T

T

Y

Y

T

Y

T

T

Y

300

274

1,38

37,8

15,3

45,9

18,6

83,4

361

6,96

12,4

7,5

DM_HIPERGLIKEMIA

P

45

Y

Y

Y

T

T

Y

T

Y

T

Y

256

260

1,04

108

9,6

27,9

4,03

59

109

3,14

L

58

Y

Y

Y

Y

T

Y

T

T

Y

Y

194

197

2,34

109,1

14

38,1

6,6

L

49

Y

T

T

Y

T

Y

Y

Y

Y

Y

225

210

2,1

111,9

11,3

33

15,7

P

49

Y

T

T

Y

T

Y

T

T

T

Y

7,57

195,7

7,6

22,5

L

57

Y

Y

T

T

T

Y

T

Y

Y

Y

13,8

38,4

142

210

12,8

79,7 12,98

12,8

4,7

86,6

55,7 137

4,37

11,7

DM

6,1

DM

3,7

DM

8,6

DM

10,4

DM

58


P

49

T

T

T

Y

T

Y

Y

T

T

Y

257

260

0,7

11,4

15,2

44

6,7

67,7

203

5,63

13,1

7,9

L

52

Y

Y

T

Y

Y

T

Y

Y

Y

Y

262

283

0,6

25,3

16,1

49,3

7,4

47,5

350

5,97

5,97

DM_HIPERGLIKEMIA

L

51

Y

Y

T

Y

Y

Y

Y

T

Y

Y

1,15

54,7

8,8

25,3

10,27

89,3

350

2,97

9,6

DM_HIPERGLIKEMIA

L

47

T

Y

Y

Y

T

Y

Y

T

T

Y

140

195

0,78

21

11,2

33,8

20,02

85

105

3,63

P

69

T

T

T

Y

T

T

Y

T

T

Y

265

261

8,55

171

8,9

26,2

7,49

82,4

360

2,99

38,3

DM

DM 9,6

DM_HIPERGLIKEMIA DM

L

41

T

Y

Y

T

T

Y

Y

T

T

T

111

217

0,89

24,7

13,3

37,1

12

8,5

249

4,87

12

5,2

P

64

T

Y

T

Y

Y

Y

Y

T

Y

Y

258

265

1,28

37,7

10,3

30,5

6,5

59

355

3,5

12,4

7

DM_HIPERGLIKEMIA

P

64

T

Y

T

Y

Y

Y

Y

T

Y

Y

258

265

1,28

37,7

10,3

30,5

6,5

59

355

3,5

12,4

7

DM_HIPERGLIKEMIA

P

62

Y

Y

T

Y

Y

T

Y

T

Y

Y

300

343

1,7

76,4

10,6

30,2

62,4

61

355

3,54

9,8

DM_HIPERGLIKEMIA

P

36

T

Y

T

T

T

Y

Y

T

T

Y

144

161

0,62

25,8

13,3

37,9

9,6

8,5

250

4,67

12,6

5,4

DM

L

49

T

T

Y

Y

T

Y

Y

T

T

Y

257

242

1,79

31,4

13,8

39,2

11,6

77,9

186

4,54

12,1

9,3

DM

P

62

Y

Y

T

Y

Y

T

Y

T

Y

Y

300

343

1,7

76,4

10,6

30,2

62,4

61

355

3,54

9,8

DM_HIPERGLIKEMIA

L

45

T

Y

T

Y

T

Y

T

T

T

Y

208

230

1,38

37,8

15,3

43,9

18,6

125

6,98

12,4

7,5

DM

P

49

T

Y

T

Y

T

Y

Y

Y

T

Y

117

163

0,84

38,4

10,2

31,8

7

87,8

249

4,2

14,4

7,5

DM

P

57

T

T

Y

Y

T

Y

T

T

T

Y

224

222

1,17

40,1

12,6

36,6

3,9

70,1

160

4,45

12,4

8,2

DM

P

53

T

T

T

T

T

T

Y

T

Y

T

403

399

0,78

27,45

11,6

35,1

9,37

80

452

6,19

10,7

P

49

T

Y

T

Y

T

Y

Y

T

T

T

174

183

0,98

43,1

13,5

41,5

7,84

58,8

110

4,54

9,9

DM

P

47

T

T

Y

Y

T

Y

T

T

T

Y

257

210

1,09

45

11

34,3

8,4

59,9

250

4,07

12,6

10,6

DM

P

49

T

T

T

Y

T

Y

T

T

T

Y

100

202

1,52

73,6

8,6

25,4

6,1

19,9

6,6

DM

L

49

T

Y

Y

Y

T

Y

T

Y

T

Y

257

260

2,1

111,9

11,3

P

45

Y

T

T

Y

T

Y

T

T

T

Y

183

165

0,8

12,2

13,7

40,8

12,09

403

335

0,78

29

11,6

35,1

0,68

26,8

10,8

33 34,8

L

53

T

T

T

T

T

T

Y

T

Y

T

P

48

Y

Y

T

Y

T

T

Y

Y

Y

Y

P

44

Y

T

T

Y

T

Y

T

T

Y

Y

256

260

0,74

12,4

11,8

P

50

Y

Y

T

Y

Y

Y

Y

Y

Y

Y

258

288

5,07

187,5

10,8

13,3

DM_NEUROPATI

DM

77,4

111

4,74

8,9

9,37

80

452

6,19

10,7

8,59

74,1

350

4,41

8,8

DM_HIPERGLIKEMIA

8,58

81,8

249

4,07

10

DM

65,2

52,2

10,8

DM DM_NEUROPATI

DM_HIPERGLIKEMIA

59


P

69

Y

Y

T

Y

Y

T

Y

Y

T

Y

312

266

8,56

175

11

25

8,1

82,4

360

3,02

P

69

T

T

T

Y

Y

T

Y

Y

T

Y

313

261

1,1

22,4

11,1

31,1

4,4

70,2

360

3,62

P

42

Y

Y

Y

Y

T

Y

Y

T

T

Y

177

253

0,84

14,5

9,7

29,7

9,3

6,5

110

4,54

L

49

Y

Y

T

Y

T

Y

T

Y

Y

Y

171

253

0,77

19

13,9

40,9

9,37

38,8

249

4,35

P

65

Y

Y

Y

T

T

Y

Y

T

Y

Y

256

260

1,39

20,3

13,5

38,3

9,6

49,2

249

4,83

L

69

T

T

T

Y

Y

T

Y

Y

T

Y

265

261

8,56

172

11,3

27,2

7,5

82,4

360

L

69

T

Y

T

Y

Y

T

Y

Y

T

Y

265

261

8,56

172

11,3

27,2

7,7

82,4

360

P

55

Y

T

T

Y

T

Y

Y

T

T

Y

225

260

0,53

22,1

14,5

42,3

7,01

67,1

114

5,04

10,6

DM

L

49

Y

Y

T

Y

T

Y

Y

Y

Y

Y

234

191

0,83

22,8

14,6

41,7

8,2

65,5

110

4,82

9,4

DM

L

67

Y

Y

Y

T

T

Y

Y

T

T

Y

188

220

1,68

23,6

11,8

34,5

5,34

62,1

125

3,97

8

DM

L

67

Y

Y

Y

T

T

Y

Y

T

T

Y

188

220

1,68

23,6

11,8

34,5

5,34

62,1

125

3,97

8

DM

P

61

Y

T

T

Y

T

T

Y

T

T

Y

316

300

1,37

17,1

11,5

32,6

8,36

73,9

362

3,72

9,5

L

49

Y

T

Y

T

T

Y

Y

T

T

Y

254

260

1,79

24

14,8

42,7

P

49

Y

T

Y

T

T

Y

Y

T

T

Y

254

260

1,79

24

14,8

42,7

P

61

Y

T

T

Y

T

T

Y

T

T

Y

1,37

17,1

11,5

32,6

8,36

73,9

361

3,72

9,5

DM_HIPERGLIKEMIA

L

59

Y

Y

T

Y

Y

T

Y

T

T

Y

260

283

1,1

30

11,9

34,1

25,56

90

352

4,08

7,5

DM_HIPERGLIKEMIA

L

66

Y

T

T

Y

Y

T

Y

Y

Y

Y

314

265

2,52

54,9

12,1

35,3

10,1

83,1

362

4,37

13,3

8,4

DM_HIPERGLIKEMIA

P

56

Y

Y

Y

T

T

Y

T

T

T

Y

256

260

1,07

24,6

13

38,4

5,85

50,5

249

4,5

10,1

P

55

T

Y

T

Y

Y

T

Y

Y

Y

Y

300

297

1,05

14,9

12,1

32,6

9,37

82,4

362

4,54

P

55

T

Y

T

Y

T

T

Y

Y

T

Y

265

288

0,82

44,89

12,4

37,4

7,06

56

350

4,43

L

49

Y

T

T

Y

T

Y

T

T

T

Y

103

108

0,64

24,9

12,7

35,8

8,4

81,7

221

4,38

P

49

Y

Y

Y

Y

T

Y

Y

T

Y

T

119

148

0,75

26,1

10,9

32,9

P

48

Y

Y

T

Y

T

Y

Y

T

T

Y

138

260

0,68

26,8

16,9

33

8,59

74,1

111

4,41

L

43

T

T

T

Y

T

T

Y

T

T

Y

403

402

0,82

35

17

49,5

6,14

68

374

5,36

11,2

L

49

Y

T

Y

Y

T

Y

Y

T

Y

Y

226

260

0,98

26,9

16,9

53,3

12,33

65,7

110

5,84

85

72,4 72,4

10

DM_HIPERGLIKEMIA

12,6

5,7

DM_HIPERGLIKEMIA

15

7,1

DM

10,2

DM

12,4

7,9

DM

3,02

13,7

9,2

DM_HIPERGLIKEMIA

3,02

13,7

10

DM_HIPERGLIKEMIA

1,6

49,4

1,6

49,4

61,7

DM_HIPERGLIKEMIA

9

DM

9

DM

DM DM_HIPERGLIKEMIA 9

DM_HIPERGLIKEMIA

13

4,9

DM

46,7

9,4

DM

8,8

DM DM_NEUROPATI DM

60


P

60

Y

T

T

T

T

Y

T

Y

Y

Y

198

258

1,19

27

13,4

40,5

5,71

49,2

249

4,95

9,4

DM

P

68

Y

T

Y

Y

T

Y

Y

T

T

Y

249

258

1,14

27,3

13,3

39,4

6,51

38,2

232

4,31

9,9

DM

L

47

Y

Y

T

Y

T

Y

Y

T

T

T

122

205

1,25

27,4

13,2

40,4

2,53

61,4

142

5,24

9,8

DM

L

56

Y

Y

Y

T

T

Y

T

Y

T

Y

142

262

0,88

27,6

14,4

43,9

9,4

60,3

206

4,63

9,8

DM

L

58

Y

T

Y

Y

T

Y

Y

Y

T

Y

256

260

0,85

28,6

11,5

32,6

6,5

61,5

124

4,21

9,3

DM

L

64

Y

T

T

Y

T

T

Y

T

T

Y

265

266

L

49

Y

Y

Y

Y

T

Y

Y

Y

Y

Y

211

P

69

T

Y

T

Y

Y

T

Y

Y

Y

Y

P

45

Y

Y

Y

T

T

Y

T

Y

Y

Y

222

L

41

Y

Y

T

Y

T

Y

Y

Y

Y

Y

251

P

52

Y

Y

T

Y

Y

Y

Y

Y

Y

Y

L

70

T

T

T

T

T

T

Y

T

T

Y

415

L

58

T

Y

T

Y

T

Y

Y

Y

T

Y

P

46

Y

Y

Y

Y

T

Y

Y

T

T

P

58

Y

T

Y

T

T

Y

Y

T

T

L

69

T

Y

T

Y

T

Y

Y

Y

P

52

Y

Y

T

Y

T

T

Y

L

68

Y

Y

T

T

T

Y

L

43

Y

T

Y

Y

T

L

52

Y

Y

T

Y

L

52

Y

Y

T

L

46

Y

Y

L

47

Y

Y

P

62

T

L

50

Y

12

0,8

36,4

12,7

39,3

11,01

83,7

355

4,58

7,8

DM_HIPERGLIKEMIA

1,27

29,8

16,9

50,1

5,99

56,2

161

5,42

9,9

DM

0,65

40,1

13

36,6

7,39

78,7

356

4,16

9,3

DM_HIPERGLIKEMIA

0,94

31,4

15

43,6

87,9

8,96

126

5,14

11,4

DM

1,18

32,8

14,9

42,5

13

75,7

236

4,71

8,8

DM

0,76

42,53

13,1

37,3

4,13

32,9

350

4,43

9,6

DM_HIPERGLIKEMIA

392

0,99

37

12,5

35,3

10,35

65

452

3,89

8,3

DM_NEUROPATI

310

270

0,86

20,2

13,4

40,2

6,66

48,7

356

4,89

9,5

DM_HIPERGLIKEMIA

T

142

154

0,6

33,9

11,2

32,4

7,09

86,3

186

3,77

8,2

DM

Y

257

260

1,12

34,7

12,5

37

90,2

249

8,9

DM

T

Y

310

270

0,86

20,2

13,4

40,2

6,66

48,7

356

4,89

9,5

DM_HIPERGLIKEMIA

T

Y

Y

265

277

0,6

12

13,8

40,6

1,93

71,3

350

4,68

12,3

DM_HIPERGLIKEMIA

Y

T

T

Y

256

259

1,22

34,7

12,5

37

90,2

249

Y

T

T

T

Y

257

260

1,34

34,9

14,4

41,3

9,8

7,2

163

5,1

T

Y

Y

Y

Y

Y

262

270

1,28

33,9

14,1

41,6

10,33

86,1

359

Y

T

Y

Y

Y

Y

Y

262

270

1,28

33,9

14,1

41,6

10,33

86,1

359

T

T

T

Y

T

T

T

Y

202

209

1,55

35,3

13,6

T

Y

T

Y

T

T

T

Y

233

0,9

35,4

13,1

39,8

T

T

Y

Y

Y

Y

Y

Y

Y

333

351

0,61

23,5

14,3

40

T

T

Y

Y

T

Y

T

T

Y

333

283

1,79

24

14,9

43

260

52,4

52,4

8,9

DM

13,3

7,3

DM

4,6

11

DM_HIPERGLIKEMIA

4,6

11

DM_HIPERGLIKEMIA

12,9

5,7

DM

45,9

8,2

DM

10

DM_HIPERGLIKEMIA

10

DM_HIPERGLIKEMIA

60,7 15,75

80

351

4,3

72,4

359

1,5

49,5

61


L

49

Y

Y

Y

Y

T

Y

T

T

T

Y

100

130

1,44

36

12,1

38,3

5

192

3,66

13,7

L

47

Y

Y

Y

Y

T

Y

Y

Y

Y

Y

140

195

1,54

36

11,2

33,8

105

3,63

38,3

P

57

Y

Y

T

Y

T

Y

Y

T

Y

Y

173

129

1,01

36,8

12,5

36,7

6,73

71,8

250

4,35

7,2

7,2

DM

L

48

Y

Y

T

Y

T

Y

T

Y

T

Y

257

254

1,48

36,8

13,5

38,9

7,6

50

207

4,6

12,8

7,9

DM

P

55

Y

Y

Y

T

T

Y

Y

T

T

Y

223

260

1,09

37,4

12,6

37,5

15,45

94,3

249

4,23

9,8

DM

L

58

T

Y

T

Y

Y

Y

Y

Y

Y

Y

262

274

2,02

108

L

58

T

Y

T

Y

Y

Y

Y

Y

Y

Y

266

274

2,02

108

15

41,9

3,16

65

350

4,81

11,8

DM_HIPERGLIKEMIA

15

41,9

3,16

65

350

4,81

11,8

DM_HIPERGLIKEMIA

L

56

Y

Y

Y

T

T

Y

T

T

T

Y

254

250

0,99

37,5

14,5

42,2

11,2

68,3

222

4,98

P

58

T

Y

T

Y

Y

T

Y

Y

Y

Y

300

288

L

34

Y

Y

Y

Y

T

Y

Y

T

Y

Y

257

260

1,3

38

14,5

41,1

9,72

51,7

250

4,94

9,3

DM

L

56

Y

T

T

Y

T

T

Y

T

T

Y

412

395

0,77

41,2

11,3

34,4

6,53

71,3

400

4,08

7,2

DM_NEUROPATI

L

62

Y

Y

Y

Y

Y

T

T

Y

Y

Y

335

231

8,2

30,2

5,29

30,2

30,2

51,29

308

3,68

9,5

HT_DM

P

49

Y

T

T

Y

T

Y

T

T

T

Y

257

260

1,43

38,7

12,36

7,63

62,7

60

104

L

62

Y

Y

Y

Y

Y

T

T

Y

Y

Y

335

301

8,2

30,2

5,29

30,2

30,2

51,29

308

3,68

9,5

HT_DM

L

49

Y

T

T

Y

T

Y

Y

T

T

T

0,8

38,9

13,3

40

13,68

89,5

250

4,95

8,7

DM

L

70

T

T

Y

T

Y

T

T

Y

T

Y

6,44

250

8

23,5

10,39

96,4

301

2,75

38

P

83

T

Y

Y

T

Y

T

T

Y

T

Y

360

301

65,2

8,1

24,2

10,6

70,4

331

3,02

13,8

4,9

HT_DM

P

49

Y

Y

Y

Y

T

Y

Y

T

T

Y

224

234

2,33

39,9

10,4

305

27,8

90,5

105

3,87

12,9

5,6

DM

L

51

Y

Y

Y

Y

Y

Y

T

Y

Y

Y

352

342

1,15

54,7

8,8

25,3

10,27

89,3

301

2,97

9,6

HT_DM

L

59

T

Y

Y

T

Y

T

T

Y

T

Y

340

343

7,97

157,02

10,1

28,4

3,09

83,6

333

3,48

9,7

HT_DM

L

65

Y

Y

Y

T

T

Y

Y

T

Y

Y

170

250

1,32

40,3

12,8

37,3

2,91

15

104

3,94

9,4

DM

L

67

Y

T

T

Y

T

Y

T

T

T

Y

210

258

1,3

43

11,2

32,4

12,7

89,8

110

3,76

12,5

4,4

DM

L

60

T

T

Y

Y

Y

Y

T

Y

T

Y

360

301

1,39

178,8

10,3

29,8

14,2

12,8

3,3

HT_DM

P

49

Y

T

Y

Y

T

Y

Y

T

T

Y

257

260

43,4

16,3

46,6

11,1

8,2

250

5,69

13,3

5,3

DM

P

63

Y

T

Y

Y

T

Y

Y

Y

T

Y

257

258

44,8

12,5

36,4

10,55

77,9

208

4,34

36,2

12,3

6,4

DM DM

7,9

DM DM_HIPERGLIKEMIA

0,93

10,9

DM

HT_DM

DM

62


L

53

Y

Y

Y

Y

Y

Y

T

Y

Y

T

335

300

2,2

33,9

10,3

29,3

7,83

61,9

308

3,83

9,6

HT_DM

L

56

Y

Y

T

T

T

Y

Y

Y

Y

T

254

260

1,48

46,5

10

28,8

8,83

79,1

215

3,31

8,7

DM

P

42

Y

Y

Y

Y

T

Y

Y

Y

T

Y

255

260

1,36

47,6

11

P

58

Y

T

Y

T

Y

Y

Y

T

T

Y

257

266

1,11

51

11,3

34,8

10,13

69,3

164

4,24

P

62

Y

Y

Y

Y

Y

T

T

Y

T

Y

356

301

1,68

75,2

10,4

30,6

12,35

78,5

306

3,6

P

60

Y

Y

T

T

Y

Y

T

Y

Y

T

256

251

1,6

51,4

12,2

35,1

6,68

70,8

249

4,17

P

62

Y

Y

Y

T

Y

T

T

Y

T

T

334

300

0,77

16,3

10,5

32,6

12,3

85,4

307

5,94

15,6

P

62

Y

Y

Y

T

Y

T

T

Y

T

T

334

300

0,77

16,3

10,5

32,6

12,3

85,4

308

5,94

L

58

Y

Y

Y

T

Y

Y

T

T

T

Y

238

260

1,89

54,6

9,8

28,1

9,2

89,5

105

P

58

Y

T

T

T

Y

Y

T

T

Y

Y

107

143

1

55,3

16,9

31,6

3,7

97,5

P

56

Y

T

T

T

Y

Y

T

T

T

Y

225

248

1,79

58,1

10,6

28,9

11

86,5

L

46

Y

Y

T

Y

Y

Y

T

T

T

Y

257

260

0,85

58,5

14,1

P

54

T

T

Y

Y

Y

T

T

Y

T

T

360

301

1,9

61,6

10,6

P

46

Y

Y

Y

Y

Y

T

T

Y

T

Y

360

353

2,67

94,9

10,9

L

49

Y

T

Y

Y

Y

Y

Y

Y

T

Y

254

260

1,17

58,6

11,1

32,5

2,7

68,2

P

49

Y

Y

T

T

Y

Y

T

T

T

T

162

221

1,64

64,6

12,8

37,6

9,14

90

P

65

T

Y

Y

T

Y

T

T

Y

T

Y

352

305

1,89

26

11,3

34

19,82

L

61

T

T

Y

T

Y

Y

T

Y

Y

Y

355

301

0,92

29,1

11,5

33,3

3,6

P

64

T

Y

Y

T

Y

T

T

Y

Y

Y

360

302

1,57

34,3

11,6

33

P

80

Y

Y

Y

Y

Y

Y

T

Y

T

T

360

322

1

37

11,9

L

56

Y

Y

Y

T

Y

Y

T

Y

Y

Y

254

260

0,83

70,4

68,6

12,98

81,3

DM

39,1

DM 9,5

HT_DM

8,9

DM

3,6

HT_DM

15,6

3,6

HT_DM

3,36

14,8

3,9

DM

104

4,4

13,6

6,1

DM

104

3,42

12,6

11,4

DM

48,8

9,9

DM

8,7

HT_DM

14,9

5,7

HT_DM

49,6

11,7

DM

11,7

DM

78,4 31,2

47,6

331

3,56

18,7

250

4,55

305

4,17

35,9

11

HT_DM

49

321

4,45

13,8

6,2

HT_DM

10,01

90,2

321

4,07

8,3

HT_DM

35,3

9,35

64,7

301

3,87

8,3

HT_DM

2,9

8,8

4,01

58,5

104

1,08

11

DM

3,06

13

6

DM

47,7

10,1

DM

L

49

Y

Y

Y

Y

Y

Y

T

T

T

Y

166

149

4,3

74

8,7

26,1

10

92,6

110

P

60

Y

Y

T

T

Y

Y

T

T

T

Y

100

135

1,62

74,1

10,7

31,2

6

92,5

110

L

63

Y

T

T

Y

Y

Y

Y

T

T

Y

256

260

1,95

78,2

8,2

25,5

15,7

94,8

250

L

36

Y

Y

Y

Y

Y

Y

T

Y

T

Y

460

308

11,9

69,1

2,97

12,6 42,8

DM 9,8

HT_DM

63


P

57

Y

Y

Y

Y

Y

Y

T

Y

T

Y

353

311

1,01

19,3

12,1

36,2

6,16

57,8

323

4,19

9,7

HT_DM

P

55

Y

Y

T

Y

Y

Y

T

Y

T

Y

254

260

1,2

79,8

10,1

30

21,39

83,1

120

3,43

8,2

DM

P

45

Y

T

T

Y

Y

Y

Y

T

Y

T

190

233

1,08

82,6

10,9

33,5

11,18

67,4

160

4,11

11,6

DM

L

49

Y

Y

Y

Y

Y

Y

Y

T

T

Y

183

260

1,05

84

11,1

31,1

21,7

8

DM

L

52

Y

Y

Y

Y

Y

T

T

Y

T

Y

335

300

1,44

36

12,1

38,3

5

79,8

321

4,55

P

45

Y

T

Y

T

Y

Y

Y

Y

Y

Y

310

221

0,55

89,1

15,1

43,3

10,52

82,8

132

4,79

11,5

DM

P

43

Y

Y

T

Y

Y

Y

T

T

Y

Y

257

1,1

96,7

10,4

30,3

15,43

89,2

105

3,81

8,6

DM

P

80

Y

Y

Y

Y

Y

Y

T

Y

Y

Y

334

300

0,72

40

12,3

35,9

8,54

64,1

301

5,01

11,4

HT_DM

P

80

Y

Y

Y

Y

Y

Y

T

Y

Y

Y

334

300

0,72

40

12,3

35,9

8,54

64,1

301

5,01

11,4

HT_DM

L

45

Y

Y

Y

Y

Y

Y

T

T

T

Y

222

260

2,1

99,2

12,7

37,6

12,91

83,3

250

4,33

11,1

DM

L

44

Y

Y

Y

T

Y

Y

T

T

T

Y

206

232

0,76

126

16,6

48,1

18,96

16,91

110

5,64

41,5

P

64

Y

Y

T

Y

Y

Y

T

T

T

Y

222

4,43

151

7,9

24,9

12,4

93,9

125

2,99

13,1

P

57

Y

Y

Y

T

Y

Y

Y

T

Y

Y

145

257

13,1

40,9

13,18

66,7

120

P

55

T

Y

Y

Y

Y

Y

T

Y

Y

Y

352

340

1,66

43,1

12,3

41,8

7,48

55,8

P

77

Y

Y

Y

Y

Y

Y

T

Y

Y

Y

334

300

0,72

50

12,3

40

8,54

64,1

P

58

Y

Y

Y

Y

Y

Y

Y

Y

Y

Y

163

240

9,7

29,2

7,09

P

48

Y

Y

T

Y

Y

Y

T

T

T

Y

257

260

1,7

9,6

27,8

P

58

T

Y

Y

T

Y

T

Y

Y

Y

Y

361

351

1,2

10,5

10,7

P

56

Y

T

Y

Y

Y

T

T

Y

T

Y

334

300

4,95

146,5

P

52

Y

Y

Y

Y

Y

T

Y

Y

T

Y

388

381

0,68

P

61

Y

Y

T

T

Y

T

Y

T

T

T

387

P

61

Y

Y

T

T

Y

T

Y

T

T

T

P

63

Y

Y

Y

Y

T

T

T

T

Y

Y

383

378

P

55

T

T

T

Y

Y

T

T

T

T

Y

378

L

80

T

T

T

T

Y

T

T

T

T

Y

378

13,7

6,4

HT_DM

DM 9,7

DM

4,6

7,7

DM

322

4,54

10

HT_DM

331

5,01

12

HT_DM

60,9

249

3,33

8,6

DM

5,21

72

145

3,23

9,9

DM

32,1

9,46

80,5

251

3,83

8,1

ULKUS_DM

12,4

37,9

12

84,9

349

4,64

14,9

13,5

39,8

10,9

268

5,11

0,99

21,7

14,6

43,7

9,37

300

4,2

49,4

10,6

ULKUS_DM

0,99

21,7

14,6

43,7

4,2

49,4

10,6

ULKUS_DM

1,19

27,5

11,3

33,5

4,93

47,6

286

4,09

19

9,8

ULKUS_DM

390

0,95

27,9

10,2

30,1

9,4

68,4

251

2,2

4,4

ULKUS_DM

351

1,12

28,3

12,9

37,8

25,1

97,5

268

4,97

5,8

ULKUS_DM

55,4 55,4

12,8

HT_DM ULKUS_DM

15,4

64


L

61

T

Y

Y

Y

Y

T

T

Y

Y

Y

L

58

Y

T

T

Y

Y

T

Y

Y

T

Y

P

61

Y

Y

Y

T

Y

T

Y

Y

T

Y

P

46

Y

T

Y

Y

Y

T

Y

Y

Y

P

59

Y

Y

Y

T

Y

T

T

Y

P

59

Y

Y

Y

T

Y

T

T

P

69

Y

T

Y

Y

T

T

Y

P

59

Y

Y

Y

T

Y

T

P

60

T

T

Y

T

Y

L

47

Y

Y

T

Y

L

47

Y

Y

T

P

75

T

T

P

50

Y

P

50

P

65

L

378

355

1,13

31,3

10,4

33,5

2

12,8

4,6

ULKUS_DM

390

1,35

33,3

11

32

8,62

79,3

265

3,52

11,9

ULKUS_DM

388

381

1,62

33,5

12,2

36

10,56

74,7

278

4,21

11,3

ULKUS_DM

Y

383

351

0,6

33,9

11,2

32,4

7,09

86,3

300

3,77

8,2

ULKUS_DM

Y

T

347

303

0,69

38,6

12,5

34,6

11,07

81,7

331

3,99

9,5

HT_DM

Y

Y

T

359

312

0,69

38,6

12,5

T

Y

Y

378

352

0,87

35,3

12,6

34,6

11,07

81,7

331

3,99

9,5

HT_DM

38,6

24,9

79,9

279

3,4

7,1

ULKUS_DM

T

Y

Y

Y

340

350

0,74

33,98

12,5

36,5

9,2

75,5

333

4,14

11,7

HT_DM

T

T

Y

T

Y

334

230

1,36

60,6

12,5

38

8,11

77

333

4,75

9,1

HT_DM

Y

T

Y

T

T

Y

362

381

0,96

35,4

13,1

39,8

30,5

45,9

8,2

ULKUS_DM

Y

Y

T

Y

T

T

Y

362

381

0,96

35,4

13,1

39,8

30,5

45,9

8,2

ULKUS_DM

T

Y

Y

T

Y

T

T

T

378

355

0,62

42,2

14

38,8

6,8

93

288

4,47

13,5

5,5

ULKUS_DM

T

Y

Y

Y

T

Y

T

T

T

378

351

0,98

43,1

13,5

41,5

7,48

56,8

286

4,54

9,9

ULKUS_DM

Y

T

Y

Y

Y

T

Y

T

T

Y

Y

Y

Y

T

T

Y

T

T

378

351

0,98

43,1

13,5

41,5

7,48

56,8

286

4,54

9,9

ULKUS_DM

Y

T

360

343

0,89

32,4

12,8

38,7

10,12

78,9

301

4,52

9,4

HT_DM

54

T

Y

Y

Y

Y

T

T

Y

T

Y

351

301

1,07

43

13

36,8

9,9

81,5

331

4,79

5,8

HT_DM

L

47

Y

T

Y

Y

Y

T

T

T

T

Y

388

355

0,84

45,1

8,4

23

19

78,8

251

2,6

3,4

ULKUS_DM

P

80

T

T

T

Y

Y

T

T

T

T

Y

388

352

1,41

52

10,8

30

30,2

63,8

268

6

6,9

ULKUS_DM

P

89

T

T

Y

T

Y

T

T

Y

T

Y

388

352

0,92

54,2

13,5

37,9

18,64

89,4

270

4,27

10,9

ULKUS_DM

L

60

T

T

Y

Y

Y

T

T

Y

T

Y

360

301

1,87

14,7

13,3

36,3

42,8

97,4

321

4,33

P

73

Y

T

Y

Y

Y

T

Y

T

T

T

388

352

1,52

55

11

32,5

30,2

69,5

269

7,2

P

65

Y

P

43

T

Y

Y

Y

T

T

Y

Y

T

T

388

390

1

55,8

11,8

39

42,77

87

251

5,3

Y

T

Y

Y

T

Y

T

T

T

378

352

2,1

56

10,7

34,1

9,25

87,7

268

4,03

L

50

Y

Y

T

Y

Y

T

T

T

T

Y

362

351

0,9

57

13,7

38,9

24,52

21

300

4,71

P

55

Y

T

Y

Y

Y

Y

T

Y

T

T

352

309

0,98

43,1

13,5

41,5

7,48

56,8

322

4,54

35,3

33,6

9,4

HT_DM

7

ULKUS_DM

9,7

ULKUS_DM

8,3

ULKUS_DM

36,1

ULKUS_DM 9,9

HT_DM

65


P

50

Y

T

Y

Y

Y

Y

T

Y

T

T

360

309

0,98

43,1

13,5

41,5

7,48

56,8

322

4,54

9,9

HT_DM

P

52

Y

Y

Y

Y

Y

Y

T

Y

T

Y

358

301

0,68

14,9

13,5

39,8

10,9

82,8

349

5,17

L

50

Y

Y

T

Y

Y

T

T

T

T

Y

363

351

0,9

57

13,7

38,9

24,52

21

300

4,71

L

60

T

T

Y

Y

T

T

Y

T

T

T

403

391

0,99

110,3

16,4

49,2

8,06

62,6

380

4,93

P

74

T

T

Y

Y

T

T

Y

Y

T

T

378

381

0,77

58,8

12,9

37,6

8,5

90

300

4,79

13,9

5,4

ULKUS_DM

HT_DM 36,1

ULKUS_DM 10,1

DM_NEUROPATI

L

68

T

T

Y

T

Y

T

T

T

T

Y

378

351

1,03

60

11,9

35,4

8,1

69,1

300

4,47

33,6

12,5

ULKUS_DM

P

68

T

T

Y

T

Y

T

T

T

T

Y

389

351

1,03

60

11,9

35,4

8,1

69,1

300

4,47

33,6

12,5

ULKUS_DM

L

70

T

T

T

Y

T

T

Y

T

T

T

403

401

0,78

126,4

14,2

40,8

18,3

93

364

4,9

13,8

7,2

DM_NEUROPATI

P

52

Y

Y

Y

Y

Y

Y

T

Y

T

Y

358

301

0,68

14,9

13,5

39,8

10,9

82,8

349

5,17

9,3

HT_DM

P

62

T

T

T

Y

Y

T

T

T

T

Y

400

355

1,12

62,4

12,2

35,6

19,7

88,3

251

4,86

13,6

5,3

ULKUS_DM

P

68

Y

Y

Y

Y

Y

T

T

Y

T

Y

360

301

2,55

27

13,5

41

2,42

41,3

333

4,66

9,2

9,2

HT_DM

L

50

Y

Y

Y

T

Y

T

T

Y

T

Y

335

333

0,9

57

13,7

38,9

24,52

21

321

4,71

36,1

HT_DM

L

57

Y

T

T

Y

Y

T

T

Y

T

T

360

301

1,19

56,8

13,8

41,9

8,9

81,2

333

4,83

12,2

HT_DM

P

62

Y

T

Y

Y

Y

T

T

Y

T

T

360

301

0,63

19,8

14

41,3

2,87

48,5

301

4,91

L

70

T

T

Y

Y

Y

Y

T

Y

Y

Y

360

341

1,28

42,01

14

41,1

7,42

68,1

331

5,44

L

70

Y

T

Y

Y

Y

Y

T

Y

Y

Y

340

320

1,7

53,1

14,5

45,1

4,39

62,7

333

5,17

P

66

T

T

T

Y

Y

T

T

T

T

Y

400

355

1,12

62,4

12,2

35,6

19,7

88,3

286

4,86

P

70

Y

T

Y

Y

Y

Y

T

Y

Y

Y

341

310

1,7

53,1

14,5

45,1

4,39

62,7

333

P

58

T

T

Y

Y

Y

Y

T

Y

T

Y

349

391

0,93

37,1

14,7

42,8

9,03

78

301

P

60

Y

T

T

Y

Y

T

T

T

T

Y

377

351

1,62

74,1

10,7

31,2

6

92,5

P

64

Y

Y

Y

Y

Y

T

Y

T

T

Y

388

390

2,47

74,5

4,86

38,4

7,87

83,6

286

3,7

L

53

Y

Y

Y

Y

Y

Y

T

Y

Y

Y

341

311

1

31,4

14,7

42,7

8,59

71,1

333

4,88

L

50

Y

T

Y

T

Y

T

T

Y

T

Y

350

1,7

24

14,8

42,7

L

58

T

T

Y

Y

Y

Y

T

Y

T

Y

334

301

1,42

43

14,8

44,2

6,24

76,8

333

5,04

P

71

Y

T

T

Y

T

T

T

T

T

T

378

351

1,9

82,4

12,4

37,4

15,95

86,8

286

4,09

11,7

HT_DM HT_DM

9,4

HT_DM

5,3

ULKUS_DM

5,17

9,4

HT_DM

4,7

10,7

HT_DM

47,7

10,1

ULKUS_DM

44,5

9,2

ULKUS_DM

9,4

HT_DM

9

HT_DM

13,6

49,4 38,4

HT_DM 8,3

ULKUS_DM

66


P

58

T

Y

Y

Y

T

T

T

Y

Y

Y

378

381

2,05

106,7

9,4

28,3

3,38

65,4

261

3,39

10,1

ULKUS_DM

L

61

Y

Y

T

Y

Y

T

T

T

Y

Y

361

391

3,29

176

19,9

65,4

15,36

91,5

268

7,15

13,5

ULKUS_DM

P

51

Y

Y

T

Y

T

T

T

T

Y

Y

7,57

195,7

7,6

22,5

8,6

ULKUS_DM

P

60

Y

Y

Y

Y

Y

T

T

Y

T

Y

352

345

2,22

155

14,9

44,8

11,77

88,3

331

5,01

8,8

HT_DM

L

55

Y

T

Y

Y

Y

T

T

Y

T

Y

335

301

1,28

25,3

15,4

45,7

26,9

90,7

331

4,79

5,3

HT_DM

P

70

Y

Y

Y

Y

T

T

Y

T

Y

Y

362

355

9,6

28,6

4,92

77,7

268

3,1

8,2

ULKUS_DM

L

61

T

T

T

Y

T

T

Y

T

T

T

403

400

0,79

13,4

14,2

41,1

7,41

83,9

363

5,15

10,3

DM_NEUROPATI

L

53

T

T

T

T

T

T

Y

T

Y

T

404

335

0,79

29

11,6

35,1

9,37

80

452

6,19

10,7

DM_NEUROPATI

L

70

T

T

T

T

T

T

Y

T

T

Y

405

392

0,99

37

12,5

35,3

10,35

65

452

3,89

8,3

DM_NEUROPATI

L

56

Y

T

T

Y

T

T

Y

T

T

Y

400

395

0,78

41,2

11,3

34,4

6,53

71,3

400

4,08

7,2

DM_NEUROPATI

L

60

T

T

Y

Y

T

T

Y

T

T

T

402

391

0,91

110,3

16,4

49,2

8,06

62,6

380

4,93

10,1

DM_NEUROPATI

79,7

55,7

12,7

67


Lampiran 9 Keterangan Nama Kolom Kode

Keterangan

K1

Jenis kelamin

K2

Keturunan

K3

Nafas

K4

Jantung dan darah

K5

Integumen

K6

Persyarafan

K7

Sendi

K8

Penglihatan

K9

Pendengaran

K10

Penciuman

K11

Pencernaan

K12

Gula darah puasa

K13

Gula darah 2 jam PP

K14

Creatin

K16

Urea

K17

Hemoglobin

K18

Hematrokit

K19

Lekosit

K20

Neutrofil

K21

Trombosit

K22

Eritrosit

K23

RDW-SD

K24

MPV

K25

Kelas



KLASIFIKASI DIAGNOSA DIABETES MELLITUS DENGAN PENERAPAN METODE NAÏVE BAYESIAN CLASIFIER SKRIPSI. Diajukan Untuk Memenuhi Salah Satu Syarat

Recommend Documents