PENERAPAN COMPUTATIONAL INTELLIGENCE DENGAN FUZZY LOGIC PADA HYBRID MOBILE APPLICATION UNTUK INFORMASI POTENSI SESEORANG TERHADAP DIABETES MELLITUS
Rian Budi Lukmanto, Amanda Nurani Nataprawira, Fathureza Januarza, Edy Irwansyah Bina Nusantara University, KH. Syahdan No.9 Palmerah, Jakarta and 11480, Indonesia
ABSTRACT
Number of patients with Diabetes Mellitus (DM) is increasing every year. This is partly due to the lack of attention to people with Diabetes Mellitus (DM) in regulating a healthy lifestyle. The discussion in this paper deals with the application of computational intelligence with fuzzy logic which applied to the hybrid mobile application that is designed to be able to produce information related to the potential for someone to Diabetes Mellitus (DM), with also included the proper treatment information. The method used in this study use Scrum development model that includes the determination of the backlog, sprint process, scrum meetings and release stages or demos as systematic steps to meet the methods of analysis and design methods. The results of the research in this paper is a mobile application that can help users to determine their potential for Diabetes Mellitus (DM) and to obtain information related to proper treatment information. Berdasarkan penelitian yang telah dilakukan, diperoleh simpulan bahwa penerapan computational intelligence dengan fuzzy logic dapat digunakan sebagai pendekatan alternatif untuk deteksi dini pada penyakit Diabetes Mellitus (DM). Based on research that has been done, it can be concluded that the application of computational intelligence with fuzzy logic can be used as an alternative approach for early detection of the disease Diabetes Mellitus (DM). Keywords : Diabetes Mellitus, Computational Intelligence, Fuzzy Logic, Hybrid Mobile Application ABSTRAK Jumlah penderita Diabetes Mellitus (DM) terus mengalami peningkatan setiap tahunnya. Hal ini salah satunya disebabkan karena kurangnya perhatian penderita Diabetes Mellitus (DM) dalam mengatur pola hidup yang sehat dan baik. Pembahasan pada penulisan ini berkaitan dengan penerapan computational intelligence dengan fuzzy logic yang diterapkan pada hybrid mobile application yang di rancang untuk dapat menghasilkan informasi terkait potensi seseorang terhadap
Diabetes Mellitus (DM), dengan turut disertakan informasi treatment yang tepat. Metode yang digunakan dalam penulisan ini menggunakan scrum model development yang meliputi penetapan backlog, sprint process, scrum meeting dan tahapan rilis atau demos sebagai langkah sistematis untuk memenuhi metode analisis dan metode perancangan. Hasil yang diperoleh dari penelitian pada penulisan ini adalah aplikasi mobile yang dapat membantu user untuk mengetahui potensinya terhadap Diabetes Mellitus (DM) dan memperoleh informasi terkait informasi treatment yang tepat. Berdasarkan penelitian yang telah dilakukan diperoleh simpulan bahwa penerapan computational intelligence dengan fuzzy logic dapat digunakan sebagai pendekatan alternatif untuk deteksi dini pada penyakit Diabetes Mellitus (DM). Kata Kunci : Diabetes Mellitus, Computational Intelligence, Fuzzy Logic, Hybrid Mobile Application PENDAHULUAN Latar Belakang Diabetes Mellitus (DM) adalah penyakit yang menyebabkan meningkatnya kadar glukosa darah dalam tubuh dan tergolong kedalam penyakit kronis yang bersifat melemahkan sehingga dapat menyebabkan dampak komplikasi serius bagi penderitanya. Perkiraan angka kematian yang disebabkan oleh dampak komplikasi dari penyakit ini diklaim adalah 1 kematian setiap 6 sampai 10 detik di seluruh dunia (Kaul et al, 2013; International Diabetes Federation, 2014; Varma et al, 2014). Penyakit Diabetes Mellitus (DM) dapat di klasifikasikan kedalam tiga kategori yaitu Diabetes Mellitus tipe 1, Diabetes Mellitus tipe 2 dan Diabetes Mellitus Gestational. Diabetes Mellitus tipe 1 adalah penyakit dimana sistem kekebalan tubuh menyerang β-cell yang berfungsi untuk memproduksi hormon insulin. Diabetes Mellitus tipe 2 adalah penyakit dimana jumlah produksi hormon insulin dalam tubuh tidak cukup untuk mengontrol kadar glukosa darah dalam tubuh dan Diabetes Mellitus Gestational adalah penyakit yang menyerang wanita dimana tingkat kadar glukosa darah menjadi tinggi pada masa kehamilan (Beloufa & Chikh, 2013; de Faria Maraschin, 2013; International Diabetes Federation, 2014; Varma et al, 2014). Berdasarkan perolehan data International Diabetes Federation (2014) bahwa prevalensi angka penderita Diabetes Mellitus (DM) pada tahun 2011 adalah 366 juta penderita dan mengalami peningkatan pada tahun 2013 menjadi 382 juta penderita dengan muncul dugaan bahwa 46% dari penderita tidak menyadari bahwa dirinya telah terkondisikan mengidap Diabetes Mellitus (DM). Secara estimasi dari tahun 2013 hingga tahun 2035 prevalensi penderita akan mencapai 592 juta penderita atau akan mengalami peningkatan sebesar 55% (Canivell & Gomis, 2014; International Diabetes Federation, 2014). Telah disadari bahwa peningkatan jumlah data dalam sistem informasi bidang kesehatan khususnya terkait dengan penyakit Diabetes Mellitus (DM) sangatlah besar dan memungkinkan untuk berkontribusi dalam upaya melakukan diagnosis sejak dini. Namun, analisis terhadap data yang cukup besar dengan metode tradisional dinilai sudah tidak memungkinkan. Maka dari itu, untuk menjawab
persoalan tersebut dapat diusulkan sebuah sistem komputasi dengan penerapan teknik computational intelligence yang menuntut efisiensi dan efektifitas dalam melakukan analisis terhadap data. (Sanz et al, 2014; Varma et al, 2014; Nguyen et al, 2015). Dewasa ini, penelitian terhadap ilmu kesehatan dengan memanfaatkan sumber-sumber data informasi khususnya terkait dengan penyakit Diabetes Mellitus (DM) telah banyak dilakukan untuk melakukan klasifikasi terhadap data medis dalam rangka terus memperbarui metode diagnosis yang telah ada (Meng et al, 2013; Nahar et al, 2013; Nguyen et al, 2015). Teori himpunan fuzzy adalah salah satu diantara metode dalam penerapan computational intelligence yang telah banyak berdedikasi dan dianjurkan dalam metode diagnosis di dunia medis (Sanz et al, 2014; Nguyen et al, 2015). Pada penulisan ini akan diperkenalkan analisis dan perancangan terhadap penerapan computational intelligence dengan fuzzy logic pada hybrid mobile application untuk memberikan informasi terkait potensi seseorang terhadap penyakit Diabetes Mellitus (DM). Hybrid mobile application dapat didefinisikan sebagai web mobile application yang berjalan di dalam suatu web-to-native bridge framework yang memungkinkan teknologi pemrograman aplikasi mobile berbasis web dapat berjalan dan melakukan akses terhadap fitur-fitur yang tersedia pada suatu perangkat mobile tertentu layaknya native mobile application (Wargo, 2013; Karadimce & Bogatinoska, 2014). Proses pengembangan pada hybrid mobile application memungkinkan pengembang aplikasi dapat menggunakan kembali pemrograman aplikasi yang telah mereka buat pada platform mobile tertentu agar dapat digunakan kembali pada platform mobile lainnya tanpa harus melakukan pemrograman ulang (Karadimce & Bogatinoska, 2014). Rumusan Masalah Berdasarkan pemaparan latar belakang diperoleh beberapa rumusan masalah adalah sebagai berikut : 1. Akan dilakukan upaya penerapan fuzzy logic pada hybrid mobile application yang dapat memberikan informasi terkait potensi seseorang terhadap penyakit Diabetes Mellitus (DM). 2. Informasi seputar treatment yang tepat terkait penyakit Diabetes Mellitus (DM) akan disajikan pada aplikasi sebagai bentuk informasi lanjutan kepada user. Tujuan dan Manfaat Adapun tujuan dan manfaat yang ingin dicapai dalam penelitian dan perancangan aplikasi ini adalah sebagai berikut : Tujuan Tujuan yang ingin dicapai dalam perancangan aplikasi diagnosis Diabetes Mellitus (DM) ini adalah sebagai berikut : 1. Menghasilkan aplikasi yang dapat memberikan informasi terkait potensi seseorang terhadap penyakit Diabetes Mellitus (DM) dengan penerapan fuzzy logic pada hybrid mobile application. 2. Menyajikan informasi kepada user seputar treatment yang tepat mengenai penyakit Diabetes Mellitus (DM) sebagai informasi lanjutan kepada user.
Manfaat Manfaat yang ingin diperoleh dari penelitian dan perancangan pada penulisan ini adalah sebagai berikut : 1. Sebagai sarana bantu bagi user untuk memperoleh informasi terkait potensinya terhadap penyakit Diabetes Mellitus (DM) dengan menggunakan perangkat mobile sehingga langkah antisipasi dapat dilakukan sedini mungkin. 2. Sebagai sarana bantu bagi user untuk mendapatkan informasi seputar treatment yang tepat dalam mengantisipasi risiko komplikasi yang disebabkan Diabetes Mellitus (DM).
Metodologi Penelitian Berikut Metodologi Penelitian yang berisi mengenai metode yang digunakan dalam penelitian dan perancangan aplikasi ini adalah sebagai berikut : Studi Literatur Metode ini dilakukan dengan melakukan pencarian data-data referensi yang berkaitan dengan penelitian melalui literatur, jurnal, artikel dan referensi online. Observasi Observasi dilakukan di Rumah Sakit Meilia Cibubur untuk mendapatkan data-data pengamatan terkait penelitian dan perancangan aplikasi dengan melakukan pengumpulan sample data terkait Diabetes Mellitus (DM) yang sudah teridentifikasi sebelumnya untuk dijadikan sumber analisis data pada penelitian ini. Analisis Terhadap Penelitian Sejenis Metode ini dilakukan dengan melakukan analisis terhadap penelitian sejenis yang sudah pernah dilakukan pada penelitian sebelumnya sehingga dapat diperoleh informasi yang dapat menjadi acuan dalam pengembangan aplikasi pada penelitian ini. Perancangan dan Implementasi Perancangan Metode yang digunakan untuk melakukan perancangan aplikasi pada penulisan ini adalah menggunakan Scrum model development yang meliputi komponen-komponen utama seperti backlog, sprints, scrum meetings dan demos. Implementasi Dalam memberikan informasi terkait potensi seseorang terhadap Diabetes Mellitus (DM) sistem pada hybrid mobile application ini akan berjalan dengan komputasi fuzzy dan dilanjutkan dengan proses klasifikasi terhadap data masukan yang telah tersimpan dan terkumpul pada basis data berdasarkan hasil potensi untuk diperoleh nilai rata-rata dari setiap variabel. Uji Akurasi dan Evaluasi Uji Akurasi Uji Akurasi dilakukan dengan menggunakan aturan-aturan (rules) terkait diagnosis Diabetes Mellitus (DM) yang sudah teridentifikasi pada tahap observasi untuk mendapatkan nilai akurasi terhadap aturan pada sistem aplikasi yang diimplementasikan di dalam penelitian ini. Evaluasi Evaluasi dilakukan dengan melakukan survei testimonial terhadap user. Hal ini dilakukan untuk mengetahui performa dari hasil penelitian dan perancangan terhadap aplikasi.
Sistematika Penulisan Pada penulisan skripsi ini setiap penelitian disajikan dengan sistematika penulisan pembagian menjadi beberapa bab. Skripsi ini terdiri dari 5 bab utama adalah sebagai berikut : BAB I PENDAHULUAN Pada bab ini diuraikan mengenai hal-hal yang menjadi latar belakang penelitian, rumusan masalah yang diperoleh, ruang lingkup penelitian, tujuan dan manfaat yang akan diperoleh dari penelitian, metodologi penelitian dan sistematika penulisan dari skripsi ini. BAB II TINJAUAN PUSTAKA Pada bab ini akan diuraikan landasan teori yang berkaitan dengan penelitian dan penyusunan skripsi ini. Selain diuraikan landasan teori pada bab ini juga akan di ulas terhadap topik-topik penelitian terkait yang pernah dilakukan sebelumnya. BAB III METODOLOGI Pada bab ini dimuat mengenai metode yang diterapkan dan di implementasikan pada penulisan, penelitian dan perancangan pada hybrid mobile application dengan fuzzy logic untuk informasi potensi seseorang terhadap Diabetes Mellitus (DM). BAB IV HASIL DAN PEMBAHASAN Pada bab ini berisi mengenai bagaimana aplikasi ini di implementasikan yang meliputi tahapan uji coba, komentar dan evaluasi yang diperoleh terhadap hasil penelitian dan perancangan dari aplikasi ini setelah metode-metode terkait diterapkan dan di implementasikan. BAB V SIMPULAN DAN SARAN Pada bab ini dituliskan mengenai simpulan yang di dapat dari penelitian dan perancangan aplikasi ini. Sehingga, dapat menjawab rumusan masalah yang telah dirumuskan sebelumnya disertakan saran berupa implikasi terhadap pengembangan lebih lanjut dan arahan bagi pengguna aplikasi. METODE PENELITIAN Metode Pengembangan Pada skripsi ini akan digunakan metode pengembangan dengan Scrum Model Development yang melibatkan beberapa komponen utama. Menurut Pressman (2010:83) komponen-komponen tersebut meliputi backlog, sprints, scrum meetings dan demos. Berikut penerapannya :
Gambar 1 Scrum Development Process
Analisis Kebutuhan Demi kesesuaian yang diharapkan antara tujuan penelitian dengan hasil yang akan diperoleh dari penelitian, analisis terhadap kebutuhan user perlu dilakukan untuk mengetahui hal-hal apa saja yang dibutuhkan oleh user dalam memanfaatkan hasil dari penelitian ini. Fakta-fakta tersebut diperoleh dengan melakukan wawancara kepada 27 responden yang telah di deteksi menderita Diabetes Mellitus (DM) ataupun memiliki riwayat keturunan Diabetes Mellitus (DM). Berikut adalah hasil analisis yang berhasil diperoleh dari wawancara yang telah dilakukan kepada para responden yang sudah dipilih berdasarkan ketentuan yang sudah ditetapkan berdasarkan arah dan tujuan penelitian (informasi lebih detail mengenai isi dari pertanyaan yang diajukan dapat ditemukan pada halaman lampiran). Analisis yang dilakukan dengan metode wawancara kepada 27 responden yang terdiri dari 11 responden laki-laki dan 16 responden perempuan dengan klasifikasi 4 responden sudah menjadi penderita Diabetes Mellitus (DM) dan 23 responden tidak dapat dikatakan sebagai penderita Diabetes Mellitus (DM) namun diduga memiliki riwayat keturunan Diabetes Mellitus (DM) dengan rincian 11 responden dengan riwayat keturunan dari ibu, 2 responden dengan riwayat keturunan dari ayah, 4 responden dengan riwayat keturunan dari kedua orang tua dan 6 responden dengan riwayat terdapat sanak saudara yang terjangkit atau memiliki riwayat keturunan Diabetes Mellitus (DM). Hasil analisis yang diperoleh dari wawancara tersebut mendapati bahwa semua responden tersebut sudah mengetahui bahwa dirinya terjangkit penyakit Diabetes Mellitus (DM) atau memiliki riwayat keturunan Diabetes Mellitus (DM) baik dari orang tua langsung maupun terdapat sanak saudara yang terjangkit atau memiliki riwayat keturunan Diabetes Mellitus (DM). Sehubungan dengan kesibukan yang dialami oleh para responden, hanya 4 dari 27 responden yang sudah mengetahui bahwa dirinya terjangkit penyakit Diabetes Mellitus (DM) yang rutin melakukan pemeriksaan glukosa darah dan konsultasi dokter. Namun, 23 dari 27 responden yang tidak dapat dikatakan sebagai penderita Diabetes Mellitus (DM) namun diduga memiliki riwayat keturunan Diabetes Mellitus (DM) mengaku hanya sempat melakukan pemeriksaan glukosa darah di laboratorium tanpa dilanjutkan dengan langkah konsultasi dengan dokter terkait hasil dari pemeriksaan glukosa darah tersebut untuk mengetahui informasi treatment yang harus dilakukan. Faktor kesibukan dalam menjalani aktifitas kehidupan menjadi alasan utama para responden enggan melakukan pemeriksaan lebih mendalam. Sehingga, kerap kali para responden hanya menduga-duga dalam penarikan kesimpulan terhadap hasil pemeriksaan glukosa darah yang disebabkan karena kurangnya informasi yang seharusnya dapat diperoleh apabila responden melakukan kunjungan konsultasi kepada dokter. Seluruh responden yang telah diwawancarai adalah pengguna perangkat mobile, dimana perangkat mobile tersebut digunakan sebagai media bantu dalam menjalani aktifitas sehari-hari. Dalam arti kata aktifitas sehari-hari seperti menjalani pekerjaan, kebutuhan pendidikan dan sebagai penunjang gaya hidup bagi masyarakat modern. Hasil wawancara menyimpulkan bahwa para responden berminat untuk mencoba apabila dibuatkan sebuah aplikasi yang terinstalasi didalam perangkat mobile milik mereka, dimana aplikasi tersebut memungkinkan para responden dapat melakukan deteksi terkait potensi mereka terhadap penyakit Diabetes Mellitus (DM) dan mengetahui informasi mengenai informasi treatment yang tepat.
Analisis Data Data yang diperoleh sebagai bahan pada penelitian ini bersumber dari berbagai referensi literatur terkait kesehatan dan medis yang sudah terakreditasi, basis data dalam sistem informasi laboratorium Rumah Sakit Meilia Cibubur dan melakukan wawancara langsung seputar realitas penyakit Diabetes Mellitus (DM) dengan dr. Eval Heriansyah dari Rumah Sakit Meilia Cibubur. Data yang berhasil diperoleh adalah sebagai berikut : 1. Data kadar glukosa darah pasien yang berjumlah 999 pasien dengan jumlah rincian pasien perempuan sebanyak 534 pasien dan pasien laki-laki sebanyak 465 pasien yang melakukan pemeriksaan terhadap glukosa darah sewaktu (mg/dl), glukosa darah puasa (mg/dl), glukosa darah 2 jam PP (mg/dl) dan pemeriksaan HBA1C (%), dengan minimal satu kali melakukan kunjungan pemeriksaan ke laboratorium Rumah Sakit Meilia Cibubur. 2. Nilai rujukan yang digunakan oleh laboratorium Rumah Sakit Meilia Cibubur sebagai sumber patokan untuk menentukan tingkat kadar glukosa darah pasien.
Tabel 1 Nilai rujukan tingkat kadar glukosa darah No 1.
2.
3. 4.
Variabel Glukosa Darah Sewaktu (mg/dL) Glukosa Darah Puasa (mg/dL) Glukosa darah 2 jam PP (mg/dL) HBA1C (%)
Rendah
Normal
Tinggi
< 70
> 200
< 70
> 100
< 70
> 140
< 4.5
> 6.3
3. Pernyataan yang diungkapkan oleh dr. Eval Heriansyah dan tim dokter pendamping yang berjumlah empat orang dalam wawancara langsung yang dilaksanakan di Rumah Sakit Meilia Cibubur menghasilkan informasi bahwa terdapat beberapa hal yang akan menjadi faktor pendukung dokter dalam mendeteksi seseorang memiliki potensi terkena penyakit Diabetes Mellitus (DM). Seseorang dengan potensi terkena Diabetes Mellitus (DM) akan mengalami gejala keluhan berupa sering berkemih (Poliuria), cepat merasa haus (Polidipsia) dan cepat merasa lapar (Polifagia). Apabila seseorang mengalami dua dari tiga gejala tersebut maka dianjurkan untuk melakukan pemeriksaan glukosa darah sewaktu, pemeriksaan glukosa darah puasa dan pemeriksaan glukosa darah 2 jam PP. Menurut dr. Eval Heriansyah bahwa seseorang dengan riwayat keturunan Diabetes Mellitus (DM) dan sudah menginjak usia lebih dari 40 tahun dapat dipastikan memiliki potensi tinggi terkena penyakit Diabetes Mellitus (DM) (informasi lebih detail mengenai isi dari pertanyaan yang diajukan dapat ditemukan pada halaman lampiran).
Data mengenai informasi terkait treatment yang tepat berdasarkan hasil deteksi dari masing-masing potensi terhadap Diabetes Mellitus (DM) yang diperoleh dari studi literatur dan survei di Rumah Sakit Meilia Cibubur. Penelitian Terkait fuzzy expert system for diabetes decision support application Lee dan Wang (2011) mengusulkan penerapan fuzzy expert system pada aplikasi untuk pendukung keputusan DM. Five-layer fuzzy ontology dikembangkan kedalam fuzzy expert system untuk menggambarkan pemodelan pengetahuan dibawah ketidakpastian dan memperpanjang fuzzy ontology pada domain DM. Improving the Prediction Rate of Diabetes Deteksi Using Fuzzy, Neural Network, Case Based (FNC) Approach Thirugnanam et al., (2012) mengusulkan suatu pendekatan untuk melakukan tahap prediksi awal terhadap DM dengan campuran 2 teknik penerapan computational intelligence dan 1 teknik rekayasa pengetahuan yaitu fuzzy logic, artificial neural network dan case based reasoning. Untuk meningkatkan keakuratan dari hasil prediksi pada setiap pendekatan maka diterapkan algoritma berbasis aturan untuk membantu dalam mengklasifikasi dan memprediksi data tertentu. Design of fuzzy classifier for diabetes disease using Modified Artificial Bee Colony algorithm Beloufa dan Chikh (2013) mengusulkan artificial bee colony algorithm yang telah dimodifikasi untuk mendeteksi DM. Pengusulan dari modifikasi pada algoritma ini telah digunakan sebagai evolutionary algorithm untuk menciptakan fuzzy classifier yang lebih optimal untuk membantu dokter dalam pengambilan keputusan. A computational intelligence approach for a better deteksi of diabetic patients Varma et al., (2014) mengusulkan langkah upaya penerapan computational intelligence dengan penerapan algoritma Gini index-Gaussian Fuzzy decision tree untuk memprediksi kejadian tahap awal DM. Inti dari penerapan algoritma ini untuk mengidentifikasi titik perpecahan yang benar dan membangun simpul dari pohon biner dengan Gini index. Ketika titik atribut perpecahan telah dipilih dan tidak ada jaminan bahwa nilai perpecahan adalah tepat maka langkah fuzzification pada fungsi fuzzy gaussian perlu dilakukan. Pengusulan Metode
Gambar 2 Perancangan sistem pada penelitian
Pada Gambar 3.5 dijelaskan mengenai proses dari fuzzy system yang menggambarkan tahapan-tahapan bagaimana sebuah sistem berbasis fuzzy logic akan diberikan variabel masukan (input) oleh user hingga menghasilkan sebuah luaran (output) dalam bentuk informasi kepada user. Pada penelitian ini variabel masukan pada sistem meliputi gejala dan indikasi yang dapat mengarahkan kepada informasi mengenai potensi seseorang terjangkit penyakit Diabetes Mellitus (DM) hingga dapat menghasilkan luaran berupa hasil dari deteksi terhadap potensi seseorang terhadap penyakit Diabetes Mellitus (DM) disertai pemberian informasi mengenai solusi treatment yang tepat. HASIL DAN BAHASAN Evaluasi terhadap Real Data dilakukan untuk mengetahui tingkat akurasi dari hasil luaran aplikasi pada skripsi ini terhadap data yang diperoleh dari laboratorium Rumah Sakit Meilia Cibubur yang digunakan sebagai sample data pada tahap analisis. Berikut akan disajikan 10 komparasi dengan variabel Real Data dengan turut disertakan hasil pemeriksaan HBA1C sebagai nilai indikasi seseorang terhadap potensi Diabetes Mellitusi (DM).
Tabel 2 Komparasi terhadap Real Data Test
Jenis Data Real Data
1. Application Test
Real Data 2. Application Test
Real Data 3. Application Test
Real Data 4. Application Test
Komparasi Data Usia 62 Tahun; Polidipsia ya; Polifagia tidak; Poliuria ya; GDS 114; GDP 135; GPP 199; HBA1C 6.5 (Berpotensi Tinggi Terjangkit Diabetes Mellitus) Usia 62 Tahun; Polidipsia berpotensi; Polifagia tidak; Poliuria berpotensi; GDS 114; GDP 135; GPP 199; Output : Anda Berpotensi Tinggi Terjangkit Diabetes Mellitus Usia 48 Tahun; Polidipsia ya; Polifagia ya; Poliuria tidak; GDS 127; GDP 119; GPP 153; HBA1C 6.4 (Berpotensi Terjangkit Diabetes Mellitus) Usia 48 Tahun; Polidipsia berpotensi; Polifagia berpotensi; Poliuria tidak; GDS 127; GDP 119; GPP 153; Output : Anda Berpotensi Terjangkit Diabetes Mellitus Usia 39 Tahun; Polidipsia tidak; Polifagia ya; Poliuria tidak; GDS 112; GDP 100; GPP 101; HBA1C 4.7 (Tidak Berpotensi Terjangkit Diabetes Mellitus) Usia 39 Tahun; Polidipsia tidak; Polifagia berpotensi; Poliuria tidak; GDS 112; GDP 100; GPP 101; Output : Anda Tidak Berpotensi Terjangkit Diabetes Mellitus Usia 40 Tahun; Polidipsia tidak; Polifagia ya; Poliuria ya; GDS 122; GDP 144; GPP 277; HBA1C 8.4 (Berpotensi Tinggi Terjangkit Diabetes Mellitus) Usia 40 Tahun; Polidipsia tidak; Polifagia berpotensi; Poliuria berpotensi; GDS 122; GDP 144; GPP 277; Output : Anda Berpotensi Terjangkit Diabetes Mellitus
Real Data 5. Application Test
Real Data 6. Application Test
Real Data 7. Application Test
Real Data 8. Application Test
Real Data 9. Application Test
Real Data 10. Application Test
Usia 66 Tahun; Polidipsia ya; Polifagia ya; Poliuria tidak; GDS 129; GDP 138; GPP 189; HBA1C 7.2 (Berpotensi Tinggi Terjangkit Diabetes Mellitus) Usia 66 Tahun; Polidipsia berpotensi; Polifagia berpotensi; Poliuria tidak; GDS 129; GDP 138; GPP 189; Output : Anda Berpotensi Terjangkit Diabetes Mellitus Usia 73 Tahun; Polidipsia tidak; Polifagia tidak; Poliuria tidak; GDS 84; GDP 93; GPP 133; HBA1C 5.9 (Tidak Berpotensi Terjangkit Diabetes Mellitus) Usia 73 Tahun; Polidipsia tidak; Polifagia tidak; Poliuria tidak; GDS 84; GDP 93; GPP 133; Output : Anda Tidak Berpotensi Terjangkit Diabetes Mellitus Usia 60 Tahun; Polidipsia ya; Polifagia ya; Poliuria ya; GDS 317; GDP 278; GPP 346; HBA1C 12.9 (Berpotensi Tinggi Terjangkit Diabetes Mellitus) Usia 60 Tahun; Polidipsia berpotensi; Polifagia berpotensi; Poliuria berpotensi; GDS 317; GDP 278; GPP 346; Output : Anda Berpotensi Tinggi Terjangkit Diabetes Mellitus Usia 62 Tahun; Polidipsia ya; Polifagia ya; Poliuria tidak; GDS 112; GDP 127; GPP 169; HBA1C 9.9 (Berpotensi Tinggi Terjangkit Diabetes Mellitus) Usia 62 Tahun; Polidipsia berpotensi; Polifagia berpotensi; Poliuria tidak; GDS 112; GDP 127; GPP 169; Output : Anda Berpotensi Terjangkit Diabetes Mellitus Usia 57 Tahun; Polidipsia ya; Polifagia ya; Poliuria tidak; GDS 289; GDP 229; GPP 350; HBA1C 10.7 (Berpotensi Tinggi Terjangkit Diabetes Mellitus) Usia 57 Tahun; Polidipsia berpotensi; Polifagia berpotensi; Poliuria tidak; GDS 289; GDP 229; GPP 350; Output : Anda Berpotensi Tinggi Terjangkit Diabetes Mellitus Usia 56 Tahun; Polidipsia ya; Polifagia tidak; Poliuria ya; GDS 226; GDP 214; GPP 255; HBA1C 10.3 (Berpotensi Tinggi Terjangkit Diabetes Mellitus) Usia 56 Tahun; Polidipsia berpotensi; Polifagia tidak; Poliuria berpotensi; GDS 226; GDP 214; GPP 255; Output : Anda Berpotensi Tinggi Terjangkit Diabetes Mellitus
SIMPULAN DAN SARAN Simpulan Berdasarkan hasil pengembangan aplikasi pada penelitian ini, dapat disimpulkan beberapa hal sebagai berikut : 1. Metode fuzzy logic classification dapat di gunakan sebagai pendekatan alternatif untuk deteksi awal penyakit Diabetes Mellitus (DM). 2. Perangkat bergerak berbasis Apple iOS sebagai alat bantu deteksi awal terhadap Diabetes Mellitus (DM) dapat dikembangkan dengan mengimplementasikan konsep data mining khususnya metode fuzzy logic classification. 3. Penerapan metode fuzzy logic classification sebagai bagian dari konsep data mining memungkinkan nilai galat keanggotaan masing-masing variabel bersifat
adaptive yang ditentukan oleh data pengguna yang di update dalam kurun waktu dan jumlah tertentu. 4. Informasi treatment yang disertai dalam aplikasi ini dapat membantu user untuk memperoleh informasi terkait manajemen treatment yang tepat untuk penderita penyakit Diabetes Mellitus (DM). Saran Adapun saran yang diberikan untuk pengembangan aplikasi pada penelitian ini agar lebih baik adalah sebagai berikut : 1. Nilai rata-rata yang di dapat dari hasil deteksi di basis data dapat diaplikasikan menjadi nilai rujukan baru di dalam proses fuzzification. 2. Aplikasi dapat di publish di Apple Store sehingga dapat di gunakan oleh user yang lebih luas. 3. Treatment dapat memberikan informasi yang lebih lengkap dan spesifik terhadap penanganan penyakit Diabetes Millitus (DM). REFERENSI Alva, M. L., Gray, A., Mihaylova, B., & Clarke, P. (2011). The effect of diabetes complications on health-related quality of life: estimating the bias due to unobserved heterogeneity using the UKPDS. Trials, 12(Suppl 1), A64. Bascones-Martínez, A., Arias-Herrera, S., Criado-Cámara, E., Bascones-Ilundáin, J., & BasconesIlundáin, C. (2013). Periodontal disease and diabetes. In Diabetes (pp. 76-87). Springer New York. Beloufa, F., & Chikh, M. A. (2013). Design of fuzzy classifier for diabetes disease using Modified Artificial Bee Colony algorithm. Computer methods and programs in biomedicine, 112(1), 92-103. Canivell, S., & Gomis, R. (2014). Diagnosis and classification of autoimmune diabetes mellitus. Autoimmunity reviews, 13(4), 403-407. Chiong, R., & Weise, T. (2012). Variants of evolutionary algorithms for real-world applications. Springer. de Faria Maraschin, J. (2013). Classification of Diabetes. In Diabetes (pp. 12-19). Springer New York. Han, J., Kamber, M., Pei, J. (2011). Data Mining Concepts and Techniques. (3rd Edition). Massachusetts : Morgan Kaufmann Publishers. Haykin, S. S. (2009). Neural networks and learning machines 3rd edition. Upper Saddle River: Pearson Education. Horie, I., Kawasaki, E., Sakanaka, A., Takashima, M., Maeyama, M., Ando, T., ... & Kawakami, A. (2015). Efficacy of nutrition therapy for glucose intolerance in Japanese women diagnosed with gestational diabetes based on IADPSG criteria during early gestation. Diabetes Research and Clinical Practice. International Diabetes Federation. (2014). IDF Diabetes Atlas 6th Edition. Karadimce, A., & Bogatinoska, D. C. (2014, May). Using hybrid mobile applications for adaptive multimedia content delivery. In Information and Communication Technology, Electronics and Microelectronics (MIPRO), 2014 37th International Convention on (pp. 686-691). IEEE. Kaul, K., Tarr, J. M., Ahmad, S. I., Kohner, E. M., & Chibber, R. (2013). Introduction to diabetes mellitus. In Diabetes (pp. 1-11). Springer New York.
Madani, K., Correia, A. D., Rosa, A., & Filipe, J. (Eds.). (2012). Computational Intelligence: Revised and Selected Papers of the International Joint Conference, IJCCI 2010, Valencia, Spain, October 2010 (Vol. 399). Springer Science & Business Media. Manschot, A., van Oostrom, S. H., Smit, H. A., Verschuren, W. M. M., & Picavet, H. S. J. (2014). Diagnosis of diabetes mellitus or cardiovascular disease and lifestyle changes—the doetinchem cohort study. Preventive medicine, 59, 42-46. Harrison, R., Flood, D., & Duce, D. (2013). Usability of mobile applications: literature review and rationale for a new usability model. Journal of Interaction Science, 1(1), 1-16. Mayo Foundation for Medical Education and Research. (2014). Diabetes Test and Diagnosis. Diakses 23 Oktober 2014 dari http://www.mayoclinic.org/diseases-conditions/diabetes/basics/testsdiagnosis/con-20033091. Meng, X. H., Huang, Y. X., Rao, D. P., Zhang, Q., & Liu, Q. (2013). Comparison of three data mining models for predicting diabetes or prediabetes by risk factors. The Kaohsiung journal of medical sciences, 29(2), 93-99. Nahar, J., Imam, T., Tickle, K. S., & Chen, Y. P. P. (2013). Computational intelligence for heart disease diagnosis: A medical knowledge driven approach. Expert Systems with Applications, 40(1), 96-104. Nguyen, T., Khosravi, A., Creighton, D., & Nahavandi, S. (2015). Classification of healthcare data using genetic fuzzy logic system and wavelets. Expert Systems with Applications, 42(4), 2184-2197. Pressman, Roger S. (2010). Software Engineering Practitioner’s Approach. (7th Edition). M New York: McGraw Hill Higher Education. Ross, T. J. (2009). Fuzzy logic with engineering applications. (3rd Edition). John Wiley & Sons. Russell, S., Norvig, P. (2009). Artificial Intelligence A Modern Approach. (3rd Edition). New Jersey : Pearson Education, Inc., Rutkowski, L. (2008). Computational intelligence: methods and techniques. Springer Science & Business Media. Sanz, J. A., Galar, M., Jurio, A., Brugos, A., Pagola, M., & Bustince, H. (2014). Medical diagnosis of cardiovascular diseases using an interval-valued fuzzy rule-based classification system. Applied Soft Computing, 20, 103-111. Shneiderman, B., Plaisant, C. (2010). Designing The User Interface: Strategis For Effective HumanComputer Interaction. (5th edition). USA: Addison-Wesley. Thirugnanam, M., Kumar, P., Srivatsan, S. V., & Nerlesh, C. R. (2012). Improving the Prediction Rate of Diabetes Diagnosis Using Fuzzy, Neural Network, Case Based (FNC) Approach. Procedia Engineering, 38, 1709-1718. Varma, K. V., Rao, A. A., Lakshmi, T. S. M., & Rao, P. N. (2014). A computational intelligence approach for a better diagnosis of diabetic patients. Computers & Electrical Engineering, 40(5), 17581765. Wang, L. X. (1997). A course in fuzzy systems. USA: Prentice-Hall press. Wargo, John M. (2013). Apache Cordova 3 Programming. New York: Addison-Wesley. Wu, X. (2004). Data Mining: An AI Perspective. IEEE Intelligent Informatics Bulletin, 4, 23-26. Zhu, J., Xie, Q., & Zheng, K. (2015). An improved early detection method of type-2 diabetes mellitus using multiple classifier system. Information Sciences, 292, 1-14.
RIWAYAT PENULIS Penulis 1 Nama
: Rian Budi Lukmanto
Tempat Lahir
: Sleman
Tanggal Lahir
: 2 Januari 1993
Email
:
[email protected]
Pendidikan
: Bina Nusantara University, Computer Science, Intelligent System
Pengalaman Kerja
: PT. Microsoft Indonesia
Penulis 2 Nama
: Amanda Nurani Nataprawira
Tempat Lahir
: Jakarta
Tanggal Lahir
: 7 Agustus 1993
Email
:
[email protected]
Pendidikan
: Bina Nusantara University, Computer Science, Database System
Pengalaman Kerja
: PT. Bhumindra
Penulis 3 Nama
: Fathureza Januarza
Tempat Lahir
: Jakarta
Tanggal Lahir
: 31 Januari 1993
Email
:
[email protected]
Pendidikan
: Bina Nusantara University, Computer Science, Software Engineering
Pengalaman Kerja
: PT. Mega Inti Persada
