PREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM DISTY TATA CERIA

PREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM

DISTY TATA CERIA

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

ABSTRAK DISTY TATA CERIA. Prediksi Penyakit Paru Menggunakan Algoritme Voting Feature Intervals 5 dengan Bobot Fitur Tidak Seragam. Dibimbing oleh AZIZ KUSTIYO dan TRI NOVIATI. Penyakit paru mempunyai gejala yang sangat mirip misalnya pada Bronkitis dan Tuberkulosis Paru, gejala tersebut adalah batuk, batuk darah, sesak nafas, sakit dada, badan lemah, nafsu makan berkurang, berat badan turun, berkeringat malam walaupun tanpa kegiatan. Pada penelitian ini algoritme VFI5 melakukan klasifikasi dua jenis penyakit paru yaitu Bronkitis dan Tb Paru. Pengumpulan data dilakukan dengan proses wawancara pada pasien baru di poli paru Rumah Sakit Umum Daerah Pasar Rebo. Pertanyaan yang diberikan berupa gejala umum penyakit paru yang telah dikonsultasikan dengan dr. Tri Novianti, MARS dan dilakukan proses pelatihan dan pengujian menggunakan algoritme Voting Feature Intervals 5. Penggunaan algoritme VFI 5 dalam mengklasifikasi Bronkitis dan Tb Paru cukup memberikan hasil yang baik dan miripnya gejala pada kedua penyakit ini dapat dibuktikan setelah dilihat dari selang-selang yang dihasilkan oleh setiap gejala pada pelatihan dan pada normalisasi akhir seluruh percobaan. Kata Kunci : Prediksi penyakit paru, Voting Feature Intervals 5, bobot fitur tidak seragam.

ABSTRACT DISTY TATA CERIA. Lung Disease Prediction Using Voting Feature Intervals 5 With Feature Weighting Non Uniform. Supervised by AZIZ KUSTIYO and TRI NOVIATI. Bronchitis and pulmonary tuberculosis have symptoms that are very similar. The symptoms are coughing, coughing up blood, shortness of breath, chest pain, body weakness, decreased appetite, weight loss, night sweats without activity. In this study Voting Feature Intervals 5 classification algorithm perform two types of lung disease which are bronchitis and pulmonary tuberculosis. Data collected through the interview process on new patients in the lung poly District General Hospital Pasar Rebo. The question is given in the form of common symptoms of lung disease that has consulted with dr. Tri Novianti, MARS and conducted training and testing process using Voting Feature Intervals 5 algorithms. The use of algorithms Voting Feature Intervals 5 in bronchitis and pulmonary tuberculosis classifies good results, and similar symptoms in both diseases can be proved after the visits of the intervals generated by each symptom in the training and the final normalization of the entire experiment. Keywords: Prediction of lung disease, Voting Feature Intervals 5, the weight is non uniform features.

Penguji : Toto Haryanto, S.Komp.

PREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM

DISTY TATA CERIA

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

Judul Nama NRP

: Prediksi Penyakit Paru Menggunakan Algoritme Voting Feature Intervals 5 Dengan Bobot Fitur Tidak Seragam : Disty Tata Ceria : G64076014

Menyetujui, Pembimbing I

Pembimbing II

Aziz Kustiyo, S.Si, M.Kom Nip. 197007191998021001

dr. Tri Noviati, MARS Nip. 140240244

Mengetahui, Ketua Departemen

Dr. Ir. Sri Nurdiati, M.Sc Nip. 196011261986012001

Tanggal Lulus :

RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 26 Agustus 1987. Anak pertama dari 2 bersaudara, dari pasangan Bapak Sukotjo dan Ibu Suharti Hidayat. Pada tahun 2004 penulis lulus dari SMU Daar El-Qolam Tangerang, kemudian melanjutkan pendidikan Diploma III pada Program Studi Elektronika dan Teknologi Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Lulus Diploma pada Tahun 2007 penulis melanjutkan studi di Institut Pertanian Bogor Departemen Ilmu Komputer (ekstensi) untuk memperoleh gelar sarjana. Selama menjalani perkuliahan penulis sempat menjadi pengajar private pada beberapa orang anak Sekolah Dasar di Bogor pada tahun 2008 sampai tahun 2009.

PRAKATA Bismillahirrohmanirrohim, Segala puji bagi Allah SWT atas segala limpahan rahmat dan karunia-NYA yang telah diberikan, semoga sholawat serta salam tetap tercurahkan kepada nabi Muhammad SAW, sehingga penulis dapat menyelesaikan karya ilmiah ini dengan baik. Tema karya ilmiah ini yaitu klasifikasi penyakit paru yang dilaksanakan sejak Juli 2009 dengan judul Prediksi Penyakit Paru Menggunakan Algoritme Voting Feature Intervals 5 dengan Bobot Fitur Tidak Seragam. Penelitian ini tidak luput dari bantuan dan dukungan dari banyak pihak. Untuk itu saya ingin sampaikan terima kasih kepada : Kedua orang tua saya yang senantiasa memberikan do’a dan dukungan Bapak Aziz Kustiyo, S.Si, M.Kom dan Ibu dr. Tri Noviati selaku pembimbing dalam menjalankan proses pembuatan karya ilmiah ini 3. Bapak dr. Muhammad Syafi’i, M.Si dan Bapak dr. Syafrizal, Spc.Paru yang telah bersedia dalam membagi ilmunya tentang penyakit paru dan data. 4. Bagian Poliklinik Paru RSUD Pasar Rebo yang telah bersedia dijadikan tempat pengambilan data penelitian. 5. Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB. 6. Suami yang selalu memberikan semangat untuk mengerjakan laporan ini. 7. Lidia Widianti Annisa yang sama-sama berjuang dalam mengambil data penelitian. 8. Ka Abdul yang telah banyak membantu dan menerangkan mengenai algoritme VFI 5. 9. Adik saya yang selalu memberikan dukungannya. 10. Ervina, anis, ziah dan teman-teman seangkatan (Ilkom ext2) yang telah bersedia memberikan solusi atas masalah-masalah yang dihadapi selama proses penelitian. 11. Semua pihak yang telah membantu yang belum disebutkan di atas. 1. 2.

Akhirnya penulis berharap semoga pernulisan karya ilmiah ini dapat bermanfaat bagi semua pihak yang membutuhkan. Amin.

Bogor, Juni 2011

Disty Tata Ceria

DAFTAR ISI Halaman DAFTAR TABEL .............................................................................................................. viii DAFTAR GAMBAR .......................................................................................................... viii DAFTAR LAMPIRAN ...................................................................................................... viii PENDAHULUAN................................................................................................................... 1 Latar Belakang ..................................................................................................................... 1 Tujuan .................................................................................................................................. 1 Ruang Lingkup ..................................................................................................................... 1 Manfaat ................................................................................................................................ 1 TINJAUAN PUSTAKA ......................................................................................................... 1 Tuberkulosis......................................................................................................................... 1 Penyebab penyakit Tb .......................................................................................................... 1 Cara penularan penyakit Tb .................................................................................................. 2 Gejala umum penyakit Tb Paru ............................................................................................ 2 Bronkitis .............................................................................................................................. 2 Penyebab penyakit Bronkitis ................................................................................................ 2 Gejala umum penyakit Bronkitis .......................................................................................... 2 Voting Feature Intervals 5 (VFI5) ........................................................................................ 2 METODE PENELITIAN ...................................................................................................... 4 Survei................................................................................................................................... 4 Konsultasi dengan dokter ..................................................................................................... 4 Proses wawancara ................................................................................................................ 4 Data ..................................................................................................................................... 4 Data latih dan data uji ........................................................................................................... 5 Pelatihan .............................................................................................................................. 5 Selang setiap fitur ................................................................................................................. 5 Klasifikasi ............................................................................................................................ 5 1. Menentukan nilai vote pada data uji ............................................................................ 5 2. Memberikan bobot ..................................................................................................... 5 a.Seragam................................................................................................................... 5 b.Tidak seragam ......................................................................................................... 5 3. Menjumlahkan nilai setiap instances........................................................................... 5 4. Menentukan kelas prediksi ......................................................................................... 5 Akurasi ................................................................................................................................ 6 Spesifikasi aplikasi ............................................................................................................... 6 HASIL DAN PEMBAHASAN ............................................................................................... 6 Percobaan pertama (dengan bobot seragam) ......................................................................... 7 Percobaan Kedua (dengan bobot tidak seragam) ................................................................... 7 1. Pemberian bobot nilai = 2 ........................................................................................... 8 2. Pemberian bobot nilai = 1.1 ....................................................................................... 8 3. Pemberian bobot nilai = 1.05 ...................................................................................... 8 4. Pemberian bobot nilai = 1.08 ...................................................................................... 9 5. Pemberian bobot nilai = 1.06 ...................................................................................... 9 6. Pemberian bobot nilai = 1.04 ...................................................................................... 9 7. Pemberian bobot nilai = 1.055 .................................................................................. 10 KESIMPULAN DAN SARAN ............................................................................................. 11 Kesimpulan ........................................................................................................................ 11 Saran .................................................................................................................................. 11 DAFTAR PUSTAKA ........................................................................................................... 11

DAFTAR TABEL Halaman 1 Form wawancara yang telah diisi........................................................................................... 6 2 Konversi data gejala batuk .................................................................................................... 6 3 Jumlah instances data latih dan uji ........................................................................................ 7 4 Hasil klasifikasi percobaan pertama ....................................................................................... 7 5 Nilai vote pasien Bronkitis ke-12 ........................................................................................... 7 6 Normalisasi akhir percobaan pertama .................................................................................... 7 7 Prediksi data yang salah dan benar (bobot = 2) ................................................................ 8 8 Nilai vote pasien Bronkitis ke-12 ........................................................................................... 8 9 Prediksi data benar dan salah (bobot =1.1) ................................................................................ 8 10 Prediksi data benar dan salah (bobot =1.1)........................................................................... 8 11 Nilai vote pasien Bronkitis ke-12 ......................................................................................... 9 12 Prediksi data benar dan salah (bobot = 1.08) ........................................................................ 9 13 Nilai vote pasien Bronkitis ke- 4 .......................................................................................... 9 14 Nilai vote pasien Bronkitis ke-12 ......................................................................................... 9 15 Nilai vote pasien Bronkitis ke-12 ....................................................................................... 10 16 Nilai vote pasien Bronkitis ke-12 ....................................................................................... 10

DAFTAR GAMBAR Halaman 1 Penyebaran bakteri TBC. ....................................................................................................... 2 2 Pseudocode algoritme pelatihan VFI5. .................................................................................. 3 3 Pseudocode algoritme klasifikasi VFI5..................................................................................... 4 4 Kerangka pikir studi. ............................................................................................................. 4

DAFTAR LAMPIRAN Halaman 1 Form wawancara yang digunakan........................................................................................ 12 2 Nilai vote pasien salah prediksi pada percobaan pertama ..................................................... 12 3 Nilai vote pasien salah prediksi (bobot = 2) ......................................................................... 13 4 Nilai vote pasien salah prediksi (bobot = 1,1) ...................................................................... 14 5 Nilai vote pasien salah prediksi (bobot = 1,08) .................................................................... 14 6 Nilai vote pasien salah prediksi (bobot = 1.04) .................................................................... 15 7 Selang-selang hasil proses pelatihan .................................................................................... 16 8 Normalisasi akhir percobaan 2 ............................................................................................ 17

PENDAHULUAN Latar Belakang Paru merupakan bagian organ paling vital bagi kehidupan manusia, bila organ ini terganggu oleh suatu penyakit, maka organ ini tidak akan berfungsi dengan optimal. Pada organ paru terdapat beberapa penyakit yang dikelompokkan menjadi dua yaitu penyakit paru spesifik (Tuberkulosis Paru) dan penyakit paru nonspesifik seperti Bronkitis, pneunomia bronkiectasis, asma bronkiole, tumor paru, dan lain-lain. Di antara penyakit yang disebutkan, penyakit yang paling menular dan berbahaya adalah Tuberkulosis Paru (Tb Paru). Menurut buku Pedoman Nasional Penanggulangan Tuberkulosis (DEPKES RI 2005) dan diperkuat oleh pakar, pada umumnya penyakit paru mempunyai gejala penyakit yang mirip di antaranya batuk, sesak nafas, sakit dada, dan lain-lain. Tb Paru dan Bronkitis merupakan dua penyakit paru yang mempunyai gejala sangat mirip dibandingkan penyakit paru yang lain, oleh karena itu untuk keakuratan yang pasti perlu dilakukan pemeriksaan laboratorium. Pemeriksaan laboratorium membutuhkan biaya yang besar dan tidak semua balai pengobatan mempunyai fasilitas lab uji terutama bagi balai pengobatan yang berada di daerah terpencil dan hanya mempunyai fasilitas komputer. Diagnosis penyakit paru (Tb Paru dan non Tb Paru) telah dilakukan oleh Rosyid (2009) dengan menggunakan algoritme Voting Fitur Intervals 5 (VFI5). Akurasi yang didapat pada penelitian ini mencapai 83%. Namun, penelitian yang dilakukan hanya sebatas diagnosis Tb Paru dan non Tb Paru, data yang digunakan merupakan data rekam medis yang relevan pada pasien rawat inap tanpa uji mikroskopis dan foto thoraks. Algoritme VFI5, dipilih karena algoritme ini merupakan algoritme klasifikasi dan kokoh terhadap fitur yang tidak relevan sehingga mampu memberikan hasil yang baik. Penelitian sebelumnya yang menggunakan VFI5 adalah Iqbal (2006) dalam Klasifikasi Pasien Suspect Parvo dan Distemper Pada Data Rekam Medik Rumah Sakit Hewan IPB Menggunakan Algoritme Voting Feature Intervals dengan akurasi yang mencapai 90%. Tujuan Tujuan dari penelitian ini adalah untuk menerapkan algoritme klasifikasi VFI 5 pada pasien paru di Rumah Sakit Umum Daerah Pasar Rebo dan mencari bobot nilai yang paling baik untuk digunakan pada algoritme VFI5

dengan gejala-gejala umum penyakit paru sebagai fiturnya. Ruang Lingkup Ruang lingkup pada penelitian ini dibatasi pada:  





Jenis penyakit paru yang diteliti hanya Tb Paru dan Bronkitis. Data yang digunakan adalah data hasil wawancara dengan pasien paru rawat jalan dewasa tahun 2009 yang berada di poli paru RSUD Pasar Rebo. Data yang digunakan merupakan gejala penyakit umum Tb Paru dan Bronkitis tanpa menggunakan proses uji mikroskopis, foto thoraks atau rontgen. Prediksi penyakit Tb Paru dan Bronkitis ini merupakan diagnosis sementara.

Manfaat Penelitian ini diharapkan membantu semua pihak paramedis dalam melakukan diagnosis penyakit paru tanpa melakukan uji mikroskopis, foto thoraks atau rontgen sehingga dapat digunakan bagi balai pengobatan di daerah terpencil yang tidak terdapat laboratorium klinis dan rontgen tetapi mempunyai komputer.

TINJAUAN PUSTAKA Tuberkulosis Tuberkulosis adalah penyakit menular langsung yang disebabkan oleh kuman Tb (Mycobacterium Tuberculosis). Sebagian besar dari kuman Tb menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya seperti tulang, kelenjar getah bening, otak, kulit, dan lain-lain (DEPKES RI 2005). Penyakit Tb dapat menyerang siapa saja, namun sebagian besar menyerang kelompok usia kerja atau usia produktif (15-50 tahun). Diperkirakan seorang pasien Tb dewasa, akan kehilangan rata-rata waktu kerjanya 3 sampai 4 bulan (DEPKES RI 2005). Penyebab penyakit Tb Penyebab penyakit Tb Paru berupa kuman atau bakteri. Kuman Tuberkulosis ini berbentuk batang/basil dan mempunyai sifat khusus yaitu tahan terhadap asam pada pewarnaan, oleh karena itu dapat disebut juga sebagai Basil Tahan Asam (BTA). Mycobacterium Tuberculosis ini pertama kali ditemukan oleh

1

ilmuwan jerman Robert Koch pada tanggal 24 Maret 1882.

walaupun tanpa kegiatan, meriang lebih dari sebulan.

Cara penularan penyakit Tb Sumber penularan penyakit Tb adalah penderita Tb dengan BTA (Basil Tahan Asam) positif. Biasanya kuman disebarkan melalui udara yang tercemar oleh penderita Tb pada saat batuk dalam bentuk droplet (percikan dahak). Droplet yang terhirup ke dalam saluran pernapasan dapat terinfeksi. Setelah kuman Tb masuk ke dalam tubuh manusia melalui pernapasan, kuman tersebut dapat menyebar dari paru ke bagian tubuh lainnya antara lain melalui sistem peredaran darah dan sistem saluran limfe. Oleh sebab itu, infeksi Tb dapat menginfeksi hampir sebagian dari organ tubuh yaitu otak, kulit, kelenjar getah bening, ginjal, dan lain-lain (DEPKES RI 2005).

Bronkitis Bronkitis merupakan penyakit pernapasan dimana selaput lendir pada saluran bronchial paru meradang. Bronkitis sebagai penyakit gangguan respiratorik dengan batuk merupakan gejalanya yang utama. Bronkitis terbagi menjadi dua yaitu akut dan kronis. Bronkitis kronis adalah Bronkitis yang serius dan terjadi dalam jangka waktu yang panjang sehingga dibutuhkan perawatan medis yang teratur. Bronkitis akut pada umumnya terjadi pada dewasa dan anak-anak, dapat dirawat secara efektif tanpa bantuan medis dokter (Kristanti 2009).

Sumber : Depkes 2007

demam

Penyebab penyakit Bronkitis Penyebab spesifik Bronkitis adalah infeksi kronis saluran pernapasan bagian atas, infeksi ini berarti bertambahnya kontak dengan virus atau jamur. Penyebab nonspesifik dari Bronkitis adalah asap rokok, polusi udara, patofisiologi, dan virus. Gejala umum penyakit Bronkitis Gejala umum penyakit Bronkitis pada umumnya sama dengan gejala yang dijumpai pada penyakit Tb Paru, yaitu batuk terus menerus dan berdahak sampai berlendir, demam, sesak nafas, dan kemampuan aktifitas fisik terganggu. Namun, pada Bronkitis tidak dijumpai batuk yang disertai dengan darah (Kristanti 2009).

Gambar 1 Penyebaran bakteri TBC. Gejala umum penyakit Tb Paru Gejala utama pada Tb Paru adalah : 

Batuk terus menerus dan berdahak selama 3 minggu atau lebih.

Gejala tambahan, yang sering dijumpai :    

Dahak bercampur darah Batuk darah Sesak napas dan rasa nyeri dada Badan lemah, nafsu makan menurun, berat badan turun, rasa kurang enak badan(malaise), berkeringat malam

Voting Feature Intervals 5 (VFI5) Salah satu dari metode klasifikasi adalah algoritme VFI5. Algoritme ini dikembangkan oleh Gülşen Demiröz dan Halil Altay Güvenir pada tahun 1997. Dikemukakan bahwa algoritme VFI ini termasuk dalam algoritme yang supervised, yang berarti memiliki target dalam berupa kelas-kelas data dan bersifat nonincremental yang berarti bahwa semua data pelatihan diproses secara bersamaan (Demiröz dan Güvenir 1997). Algoritme VFI5 merupakan versi terakhir dari algoritme VFI yang secara umum mengembangkan selang antar fitur. Proses klasifikasi instance baru didasari pada feature vote. Semua fitur yang ada memberikan nilainya pada voting di antara kelas-kelas. Kelas yang menerima vote tertinggi akan ditentukan sebagai kelas yang diramalkan.

2

train(TrainingSet): begin for each feature f if f is linear for each class c EndPoints[f] = EndPoints[f] U find_end_points(TrainingSet,f,c); sort(EndPoints[f]); for each end point p in EndPoints[f] form a point interval from end point p form a range interval between p and next EndPoints ≠ p else /* f is nominal */ form a point interval for each value of f for each interval i on feature dimension f for each class c interval_class_count[f,i,c] = count_instances(f, i, c); for each interval i on feature dimension f for each class c interval_class_vote[f,i,c] = interval_class_count[f,i,c] / class_count[c] normalize interval_class_vote[f,i,c]; /*such that ∑c interval_class_count[f,i,c]=1*/ end.

Gambar 2 Pseudocode algoritme pelatihan VFI5. Selang setiap fitur dihasilkan algoritme VFI5 dari data latih. Sebuah selang dapat mewakilkan objek-objek (instances) dari himpunan beberapa kelas dari sebuah kelas tunggal. Selang yang dihasilkan dari data latih dapat berupa range interval dan point interval. Sebuah range interval didefinisikan sebagai sebuah himpunan nilai-nilai yang berurutan dari fitur yang diberikan. Sebuah point interval didefinisikan untuk sebuah nilai fitur tunggal dimana hanya sebuah nilai tunggal yang digunakan untuk mendefinisikan selang tersebut. Keunggulan dari algortime VFI5 adalah algoritme ini cukup kokoh (robust) terhadap fitur yang tidak relevan namun mampu memberikan hasil yang baik pada real-world datasets yang ada. VFI5 mampu menghilangkan pengaruh yang kurang menguntungkan dari fitur yang tidak relevan tersebut dengan mekanisme voting-nya, dimana vote dari sebuah fitur yang tidak relevan sama untuk semua kelas sehingga hal ini tidak berpengaruh terhadap hasil keluarannya (Güvenir dan Emeksiz 2000). Terdapat dua proses pada algoritme VFI5, yaitu proses pelatihan (training) dan proses klasifikasi. 1.

Pelatihan Proses pelatihan ini bertujuan untuk menemukan model yang akan digunakan dalam proses klasifikasi. Selang setiap fitur akan dihasilkan pada proses ini. Sebuah selang

mewakili himpunan nilai-nilai dari fitur yang diberikan. End point atau batas-batas pada selang perlu diketahui untuk menghasilkan selang fitur tertentu. Proses dalam menemukan end point berbeda antara fitur linear dan fitur nominal. Fitur linear yaitu dimana nilai-nilainya memiliki urutan dan dapat dibandingkan tingkatannya. Untuk menentukan end point pada fitur ini dengan cara mencari nilai maksimum dan minimum pada fitur tersebut untuk setiap kelas. Lain halnya dengan fitur nominal dimana nilainilai dari fitur tersebut tidak memiliki urutan dan tidak dapat dibandingkan tingkatannya, untuk menentukan end point pada fitur ini dengan cara mencatat semua nilai yang berada pada fitur tersebut. Pada fitur linear selang yang dihasilkan dapat berupa point interval dan range interval serta jumlah maksimum end point, sedangkan fitur nominal selang yang dihasilkan hanya berupa point interval. Untuk setiap selang i dari sebuah fitur f dihitung jumlah instance pelatihan setiap kelas c yang jatuh pada selang i dan hasilnya disimpan sebagai interval_class_count[f,i,c]. Hasil dari proses ini merupakan vote kelas c pada selang i. jumlah instance untuk setiap kelas c dapat berbeda-beda, sehingga dilakukan normalisasi pada vote kelas c untuk fitur f dan selang i, untuk menghilangkan efek perbedaan distribusi setiap kelas. Normalisasi dilakukan dengan cara membagi jumlah instance pelatihan setiap kelas c yang berada pada selang i sebuah

3

fitur f dengan jumlah instance pada setiap kelas c, dan hasilnya disimpan sebagai interval_ class_vote[f,i,c]. kemudian nilai-nilai pada interval_class_vote[f,i,c] dinormalisasi kembali sehingga jumlah vote setiap kelas c pada selang i untuk sebuah fitur f sama dengan 1. Pseudocode algoritme pelatihan VFI5 pada Gambar 2. 2. Klasifikasi Pada setiap kelas c, vote diberi nilai awal 0 karena semua fitur pada awalnya belum memberikan vote, kemudian dicari selang i dimana instance pengujian jatuh pada selang tersebut untuk setiap fitur f. Jika terdapat nilai suatu fitur dari instance pengujian yang hilang atau tidak diketahui, maka fitur tersebut diasumsikan tidak memberikan vote sehingga nilai vote untuk fitur tersebut sama dengan 0. Setelah instance pengujian jatuh pada salah satu selang i, maka semua vote setiap kelas c pada selang tersebut disimpan dalam sebuah vektor , dimana feature_vote[f,Cj] merupakan fitur untuk kelas Cj dan k adalah jumlah kelas. Kemudian nilai-nilai vote dari setiap fitur pada selang i dimana instance pengujian jatuh dijumlahkan setelah masingmasing dikalikan dengan bobot fitur yang bersesuaian dan hasilnya disimpan dalam sebuah vektor vote . Kelas dengan jumlah vote terbesar diramalkan sebagai kelas prediksi. Pseudocode algoritme klasifikasi VFI5 pada Gambar 3.

METODE PENELITIAN Penelitian ini akan melalui beberapa tahapan proses untuk mengetahui akurasi yang diperoleh dari algoritme VFI5 dengan pembobotan AHP dalam mendiagnosis penyakit di poli paru. Tahapan-tahapan proses tersebut terdapat pada Gambar 4. Berikut merupakan rincian dari tahapan-tahapan diagram alur penelitian. Survei Pada penelitian ini survei data yang dilakukan adalah mendatangi instansi yang bersedia dijadikan sebagai tempat penelitian. Pada penelitian ini instansi yang akan dijadikan sebagai tempat pengambilan data adalah Rumah Sakit Umum Daerah Pasar Rebo Konsultasi dengan dokter Tahap selanjutnya adalah konsultasi dengan dokter yang berhubungan dengan penyakit di poli paru. Konsultasi dengan dokter dilakukan untuk membantu dalam mendapatkan informasi data variabel dari gejala-gejala penyakit pada poli paru yang relevan untuk bahan penelitian dan menentukan bobot matriks perbandingan pada metode AHP. Pada penelitian ini konsultasi yang akan dilakukan dengan beberapa dokter, di antaranya: 1. 2.

dr. Tri Noviati, MARS (Rumah Sakit Pasar Rebo) dr. Muhammad Syafi’i, M.Si (Rumah Sakit Pasar Rebo) Gambar 4 Diagram alur penelitian.

classify(e): /*e is example to be classified*/ begin for each class c vote[c]=0 */sum of vote of class c*/ for each feature f for each class c feature_vote[f,c]=0 /*vote of feature f for class c*/ if f value is known i= find_interval(f, ef) feature_vote[f, c]=interval_class_vote[f,i,c] for each class c vote[c]= vote[c] + (feature_vote[f, c] * w(f)); return class c with highest vote[c]; end

Proses wawancara Proses wawancara dilakukan secara langsung dengan pasien baru rawat jalan Poli Paru RSUD Pasar Rebo. Pertanyaan yang diberikan pada saat wawancara merupakan gejala umum dari penyakit paru yaitu batuk, batuk berdarah, demam, sesak nafas, lemah lesu, dahak, sakit dada, nafsu makan berkurang, berat badan turun, dan berkeringat malam. Data Data yang digunakan dalam penelitian ini merupakan data dari hasil proses wawancara. Data yang didapat masih berupa pernyataan ya, tidak dan lamanya hari (untuk gejala batuk), data tersebut kemudian dikonversi menjadi angka nominal, misal 0 untuk tidak dan 1 untuk ya.

Gambar 3 Pseudocode algoritme klasifikasi VFI5.

4

Klasifikasi Tahapan dari klasifikasi terdiri atas 4 tahap dimana tahap menentukan nilai vote pada data uji, tahap menjumlahkan setiap instances dan tahap menentukan kelas prediksi mempunyai langkah yang sama untuk kedua percobaan, tahapan tersebut adalah:

Survei

Konsultasi dengan dokter

Proses wawancara

Data

Data latih

Data uji

Pelatihan

VFI 5

Selang setiap fitur klasifikasi

Menentukan nilai vote

Memberikan bobot =1 pada setiap fitur

Memberikan bobot >1 pada setiap fitur

Menjumlahkan nilai setiap instances berdasarkan fiturnya

Menjumlahkan nilai setiap instances berdasarkan fiturnya

Menentukan kelas prediksi

Menentukan kelas prediksi

Akurasi

Akurasi

Data latih dan data uji Data yang telah dikonversi menjadi angka nominal akan dibagi menjadi data latih dan data uji, untuk pembagian data latih dan data uji ini akan dilakukan dengan menggunakan metode acak. Seluruh data akan dibagi menjadi 2 : 1, dimana 2 untuk banyaknya data latih dan 1 untuk banyaknya data uji. Pelatihan Proses pelatihan pada penelitian ini dilakukan dengan menggunakan algoritme VFI5, dimana data latih yang telah ditentukan digunakan sebagai input dari algoritme VFI5 dalam proses pelatihan. Gejala umum penyakit Tb Paru dan Bronkitis sebagai fitur dari setiap data pasien, sedangkan Tb Paru dan Bronkitis merupakan kelas dari data pasien tersebut. Selang setiap fitur Selang setiap fitur didapat dari proses pelatihan. Untuk menentukan selang-selang ini terlebih dahulu dilakukan proses normalisasi yang dilakukan pada proses pelatihan. Selangselang ini berisikan nilai vote untuk setiap kelas pada setiap gejala.

1. Menentukan nilai vote pada data uji Pada proses klasifikasi, terdapat tahap menentukan nilai vote untuk instance baru. Nilai vote ini ditentukan dengan cara nilai fitur dari instance baru akan diperiksa dan dilihat letak selang nilai fitur tersebut, kemudian nilai vote setiap instance pada data latih yang terletak pada selang yang sama dengan instance yang baru akan disimpan sebagai vote dari instance baru tersebut. 2. Memberikan bobot Untuk pemberian bobot ini dilakukan dua kali percobaan yaitu dengan bobot seragam dan bobot tidak seragam. Berikut akan dijelaskan kedua percobaan pemberian bobot. a. Seragam Tahap selanjutnya pada metodologi ini adalah memberikan bobot = 1 pada setiap fitur. Nilai 1 diberikan karena nilai ini merupakan default nilai yang diberikan oleh algoritme VFI5. Fitur vote dari instances baru akan dikalikan dengan bobot yang diberikan. b. Tidak seragam Pada tahap ini bobot yang diberikan > 1 untuk setiap fitur yang penting yaitu pada fitur batuk berdarah, demam, nafsu makan berkurang, berat badan turun, lemah lesu dan keringat malam. Setelah nilai vote dikalikan dengan bobotnya per masingmasing fitur maka dilakukan kembali tahap normalisasi agar nilai vote akhir yang dihasilkan tidak lebih dari 1. 3. Menjumlahkan nilai setiap instances Nilai Vote yang telah dihasilkan dari tahap klasifikasi ke-1 dan telah dikalikan dengan bobot pada tahap klasifikasi ke-2 akan dijumlahkan pada setiap instance-nya. 4. Menentukan kelas prediksi Hasil penjumlahan vote dari setiap instance akan dibandingkan, kelas dengan total vote yang tertinggi akan menjadi kelas prediksi pada instance baru tersebut. Hasil dari proses ini merupakan hasil prediksi penyakit Tb Paru atau Bronkitis pada data uji.

5

Akurasi Tahap akhir dari metode penelitian ini adalah menghitung nilai akurasi dari hasil yang diperoleh pada tahap pengolahan data menggunakan algoritme VFI5. Akurasi dapat dihitung dengan : x 100%. Spesifikasi aplikasi Aplikasi ini akan dikembangkan berbasis desktop, dengan implementasi perangkat keras dan perangkat lunak sebagai berikut : Perangkat keras yang digunakan berupa komputer notebook dengan spesifikasi:   

Processor Intel Pentium Dual Core 2,0 GHz RAM 1GB HDD 250GB

Perangkat lunak yang digunakan :  

Sistem Operasi : Microsoft Windows XP SP2 Microsoft Visual Basic 6.0

HASIL DAN PEMBAHASAN Data yang digunakan pada penelitian ini merupakan data hasil wawancara pasien baru di poli paru RSUD Pasar Rebo. Berikut ini disajikan contoh tabel form wawancara yang telah diisi dan tabel form wawancara yang belum diisi pada Lampiran 1. Tabel 1 Form wawancara yang telah diisi FORM WAWANCARA Pasien : 2 No. Rekam Medik : Diagnosa Awal : Bronkitis Gejala Yang Dirasakan Batuk : 1. Tidak 2. Iya (Lamanya batuk 12 hari) Batuk 1. Tidak Berdarah : 2. Iya Demam : 1. Tidak 2. Iya Sakit Dada : 1. Tidak 2. Iya Dahak : 1.Tidak 2. Iya Nafsu Makan 1. Tidak Berkurang : 2. Iya Sesak Nafas : 1. Tidak 2. Iya

Berat Badan Turun : Lemah Lesu : Berkeringat Malam :

1. Tidak 2. Iya 1. Tidak 2. Iya 1. Tidak 2. Iya

Proses wawancara ini dilakukan selama 1 bulan (1 Agustus – 30 Agustus). Data yang didapat dari hasil wawancara sebanyak 52 data dengan diagnosis yang berbeda-beda dari berbagai jenis penyakit paru, sehingga dari 52 data diurutkan dan diambil 2 diagnosis paling banyak kasusnya yaitu Bronkitis dan Tb Paru dengan jumlah data sebanyak 40 selain itu Tb Paru dan Bronkitis mempunyai gejala penyakit yang sangat mirip. Dari 40 data Tb Paru dan Bronkitis dikonversi menjadi angka nominal untuk memudahkan perhitungan algoritme. Gejala yang mempunyai selang nilai yang berbedabeda hanya berada di gejala batuk, untuk gejala yang lainnya seperti batuk berdarah, hilang nafsu makan, dan lainnya hanya diberi nilai 0 untuk nilai tidak dan 1 untuk nilai iya (ada). Pada Tabel 2 disajikan konversi data gejala batuk. Tabel 2 Konversi data gejala batuk Gejala Nilai Tidak Batuk

0

1Minggu – 1Bulan

1

1Bulan – 3Bulan

2

> 3Bulan

3

Setelah dikonversi dilakukan proses perhitungan menggunakan algoritme VFI5 dengan membagi antara data latih dan data uji 2 : 1, 2 untuk data latih dan 1 untuk data uji. Untuk pembagian data menjadi data latih dan data uji digunakan proses acak dengan memperhitungkan banyaknya jumlah setiap angka nominal pada setiap gejala agar pada setiap data latih yang digunakan mendapatkan semua nilai nominal pada setiap gejala. Dilakukan 2 kali percobaan pada penelitian untuk mengoptimasikan data yang ada. Pada percobaan pertama proses yang dilakukan adalah melakukan klasifikasi data menggunakan algoritme VFI5 dengan bobot seragam, sedangkan pada percobaan kedua proses yang dilakukan adalah menggunakan bobot tidak seragam untuk mendapatkan hasil yang optimal. Berikut ini diberikan penjelasan secara rinci pembahasan pada 2 percobaan tersebut:

6

Percobaan pertama (dengan bobot seragam) Pada percobaan pertama data yang digunakan sebagai data latih berjumlah 27, dan data uji berjumlah 13. Banyaknya jumlah instances per kelas pada data latih dan data uji disajikan pada Tabel 3. Tabel 3 Jumlah instances data latih dan uji Kelas Data Latih Data Uji Bronkitis 13 instances 7 instances Tb Paru 14 instances 6 instances Data tersebut kemudian diolah menggunakan algoritme VFI5. Diawali dengan proses pelatihan, dimana setiap gejala atau fitur dicari nilai end point-nya sampai didapatkan nilai vote dari setiap fitur dan nilai vote tersebut dikalikan dengan bobot seragam yaitu 1 pada setiap fitur. Akurasi yang didapat pada percobaan ini adalah 85% dari 13 data uji. Hasil klasifikasi pada percobaan pertama disajikan pada Tabel 4. Tabel 4 Hasil klasifikasi percobaan pertama Kelas

Bronkitis

Tb Paru

Bronkitis

6

1

Tb Paru

1

5

Pada Tabel 4 terlihat bahwa data yang salah sebanyak 2 pasien yaitu pasien Bronkitis ke-12 yang diprediksi sebagai Tb Paru dan pasien Tb Paru ke-1 yang diprediksi sebagai Bronkitis. Pada Tabel 5 disajikan nilai vote pasien Bronkitis ke-12 dan untuk nilai vote pasien Tb Paru ke-1 disajikan pada Lampiran 2. Tabel 5 Nilai vote pasien Bronkitis ke-12 Gejala Batuk Batuk berdarah Sakit dada Dahak Demam Sesak nafas Nafsu makan berkurang Berat badan turun Lemah lesu Keringat malam Total Normalisasi Akhir

Nilai vote Kelas Kelas Tb Bronkitis Paru 0,463 0,537 0,568 0,432 0,633 0,367 0,660 0,340 0,456 0,544 0,324 0,676 0,447 0,418 0,489 0,519 4,975 0,498

0,553 0,582 0,511 0,481 5,025 0,502

Pada percobaan ini kesalahan prediksi terdapat di setiap kelas, oleh karena itu kesalahan yang dihasilkan untuk setiap pasien berbeda. Pasien Bronkitis yang diprediksi sebagai pasien Tb Paru mempunyai nilai vote dari fitur atau gejala dengan nilai lebih besar pada kelas Tb Paru sehingga pasien Bronkitis ini diprediksi oleh algoritme VFI 5 sebagai kelas Tb Paru dan juga sebaliknya untuk pasien Tb Paru yang diprediksi sebagai pasien Bronkitis. Pada Tabel 5 dapat dilihat nilai vote pasien Bronkitis dan fitur dengan nilai lebih besar pada kelas Tb Paru adalah batuk, demam, sesak nafas, nafsu makan berkurang, berat badan turun, dan lemah lesu. Untuk pasien Tb Paru yang diprediksi sebagai kelas Bronkitis mempunyai kesalahan pada nilai fitur yang lebih besar di batuk berdarah, dahak, sesak nafas, dan keringat malam. Pada Tabel 6 disajikan normalisasi akhir dari percobaan ini, hasil dari normalisasi tersebut terlihat bahwa nilai seluruh normalisai mempunyai perbedaan nilai pada kelas Bronkitis dan Tb Paru yang tidak terlalu berbeda. Tabel 6 Normalisasi akhir percobaan pertama Normalisasi Normalisasi No. Pasien kelas kelas Bronkitis Tb Paru Bronkitis 1 0,5163 0,4837 Bronkitis 2 0,5080 0,4920 Bronkitis 3 0,5398 0,4602 Bronkitis 4 0,5016 0,4984 Bronkitis 6 0,5137 0,4863 Bronkitis 11 0,5632 0,4368 Bronkitis 12 0,4975 0,5025 Tb Paru 1 0,5053 0,4947 Tb Paru 2 0,4802 0,5198 Tb Paru 3 0,4976 0,5024 Tb Paru 4 0,4835 0,5165 Tb Paru 5 0,4413 0,5587 Tb Paru 7 0,4511 0,5489 Percobaan Kedua (dengan bobot tidak seragam) Pada percobaan kedua ini bobot pada fiturfitur yang paling penting ditambahkan. Percobaan ini dilakukan pada kombinasi data latih dan uji yang sama pada percobaan pertama. Fitur-fitur yang ditambahkan bobotnya adalah batuk berdarah, demam, nafsu makan berkurang, berat badan turun, lemah lesu, dan keringat malam. Pemberian bobot ini dilakukan berulang kali sebanyak bobot yang ditambahkan, bobot nilai yang digunakan adalah 2, 1.1, 1.08, 1.06, 1.05, 1.04, 1.055.

7

berikut ini akan diuraikan hasil dan pembahasan dari masing-masing bobot yang digunakan. 1.

Pemberian bobot nilai = 2 Pembobotan awal ini diberikan nilai 2, nilai 2 diberikan untuk melihat seberapa besar pengaruh nilai 2 terhadap fitur yang digunakan. Pemberian bobot dengan nilai 2 menghasilkan akurasi sebesar 62%. Hasil dari pemberian bobot dengan nilai 2 disajikan pada Tabel 7. Tabel 7 Prediksi data yang salah dan benar (bobot = 2) Kelas Bronkitis

Bronkitis

Tb Paru

2

5

Tb Paru 0 6 Kelima pasien Bronkitis yang diprediksi sebagai Tb Paru adalah pasien ke-2, 3, 4, 6 dan 12. Pada Tabel 8 berikut ini merupakan nilai vote dari pasien ke-12, untuk nilai vote pasien yang salah selengkapnya disajikan pada Lampiran 3. Tabel 8 Nilai vote pasien Bronkitis ke-12 Nilai vote Gejala Kelas Kelas Bronkitis Tb Paru Batuk 0,463 0,537 Batuk berdarah 0,568 0,432 Sakit dada 0,633 0,367 Dahak 0,660 0,340 Demam 0,295 0,705 Sesak nafas 0,324 0,676 Nafsu makan berkurang 0,288 0,712 Berat badan turun 0,264 0,736 Lemah lesu 0,324 0,676 Keringat malam 0,350 0,650 4,168 5,832 Total 0,491 0,509 Normalisasi Akhir Hasil yang didapat dari bobot nilai yang diberikan sama dengan 2 menghasilkan akurasi yang kurang baik dibandingkan percobaan pertama. Hal ini dapat dilihat bahwa pasien pada percobaan pertama diprediksi benar maka pada percobaan kedua dengan pemberian bobot nilai 2 diprediksi salah. Bobot yang diberikan kemungkinan terlalu besar sehingga mempengaruhi nilai pada kelas Bronkitis. Kesalahan nilai vote pada percobaan dengan bobot nilai 2 berada pada gejala batuk, demam, sesak nafas, nafsu makan berkurang, berat badan turun, lemah lesu dan keringat malam. Nilai vote pada gejala-gejala ini mempunyai nilai yang besar pada kelas Tb Paru, sehingga

pada kelas Tb Paru yang sebelumnya ada pasien yang disalah prediksikan dengan penggunaan bobot seragam, maka pada percobaan ini pasien tersebut diprediksi benar pada kelas Tb Paru. Dari hasil tersebut percobaan dilakukan kembali dengan menurunkan bobot nilai yang digunakan antara 1 < 2. 2.

Pemberian bobot nilai = 1.1 Percobaan dilakukan kembali dengan pemberian bobot dengan nilai yang berbeda dengan nilai sebelumnya, bobot yang diberikan adalah 1.1. Hasil akurasi yang diperoleh dari bobot dengan nilai 1.1 adalah 85% dengan 2 kesalahan prediksi dari 13 data uji. Hasil prediksi data benar dan salah disajikan pada Tabel 9. Tabel 9 Prediksi data benar dan salah (bobot =1.1) Kelas Bronkitis Tb Paru Bronkitis 5 2 Tb Paru 0 6 Kedua pasien Bronkitis yang diprediksi sebagai pasien Tb Paru merupakan pasien yang sama pada percobaan yang menggunakan bobot nilai 2, yaitu pasien ke-4 dan 12. Nilai vote pada kedua pasien dapat dilihat pada Lampiran 4. Pada percobaan bobot 1.1 umumnya kesalahan yang ada pada gejala batuk, sakit dada, demam, sesak nafas, nafsu makan berkurang, berat badan turun, lemah lesu, dan keringat malam. Nilai vote yang dihasilkan dari gejala-gejala tersebut lebih besar pada kelas Tb Paru. 3.

Pemberian bobot nilai = 1.05 Pemberian bobot yang dilakukan diberikan dengan nilai lebih kecil dari 1.1 karena jika diambil nilai di atas 1.1 hasil yang didapatkan tidak maksimum (akurasi yang didapatkan semakin kecil), sehingga diberikan nilai 1.05 yang merupakan titik tengah antara 1 dan 1.1. Bobot yang diberikan dengan nilai 1.05 menghasilkan akurasi 92% dari banyaknya data uji 13 instances. Hasil prediksi data benar dan salah disajikan pada Tabel 10 dan Nilai vote pada pasien Bronkitis ke-12 disajikan pada Tabel 11. Tabel 10 Prediksi data benar dan salah (bobot =1.1) Kelas Bronkitis Tb Paru Bronkitis 6 1 Tb Paru 0 6

8

Tabel 11 Nilai vote pasien Bronkitis ke-12 Nilai vote Gejala Kelas Kelas Bronkitis Tb Paru Batuk 0,463 0,537 Batuk berdarah 0,568 0,432 Sakit dada 0,633 0,367 Dahak 0,660 0,340 Demam 0,444 0,556 Sesak nafas 0,324 0,676 Nafsu makan berkurang 0,435 0,565 Berat badan turun 0,406 0,594 Lemah lesu 0,477 0,523 Keringat malam 0,506 0,494 4,915 5,085 Total 0,492 0,508 Normalisasi Akhir Kesalahan yang ada pada percobaan ini adalah nilai vote yang lebih besar pada gejala batuk, demam, sesak nafas, nafsu makan berkurang, berat badan turun, dan lemah lesu pada kelas Tb Paru. Gejala-gejala tersebut sama dengan kesalahan gejala pada percobaanpercobaan sebelumnya, dimana kesalahan prediksi selalu terjadi pada pasien Bronkitis yang diprediksi sebagai Tb Paru. 4.

Pemberian bobot nilai = 1.08 Pemberian bobot yang keempat ini diberikan dengan nilai bobot 1.08. Pemilihan bobot ini untuk mengetahui hasil yang didapatkan dengan bobot nilai > 1.05 lebih baik atau tidak. Hasil akurasi yang diperoleh dari bobot 1.08 adalah 85% dengan prediksi data yang benar dan salah pada Tabel 12 berikut ini. Tabel 12 Prediksi data benar dan salah (bobot = 1.08) Kelas

Bronkitis

Tb Paru

Bronkitis

5

2

Tb Paru

0

6

Kesalahan yang diperoleh dari hasil klasifikasi dengan bobot 1.08 sama dengan pasien salah prediksi pada percobaan dengan bobot 1.1 yaitu pasien ke-4 dan 12 pada pasien Bronkitis. Kesalahan nilai vote yang dihasilkan pada percobaan ini sama dengan kesalahan yang dihasilkan pada percobaan sebelumnya dengan bobot 2. Nilai vote untuk pasien Bronkitis ke-4 dapat dilihat pada Tabel 12 dan pasien Bronkitis ke-13 pada Lampiran 5.

Tabel 13 Nilai vote pasien Bronkitis ke- 4 Nilai vote Gejala Kelas Kelas Bronkitis Tb Paru Batuk 0,463 0,537 Batuk berdarah 0,568 0,432 Sakit dada 0,633 0,367 Dahak 0,660 0,340 Demam 0,437 0,563 Sesak nafas 0,324 0,676 Nafsu makan berkurang 0,428 0,572 Berat badan turun 0,399 0,601 Lemah lesu 0,470 0,530 Keringat malam 0,499 0,501 4,880 5,120 Total 0,488 0,512 Normalisasi Akhir 5.

Pemberian bobot nilai = 1.06 Nilai 1.06 diberikan karena hasil akurasi yang diperoleh dari bobot nilai 1.08 tidak lebih baik, maka nilai diturunkan kembali antara 1.08 dan 1.05. Hasil akurasi yang diperoleh dari percobaan ini adalah 92% dengan kesalahan prediksi yang sama dengan percobaan dengan bobot nilai 1.1 dan kesalahan nilai vote yang dihasilkan pun sama. Pada Tabel 14 disajikan nilai vote dari pasien yang salah prediksi atau pasien Bronkitis ke-12. Tabel 14 Nilai vote pasien Bronkitis ke-12 Gejala Batuk Batuk berdarah Sakit dada Dahak Demam Sesak nafas Nafsu makan berkurang Berat badan turun Lemah lesu Keringat malam Total Normalisasi Akhir

Nilai vote Kelas Kelas Bronkitis Tb Paru 0,463 0,537 0,568 0,432 0,633 0,367 0,660 0,340 0,441 0,559 0,324 0,676 0,432 0,404 0,475 0,504 4,903 0,490

0,568 0,596 0,525 0,496 5,097 0,510

6.

Pemberian bobot nilai = 1.04 Bobot yang digunakan antara 1.05 < 1.1 telah didapatkan hasil yang rata-rata mempunyai kesalahan yang sama yaitu pada pasien Bronkitis ke-12, kemudian dicobakan kembali dengan bobot antara 1 < 1.05. akurasi yang dihasilkan dari bobot 1.04 adalah 85% dengan kesalahan prediksi pada pasien yang

9

sama pada percobaan pertama (dengan bobot seragam) yaitu pasien Bronkitis ke-12 dan pasien Tb Paru ke-1. Berikut ini disajikan Tabel vote pasien Bronkitis ke-12 dengan bobot 1.04 dan untuk nilai vote pasien Tb Paru ke-1 disajikan pada Lampiran 6. Seperti pada percobaan pertama kesalahan yang dihasilkan pada percobaan ini sama, dimana pasien Tb Paru diprediksi sebagai Bronkitis dan pasien Bronkitis diprediksi sebagai Tb Paru. Untuk kesalahan nilai vote yang dihasilkan pada pasien Tb Paru sama seperti pada percobaan pertama, sedangkan untuk pasien Bronkitis kesalahan nilai vote yang dihasilkan pada percobaan ini sama dengan kesalahan pada percobaan dengan bobot nilai 1.1. Tabel 15 Nilai vote pasien Bronkitis ke-12 Nilai vote Gejala Kelas Kelas Bronkitis Tb Paru Batuk 0,463 0,537 Batuk berdarah 0,568 0,432 Sakit dada 0,633 0,367 Dahak 0,660 0,340 Demam 0,446 0,554 Sesak nafas 0,324 0,676 Nafsu makan berkurang 0,437 0,563 Berat badan turun 0,408 0,592 Lemah lesu 0,479 0,521 Keringat malam 0,509 0,491 4,927 5,073 Total 0,493 0,507 Normalisasi Akhir 7.

Pemberian bobot nilai = 1.055 Pembobotan dengan nilai 1.055 diujikan untuk melihat kembali apakah nilai ini berpengaruh pada hasil klasifikasi karena bobot dengan nilai 1.05<1.1 menghasilkan akurasi yang sama dengan percobaan pertama, maka nilai dikecilkan kembali menjadi 1.055. Bobot ini menghasilkan akurasi yang sama pada percobaan dengan bobot 1.06, 1.05 yaitu 92% dan kesalahan prediksi (pada pasien Bronkitis ke-12) dan vote yang sama pada setiap percobaan yang dilakukan. Pada Tabel 16 disajikan nilai vote pasien salah prediksi dengan bobot 1.055.

Tabel 16 Nilai vote pasien Bronkitis ke-12 Nilai vote Gejala Kelas Kelas Bronkitis Tb Paru Batuk 0,463 0,537 Batuk berdarah 0,568 0,432 Sakit dada 0,633 0,367 Dahak 0,660 0,340 Demam 0,443 0,557 Sesak nafas 0,324 0,676 Nafsu makan berkurang 0,434 0,566 Berat badan turun 0,405 0,595 Lemah lesu 0,476 0,524 Keringat malam 0,505 0,495 4,909 5,091 Total 0,491 0,509 Normalisasi Akhir Hasil normalisasi akhir pada percobaan kedua disajikan pada Lampiran 8. Normalisasi akhir pada percobaan kedua sama seperti percobaan pertama, dimana nilai yang dihasilkan antara kelas Bronkitis dan Tb Paru tidak mempunyai perbedaan yang terlalu berbeda. Hal ini dapat dikatakan bahwa kedua penyakit ini memang mempunyai gejala yang sangat mirip sekali, sehingga didapat nilai akhir yang tidak terlalu berbeda. Dari seluruh percobaan di atas kesalahan prediksi selalu terjadi pada pasien Bronkitis ke12, jika dilihat dari nilai vote yang dihasilkan dari setiap pengujian terdapat kesalahan vote pada gejala batuk, demam, sesak nafas, nafsu makan berkurang, berat badan turun, dan lemah lesu. Nilai vote yang dihasilkan pada gejalagejala tersebut lebih besar pada kelas Tb Paru, sedangkan kesalahan prediksi yang ditemui pada pasien Tb Paru ada pada gejala batuk berdarah, dahak, sesak nafas, dan keringat malam. Percobaan menggunakan pembobotan tidak seragam dapat dilihat bahwa bobot yang lebih baik yaitu dengan nilai bobot 1,05, hal ini terlihat pada hasil yang diperoleh pada percobaan tersebut dengan 1 kesalahan prediksi dan selisih nilai paling kecil dibandingkan 1.06 dan 1.055. Penelitian sebelumnya dilakukan oleh (Rosyid 2009) Diagnosa Penyakit Tuberkulosis Paru Menggunakan Algoritme VFI5 dengan akurasi 83%, pada penelitian ini data yang digunakan merupakan data rekam medik pasien rawat inap Tb Paru di RSUD Pasar Rebo, penyakit yang diklasifikasi hanya sebatas Tb Paru dan non Tb Paru dan bobot yang

10

digunakan pada penelitian ini menggunakan bobot = 1 (default).

KESIMPULAN DAN SARAN Kesimpulan Pada penelitian ini algoritme voting feature interval digunakan untuk klasifikasi data. Data yang digunakan pada penelitian ini merupakan data hasil wawancara pasien baru di poli paru Rumah Sakit Umum Daerah Pasar Rebo. Jumlah data yang digunakan sebanyak 40 data untuk masing-masing data pada setiap kelasnya adalah 20. Percobaan yang dilakukan pada penelitian ini menggunakan 2 cara, percobaan pertama menggunakan bobot seragam dan percobaan kedua dengan menggunakan bobot tidak seragam. Pada percobaan pertama terdapat 2 kesalahan prediksi. Pada percobaan kedua didapatkan kesalahan prediksi paling sedikit yaitu 1 kesalahan prediksi. Selang-selang yang dihasilkan pada proses pelatihan dan nilai normalisasi akhir pada setiap percobaan membuktikan bahwa kedua penyakit ini mempunyai gejala yang sangat mirip. Akurasi yang dihasilkan pada percobaan pertama didapatkan akurasi sebesar 85%, sedangkan pada percobaan kedua menghasilkan akurasi paling tinggi sebesar 92%. Dari ketujuh bobot yang digunakan pada percobaan kedua didapatkan bobot yang paling baik yaitu 1.05.

http://www.cs.ucf.edu/~ecl/papers/miros97c lassification.pdf. Güvenir HA, Emeksiz N. 2000. An expert system for the differential diagnosis of erythemato-squamous diseases, Vol.18, No.1, (2000), hlm 43-49. Kristanti H. 2009. Waspada 11 Penyakit Berbahaya. Yogya : Citra Pustaka. Rosyid A. 2009. Diagnosa penyakit tuberkulosis paru menggunakan algoritme VFI5 [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Saran Pada penelitian selanjutnya data yang digunakan dapat ditambah agar data yang dihasilkan lebih representatif dan bobot untuk setiap fiturnya dapat diolah kembali dengan menggunakan algoritme genetika. Jenis data ordinal dapat ditambahkan pada penelitian ini, seperti pada gejala demam dengan memperhitungkan suhu badan pada saat demam.

DAFTAR PUSTAKA [Depkes RI] Departemen Kesehatan Republik Indonesia. 2005. Pedoman Nasional Penanggulangan Tuberkulosis. Jakarta. [Depkes RI] Departemen Kesehatan Republik Indonesia. 2007. Pedoman Nasional Penanggulangan Tuberkulosis. Jakarta. Demiröz G, Güvenir HA, 1997. Classification by Voting Feature Intervals.

11

12

Lampiran 1 Form wawancara yang digunakan FORM WAWANCARA Pasien : No. Rekam Medik : Diagnosa Awal : Gejala Yang Dirasakan Batuk : 1. Tidak 2. Iya (Lamanya batuk …….. hari) Batuk Berdarah : 1. Tidak 2. Iya Demam : 1. Tidak 2. Iya Sakit Dada : 1. Tidak 2. Iya Demam : 1.Tidak 2. Iya Nafsu Makan Berkurang : 1. Tidak 2. Iya Sesak Nafas : 1. Tidak 2. Iya Berat Badan Turun : 1. Tidak 2. Iya Lemah Lesu : 1. Tidak 2. Iya Berkeringat Malam : 1. Tidak 2. Iya

Lampiran 2 Nilai vote pasien salah prediksi pada percobaan pertama Gejala

Pasien Bronkitis ke-12

Pasien Tb Paru ke-1

Nilai vote Kelas Kelas Bronkitis Tb Paru


Batuk

0,463

0,537

0,463

0,537

Batuk berdarah

0,568

0,432

0,568

0,432

Sakit dada

0,633

0,367

0,374

0,626

Dahak

0,660

0,340

0,660

0,340

Demam

0,456

0,544

0,456

0,544

Sesak nafas

0,324

0,676

0,660

0,340

Nafsu makan berkurang

0,447

0,553

0,447

0,553

Berat badan turun

0,418

0,582

0,418

0,582

Lemah lesu

0,489

0,511

0,489

0,511

Keringat malam

0,519

0,481

0,519

0,481

Total

4,975

5,025

5,053

4,947

Normalisasi Akhir

0,498

0,502

0,505

0,495

12

Lampiran 3 Nilai vote pasien salah prediksi (bobot = 2) Gejala







Batuk

0,473

0,527

0,473

0,527

0,473

0,527

Batuk berdarah

0,568

0,432

0,568

0,432

0,568

0,432

Sakit dada

0,633

0,367

0,633

0,367

0,374

0,626

Dahak

0,324

0,676

0,660

0,340

0,660

0,340

Demam

0,564

0,436

0,295

0,705

0,295

0,705

Sesak nafas Nafsu makan berkurang

0,324

0,676

0,660

0,340

0,324

0,676

0,557

0,443

0,557

0,443

0,557

0,443

Berat badan turun

0,601

0,399

0,264

0,736

0,601

0,399

Lemah lesu

0,519

0,481

0,324

0,676

0,519

0,481

Keringat malam

0,350

0,650

0,485

0,515

0,485

0,515

Total

4,912

5,088

4,918

5,082

4,856

5,144

Normalisasi Akhir

0,4912

0,5088

0,4918

0,5082

0,4856

0,5144

Gejala



Nilai vote Kelas Kelas Tb Bronkitis Paru

Nilai vote Kelas Kelas Tb Bronkitis Paru

Batuk

0,589

0,411

0,463

0,537

Batuk berdarah

0,177

0,823

0,568

0,432

Sakit dada

0,633

0,367

0,633

0,367

Dahak

0,660

0,340

0,660

0,340

Demam

0,295

0,705

0,295

0,705

Sesak nafas Nafsu makan berkurang

0,660

0,340

0,324

0,676

0,288

0,712

0,288

0,712

Berat badan turun

0,264

0,736

0,264

0,736

Lemah lesu

0,324

0,676

0,324

0,676

Keringat malam

0,485

0,515

0,350

0,650

Total Normalisasi Akhir

4,375

5,625

4,168

5,832

0,4375

0,5625

0,4168

0,5832

13

Lampiran 4 Nilai vote pasien salah prediksi (bobot = 1,1) Gejala





Batuk

0,473

0,527

0,463

0,537

Batuk berdarah

0,568

0,432

0,568

0,432

Sakit dada

0,374

0,626

0,633

0,367

Dahak

0,660

0,340

0,660

0,340

Demam

0,432

0,568

0,432

0,568

Sesak nafas

0,324

0,676

0,324

0,676


0,557

0,443

0,423

0,577

Berat badan turun

0,601

0,399

0,395

0,605

Lemah lesu

0,519

0,481

0,465

0,535

Keringat malam

0,485

0,515

0,495

0,505

Total

4,993

5,007

4,858

5,142

Normalisasi Akhir

0,499

0,501

0,486

0,514

Lampiran 5 Nilai vote pasien salah prediksi (bobot = 1,08) Gejala





Batuk

0,473

0,527

0,463

0,537

Batuk berdarah

0,568

0,432

0,568

0,432

Sakit dada

0,374

0,626

0,633

0,367

Dahak

0,660

0,340

0,660

0,340

Demam

0,437

0,563

0,437

0,563

Sesak nafas

0,324

0,676

0,324

0,676


0,557

0,443

0,428

0,572

Berat badan turun

0,601

0,399

0,399

0,601

Lemah lesu

0,519

0,481

0,470

0,530

Keringat malam

0,485

0,515

0,499

0,501

Total

4,997

5,003

4,880

5,120

Normalisasi Akhir

0,500

0,500

0,488

0,512

0,49975

0,50025

-

-

Pembulatan 5 angka

14

Lampiran 6 Nilai vote pasien salah prediksi (bobot = 1.04) Gejala


Pasien Tb Paru ke-1



Batuk

0,463

0,537

0,463

0,537

Batuk berdarah

0,568

0,432

0,568

0,432

Sakit dada

0,633

0,367

0,374

0,626

Dahak

0,660

0,340

0,660

0,340

Demam

0,446

0,554

0,446

0,554

Sesak nafas

0,324

0,676

0,660

0,340


0,437

0,563

0,437

0,563

Berat badan turun

0,408

0,592

0,408

0,592

Lemah lesu

0,479

0,521

0,479

0,521

Keringat malam

0,509

0,491

0,509

0,491

Total

4,927

5,073

5,004

4,996

Normalisasi Akhir

0,493

0,507

0,500

0,500

-

-

0,50044

0,49956

Pembulatan 5 angka

15

Lampiran 7 Selang-selang hasil proses pelatihan Batuk B:0 T:0

B : 0,473 T : 0,527

B : 0,589 T : 0,411

B : 0,463 T : 0,537

0

1

2

3

Batuk berdarah

Sakit dada

B : 0,568 T : 0,432

B : 0,301 T : 0,699

B : 0,374 T : 0,626

B : 0,633 T : 0,367

0

1

0

1

Dahak

Demam B : 0,660 T : 0,340

B : 0,324 T : 0,676

B : 0,564 T : 0,436

B : 0,456 T : 0,544

0

1

0

1

Sesak nafas

Nafsu makan berkurang B : 0,324 T : 0,676

B : 0,660 T : 0,340

B : 0,557 T : 0,443

B : 0,447 T : 0,553

0

1

0

1

Berat badan turun

Lemah lesu

B : 0,601 T : 0,399

B : 0,418 T : 0,582

B : 0,519 T : 0,481

B : 0,489 T : 0,511

0

1

0

1

Berkeringat malam B : 0,485 T : 0,515

B : 0,519 T : 0,481

0

1

Keterangan: B = Bronkitis T = Tb Paru

16

Lampiran 8 Normalisasi akhir percobaan 2

No. Pasien

bobot = 2 Normalisasi Normalisasi kelas kelas Tb Bronkitis Paru

bobot = 1,1 Normalisasi Normalisasi kelas kelas Tb Bronkitis Paru


Bronkitis 1

0,5163

0,4837

0,5163

0,4837

0,5163

0,4837

Bronkitis 2

0,4912

0,5088

0,5056

0,4944

0,5068

0,4932

Bronkitis 3

0,4918

0,5082

0,5328

0,4672

0,5362

0,4638

Bronkitis 4

0,4856

0,5144

0,4993

0,5007

0,5004

0,4996

Bronkitis 6

0,4375

0,5625

0,5024

0,4976

0,5079

0,4921

Bronkitis 11

0,5304

0,4696

0,5585

0,4415

0,5608

0,4392

Bronkitis 12

0,4168

0,5832

0,4858

0,5142

0,4915

0,5085

Tb Paru 1

0,4245

0,5755

0,4935

0,5065

0,4993

0,5007

Tb Paru 2

0,4323

0,5677

0,4731

0,5269

0,4766

0,5234

Tb Paru 3

0,4528

0,5472

0,4909

0,5091

0,4942

0,5058

Tb Paru 4

0,3904

0,6096

0,4698

0,5302

0,4764

0,5236

Tb Paru 5

0,4129

0,5871

0,4370

0,5630

0,4391

0,5609

Tb Paru 7

0,4387

0,5613

0,4491

0,5509

0,4501

0,5499

No. Pasien




Bronkitis 1

0,5163

0,4837

0,5163

0,4837

0,5163

0,4837

Bronkitis 2

0,5061

0,4939

0,5066

0,4934

0,5070

0,4930

Bronkitis 3

0,5341

0,4659

0,5355

0,4645

0,5369

0,4631

Bronkitis 4

0,4997

0,5003

0,5002

0,4998

0,5007

0,4993

Bronkitis 6

0,5046

0,4954

0,5076

0,4924

0,5091

0,4909

Bronkitis 11

0,5594

0,4406

0,5603

0,4397

0,5613

0,4387

Bronkitis 12

0,4880

0,5120

0,4903

0,5097

0,4927

0,5073

Tb Paru 1

0,4958

0,5042

0,4981

0,5019

0,5004

0,4996

Tb Paru 2

0,4745

0,5255

0,4759

0,5241

0,4773

0,5227

Tb Paru 3

0,4922

0,5078

0,4943

0,5057

0,4949

0,5051

Tb Paru 4

0,4724

0,5276

0,4758

0,5242

0,4778

0,5222

Tb Paru 5

0,4378

0,5622

0,4394

0,5606

0,4395

0,5605

Tb Paru 7

0,4495

0,5505

0,4506

0,5494

0,4503

0,5497

17

Lampiran 8 Lanjutan

No. Pasien

bobot = 1,055 Normalisasi Normalisasi kelas Bronkitis kelas Tb Paru

Bronkitis 1

0,5163

0,4837

Bronkitis 2

0,5067

0,4933

Bronkitis 3

0,5359

0,4641

Bronkitis 4

0,5003

0,4997

Bronkitis 6

0,5074

0,4926

Bronkitis 11

0,5605

0,4395

Bronkitis 12

0,4909

0,5091

Tb Paru 1

0,4987

0,5013

Tb Paru 2

0,4762

0,5238

Tb Paru 3

0,4939

0,5061

Tb Paru 4

0,4758

0,5242

Tb Paru 5

0,4389

0,5611

Tb Paru 7

0,4500

0,5500

18

PREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM DISTY TATA CERIA

Recommend Documents