Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor TCS3200 Dan MQ135 dengan Metode Naive Bayes

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 5, Mei 2017, hlm. 436-444

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor TCS3200 Dan MQ135 dengan Metode Naive Bayes Rint Zata Amani1, Rizal Maulana2, Dahnial Syauqy3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected], Abstrak Dehidrasi merupakan kondisi ketika jaringan tubuh manusia kehilangan cairan secara tidak normal dan hal ini sangat sering disepelekan sehingga terkadang untuk kondisi dehidrasi yang cukup berat dapat menyebabkan kematian. Namun untuk saat ini pendeteksian dehidrasi hanya berdasarkan pada analisa tim kesehatan dengan beberapa tanda klinis penyebab dehidrasi. Dari permasalahan tesebut, diperlukan adanya penelitian yang terkait dengan sistem otomatisasi untuk mendeteksi tingkatan dehidrasi yang dapat digunakan orang awam, sehingga dapat mengurangi jumlah penderita dehidrasi yang tidak tertangani karena tidak mengetahui gejala dehidrasi sejak awal. Pada penelitian ini parameter-parameter yang digunakan untuk melakukan perbandingan tingkatan dehidrasi adalah warna dan kadar amonia pada urin manusia. Penggunaan parameter urin sebagai obyek penelitian dikarenakan kondisi urin mencerminkan kondisi cairan yang ada pada tubuh manusia. Proses penentuan tingkatan dehidrasi melalui warna dan kadar amonia urin diperoleh dari nilai hasil pembacaan sensor warna TCS3200 dan sensor gas MQ135 oleh mikrokontroler Arduino Uno dengan menggunakan metode Naive Bayes. Metode Naive Bayes dipilih sebagai salah satu teknik untuk pengambilan keputusan jenis tingkatan dehidrasi, karena metode ini merupakan salah satu metode klasifikasi yang cukup baik dimana kelas penggolongan jenis tingkatan dehidrasi telah diketahui sejak awal. Dari hasil beberapa pengujian yang dilakukan diketahui persentase error pembacaan sensor warna TCS3200 adalah sebesar 2,70% dan nilai korelasi pembacaan sensor gas MQ135 dengan tegangan keluarannya sebesar 99,81%. Selanjutnya pada pengujian sistem menggunakan metode Naive Bayes dengan jumlah data latih sebanyak 46 data dan data uji sebanyak 23 data, diperoleh akurasi sebesar 95,65% dengan waktu komputasi rata-rata selama 0,69 detik. Kata kunci: dehidrasi, urin, klasifikasi, Naive Bayes

Abstract Dehydration is a condition when human body tissue’s loss of fluid abnormally and this condition often underestimated by common people, so in case on serious level illness of dehydration will causes death. However nowadays to detect dehydration still according to analysis from health team by some clinical sign that cause dehydration. From this problem, it is needed a research about automatic system to detect dehydration level that can use by common people, so can decrease amount of dehydration’s patient that untreated since begining. On this research, the parameters were used to compare dehydration’s level are color and level of ammonia in human urine. The reason of using urine as research object is because urine condition reflect fluid condition in human body. Process to determine dehydration’s level from color and level of ammonia in human urine is perform with read data color sensor TCS3200 and gas sensor MQ135 by Arduino Uno Microcontroler with Naive Bayes method. Naive Bayes method is selected as a technique to make a decision of dehydrations level because this method was one of classification method that good, which the classification classes of dehdydration level were already known since begining. From some testing result, it has known that the error percentage of color sensor TCS3200 on read the color object was 2,70% and the corelation value of gas sensor MQ135 reading with out voltage of sensor was 99,81%. And then on system testing by Naive Bayes method with amount of training data was 46 data and testing data as many as 23 data, the accuration reached 95,65% with average computation time was 0,69 second. Keywords: dehydration, urine, classification, Naive Bayes

Fakultas Ilmu Komputer Universitas Brawijaya

436

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

1. PENDAHULUAN Istilah dehidrasi sebenarnya sudah tak asing lagi, namun kondisi ini sering disepelekan. Padahal dalam kenyataannya dehidrasi merupakan kondisi yang cukup berbahaya, dimana pada tingkatan dehidrasi berat dapat menyebabkan kematian. Besarnya tingkat keparahan akibat dari dehidrasi tentunya dipengaruhi seberapa besar tingkat dehidrasi yang dialami. Terlihat dari studi terkini 46,1 persen orang Indonesia mengalami dehidrasi ringan terutama remaja (Kompas, 2009). Data lain menyebutkan bahwa penyebab utama dehidrasi adalah diare yang merupakan faktor penyebab tingkat kematian anak di dunia sejumlah 1,5 juta anak meninggal. Di negara maju, dehidrasi mempunyai kemungkinan lebih kecil menyebabkan kematian, tetapi dehidrasi menyebabkan morbiditas / kesakitan yang signifikan. Di Amerika Serikat setiap tahunnya terdapat 200.000 pasien dirawat di rumah sakit, dan 300 pasien meninggal yang merupakan anak-anak dibawah 5 tahun (Freedman & Paik, 2008). Berdasarkan data tersebut dapat dikatakan masalah dehidrasi semacam ini tidak boleh dibiarkan bergitu saja. Penyebab mengapa kejadian dehidrasi mencapai angka yang cukup tinggi adalah karena sulitnya mengetahui gejala dehidrasi bagi orang awam. Melihat pentingnya masalah dehidrasi, organisasi kesehatan dunia yakni WHO telah membuat penilaian derajat dehidrasi berdasarkan empat parameter penilaian gejala klinik yaitu keadaan umum, mata, rasa haus dan penilaian turgor (tekanan elastisitas kulit), sehingga memudahkan orang awam dalam memahami gejala dehidrasi. Selanjutnya menurut Eri Laksana terdapat empat tanda klinis dehidrasi yakni jumlah defisit cairan, status hemodinamik, kondisi jaringan tubuh, dan kondisi urin. Jumlah dan kualitas urin serta tingkat kesadaran merupakan tolok ukur dalam penilaian dehidrasi. Namun dalam melakukan penilaian terhadap parameter-parameter tersebut masih subjektif, sehingga hasil penilaian derajat dehidrasi antara tiap orang dapat berbeda. Kondisi urin dalam tubuh dapat diketahui dari warna, kejernihan dan bau. Urin memilki tingkatan warna yang berbeda dipengaruhi oleh tingkat konsumsi cairan yang di minum. Konsumsi cairan yang banyak akan menghasilkan warna urin yang bening dan cerah, sebaliknya kekurangan cairan akan Fakultas Ilmu Komputer, Universitas Brawijaya

437

menyebabkan warna urin menjadi pekat. Adapun bau urin dipengaruhi oleh kandungan amonia, dimana kadar amonia dalam urin sebanding dengan jumlah konsumsi cairan. Berdasarkan uraian masalah serta fakta terkait dehidrasi yang disebutkan diatas, diperlukan suatu alat yang dapat mendeteksi dini tingkat dehidrasi secara otomatis dan objektif melalui warna dan kadar amonia dalam urin. Penelitian terkait pendeteksian dehidrasi telah dilakukan dengan judul Pengembangan Alat Deteksi Tingkat Dehidrasi Berdasarkan Warna Urin Menggunakan LED dan Fotodioda dimana pembacaan warna urin dilihat dari karakteristik tegangan keluaran dari fotodioda (Latif, 2016). Namun dari penelitian tersebut mempunyai kekurangan untuk dapat membaca warna urin dengan tepat, karena hanya membaca nilai tegangan keluaran dari fotodioda. Oleh karena itu pada penelitian ini digunakan sensor khusus untuk membaca warna dari urin yaitu menggunakan sensor TCS3200. Sensor TCS3200 adalah IC pengkonversi warna cahaya menjadi nilai frekuensi dan sensor ini memiliki fasilitas untuk merekam hingga 25 data warna berbeda (Chairunnas & Sugianto, 2013). Selanjutnya dalam pendeteksian gas amonia (NH3) dapat menggunakan sensor Gas MQ135 seperti pada penelitian berjudul Pemanfaatan Sensor Gas MQ135 untuk Pendeteksi Gas Amonia (NH3) pada Kotoran Ayam Berbasis Arduino Uno (Hasanudin, 2015). Dalam penentuan tingkat dehidrasi, diperlukan metode yang tepat untuk melakukan klasifikasi. Metode Naive Bayes merupakan metode klasifikasi yang sangat efektif dan efisien karena dalam melakukan klasifikasi Naive Bayes dapat bekerja secara independen pada setiap fitur-fitur objek yang akan dilakukan klasifikasi (Astuti, 2016). Berlatarbelakang hal tersebut, penulis bermaksud melakukan penelitian yang berjudul “Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor TCS3200 dan MQ135 dengan Metode Naive Bayes”. Sehingga dengan adanya penelitian ini, diharapkan dapat mempermudah proses pendeteksian dehidrasi secara lebih awal sebelum adanya diagnosa dari dokter.


2. PERANCANGAN DAN IMPLEMENTASI

438

2.2 Perancangan Sistem

2.1 Gambaran Umum Sistem

Gambar 1. Diagram Blok Sistem Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia Berbasis Sensor TCS3200 dan MQ135 dengan Metode Naive Bayes merupakan suatu sistem yang dapat menentukan tingkatan dehidrasi seseorang dengan parameter berupa warna dan kandungan amonia dalam urin. Adapun nilai dari warna urin ini akan dibaca dengan sensor warna TCS3200, sedangkan kadar gas amonia dalam urin akan dibaca dengan sensor gas MQ135 sesuai yang ditunjukkan pada Gambar 1 diatas. Berdasarkan nilai dari kedua parameter tersebut maka dapat dilakukan klasifikasi hasilnya dengan menggunakan metode Naive Bayes. Sistem ini membantu menyelesaikan permasalahan penentuan tingkat dehidrasi yang dilakukan secara manual, dimana selama ini faktor penentu tingkat dehidasi hanya dilakukan berdasarkan tanda-tanda klinis yang ada, dan hal itu menyebabkan tingkat objektifitas yang rendah. Penggunaan metode Naive Bayes pada sistem ini dikarenakan dalam melakukan klasifikasi, sudah diketahui terlebih dahulu jenis klasifikasi yang akan ditentukan yakni dehidrasi ringan, dehidrasi sedang dan dehidrasi berat. Selain itu metode Naive Bayes menjadi metode yang tepat karena dapat menghasilkan tingkat akurasi yang tinggi sesuai dengan jumlah peluang fakta yanng dianggap benar berdasarkan data yang sebenarnya atau yang disebut dengan data latih. Semakin banyak jumlah data latih yang benar, maka tingkat keakuratan sistem akan semakin tinggi. Hasil dari pengolahan sistem ini akan secara otomatis ditampilkan pada layar LCD 16x2.

Gambar 2. Desain Prototype Alat Pendeteksi Dehidrasi Dalam pembuatan suatu alat otomatisasi diperlukan suatu bentuk prototype alat yang akan diimplementasikan. Dalam melakukan desain prototype dari sistem pendeteksi dehidrasi ini perlu diperhatikan peletakkan tiaptiap komponen serta ukuran alat yang akan dikembangkan. Pembuatan desain sistem dirancang menggunakan aplikasi CorelDraw untuk menggambarkan bentuk prototype yakni berupa kotak hitam untuk menghindari interferensi cahaya yang dapat mempengaruhi pembacaan sensor warna TCS3200. Selain itu Peletakkan sensor gas MQ135 dibuat demikian agar dapat membaca nilai gas amonia dari urin secara langsung, dimana wadah kaca tempat menampung urin adalah wadah tanpa tutup. Perancangan prototype sistem ditunjukkan pada Gambar 2. Gambar 3 merupakan gambaran skematik elektronik perangkat keras yang akan diimplementasikan, komponen utama yang digunakan untuk membuat sistem diantaranya adalah Arduino Uno sebagai otak utama dari sistem, sensor warna TC3200, sensor gas MQ135, LCD 16x2, push button, dan resistor sebagai komponen untuk rangkaian pembagi tegangan yang akan diterapkan dalam penggunaan sensor MQ135 dan push button.

Gambar 3. Diagram Skematik Sistem Fakultas Ilmu Komputer, Universitas Brawijaya


439

Pada dasarnya mikrokontroler akan melakukan pembacaan nilai sensor secara terus menerus, ketika Arduino diaktifkan. Berdasarkan diagram alir pada Gambar 4, terlihat bahwa sistem dimulai dengan melakaukan inisialisasi pin dari masing-masing sensor pada arduino IDE yang bertujuan untuk membedakan input dan output yang akan dibaca oleh masing-masing sensor. Selanjutnya saat nilai masing-masing sensor sudah dapat dibaca oleh mikrokontroler maka dilakukan proses pengecekan penekanan push button. Apabila terjadi penekanan push button, nilai sensor terakhir yang terbaca akan digunakan untuk perhitungan Naive Bayes dalam menentukan jenis Dehidrasi berdasarkan urin yang di uji.

Gambar 5. Diagram alir perancangan klasifikasi Naive Bayes Selanjutnya setelah melakukan perancangan untuk pengambilan data dari sensor, maka dilakukan perancangan untuk metode klasifikasinya yaitu perancangan algoritma Naive Bayes seperti yang ditunjukkan pada Gambar 5. Penjelasan masing- masing fungsi pada algoritma Naive Bayes adalah sebagai berikut:

Gambar 4. Diagram alir perancangan pengambilan data sensor

Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 6. Diagram alir fungsi ProbPrior()


Tahap pertama yang dilakukan dalam mengkasifikasikan dehidrasi dengan metode Naive Bayes adalah menghitung nilai prior dari masing kelas dehidrasi. Nilai prior merupakan nilai peluang terjadinya suatu kelas dengan cara membagi banyaknya data dalam suatu kelas (dalam sistem ini terdapat 3 kelas yaitu dehidrasi ringan, sedang dan berat) dengan jumlah keseluruhan data yang ada. Data yang dilakukan perhitungan nilai prior adalah data latih.

440

Rumus perhitungan Gaussian (𝑋 = 𝑥𝑖 |𝑌 = 𝑦𝑖 ) =

1 √2𝜋𝜎𝑖𝑗 2

𝑒

(𝑥𝑖−𝜇𝑖𝑗 )2 − 2𝜎𝑖𝑗 2

(1)

Rumus perhitungan mean dan standar deviasi 𝑥̅ =

∑𝑛𝑖=1 𝑥𝑖 𝑛

𝑠 = √

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 𝑛−1

(2) (3)

Keterangan : (𝑋 = 𝑥𝑖 |𝑌 = 𝑦𝑖 ) : Peluang gaussian 𝜇 𝑎𝑡𝑎𝑢 𝑥̅ : nilai rata-rata (mean) 𝜎 𝑎𝑡𝑎𝑢 𝑠 : nilai standar deviasi 𝑛 : jumlah data 𝑥𝑖 : data ke-i e : nilai eksponen (2,718282)

Gambar 7. Digram alir fungsi Gaussian() Tahap kedua yaitu untuk menentukan nilai peluang dari masing-masing fitur. Terdapat 4 fitur yang digunakan dalam sistem ini yaitu 3 fitur dari pembacaan sensor warna TCS3200 (fitur R, fitur G dan fitur B) serta 1 fitur lainnya dari pembacaan sensor MQ135 yaitu nilai PPM amonia dari urin. Namun sebelum dapat menentukan nilai peluang dari masing-masing fitur, terlebih dahulu harus dilakukan perhitungan mean dan standar deviasi dari data latih menggunakan Persamaan (2) dan Persamaan (3). Pada sistem ini, data latih yang berupa nilai mean dan standar deviasi disimpan pada pemrograman mikrokontroler untuk mepermudah dalam mengakses nilai dari data latih saat sistem dijalankan. Selanjut perhitungan Gaussian dilakukan dengan menggunakan Persamaan (1) seperti yang ditunjukkan pada Gambar 7 dimana nilai x adalah nilai fitur dari pembacaan sensor.


Gambar 8. Diagram alir fungsi ProbPosterior() Tahap selanjutnya adalah menentukan nilai dari peluang posterior, peluang posterior yaitu peluang untuk menentukan besarnya peluang masing-masing kelas akan terjadi ketika adanya masukan dari tiap fitur. Pada sistem ini yaitu untuk menentukan besarnya peluang masingmasing jenis dehidrasi akan terjadi ketika adanya pembacaan nilai fitur R, fitur G, fitur B dan fitur PPM. Prosesnya yaitu dengan melakukan


perkalian antara hasil dari fungsi ProbPrior() dengan fungsi Gaussian(). Tahap akhir dalam pengkasifikasian dengan Naive Bayes ini adalah menentukan nilai peluang posterior yang tertinggi dengan cara membandingkan satu sama lain antar peluang posterior. Jenis dehidrasi dengan nilai peluang posterior paling tinggi merupakan hasil yang klasifikasi dehidrasi yang dideteksi oleh sistem. 2.3 Implementasi Sistem Setelah tahap perancangan selesai dilakukan, selanjutnya tahap implementasi. Pada tahap ini dijelaskan hasil implementasi baik dari prototype sistem maupun hasil implementasi rangkaian elektronik yang ditunjukkan pada Gambar 9 dan Gambar 10.

Gambar 9. Implementasi prototype sistem Implementasi rangkaian elektronik sistem pendeteksi dehidrasi ini diterapkan pada PCB dan kabel jumper yang dapat disolder sehingga dapat mengkoneksikan antar pin dari masingmasing komponen.

(a) (b) Gambar 10. Implementasi rangkaian sensor (a) TCS3200, (b) MQ135

3. PENGUJIAN DAN ANALISIS 3.1 Pengujian sensor TCS3200 dan MQ135 Sensor warna TC3200 adalah sensor utama dalam sistem ini yang berfungsi untuk membaca nilai RGB warna dari urin yanga dideteksi. Pada pengujian sensor warna ini akan dilakukan dengan melakukan pembacaan dari berberapa urin yang berbeda dengan menggunakan sensor warna TC3200 kemudian nilainya akan dibandingkan dengan alat ukur warna berupa Fakultas Ilmu Komputer, Universitas Brawijaya

441

Eyedropper tool pada Corel PHOTO-PAINT, dimana warna yang diuji menggunakan fitur Eyedropper tool tersebut didapatkan dari pengambilan gambar urin yang diujikan. Hasil pengujian masing-masing alat ukur tesebut ditunjukkan pada Tabel 1 dan Tabel 2. Tabel 1. Hasil pembacaan warna urin melalui sensor TCS3200 Peng Pembacaan Sensor ujian R G B HEX ke1 109 93 80 #6D5D50 2 87 68 62 #57443E 3 109 93 84 #6D5D54 4 114 89 80 #725950 5 87 72 71 #574847 6 118 110 96 #766E60 7 118 102 90 #76665A 8 123 110 93 #7B6E5D Tabel 2. Hasil pembacaan warna urin melalui Eyedropper tool Corel PHOTOPAINT Eyedropper tool Corel Peng PHOTO-PAINT ujian keR G B HEX 1 117 75 35 #754B23 2 87 44 9 #572C09 3 109 71 26 #6D471A 4 116 68 22 #744416 5 89 31 11 #591F0B 6 125 93 44 #7D5D2C 7 120 81 24 #785118 8 128 90 28 #805A1C Setelah nilai RGB dari masing-masing sensor maupun alat ukur diperoleh, selanjutnya mengubah nilai RGB tersbut menjadi pembacan warna dalam format HEX, sehingga memudahkan untuk melakukan perhitungan selisih error antar kedua alat ukur pembacaan warna. Kemudian setelah didapatkan selisih error masing-masing pengujian dapat dilakukan perhitungan persentase error dari pembacaan sensor menggunakan Persamaan (4). 𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑒𝑟𝑟𝑜𝑟 𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑛𝑖𝑙𝑎𝑖 𝑝𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 = × 100% 𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑎𝑙𝑎𝑡 𝑢𝑘𝑢𝑟

(4)

Adapun hasil perhitungan error pada pengujian terhadap sensor TCS3200 ditunujukkan pada Tabel 3 berikut ini.


Tabel 3. Hasil perhitungan error pembacaan sensor TCS3200 Peng Selisih Error Persentase ujian error HEX DEC ke1 #7EDD3 519635 6,76% 2 #1835 6197 0,11% 3 #163A 5690 0,08% 4 #1EAC6 125638 1,65% 5 #1D6C4 120516 2,06% 6 #6EECC 454348 5,53% 7 #1EAC4 125636 1,59% 8 #4EBBF 322495 3,83% Rata-rata 2,70% Pada Gambar 11 menunjukkan grafik hubungan antara nilai pembacaan PPM gas amonia dari urin dan nilai tegangan keluaran sensor sebanyak 23 kali percobaan. Grafik tersebut sesuai dengan karateristik sensor gas MQ135, terlihat pada gambar tersebut nilai 𝑦 = 1,2234𝑥 0,2504 merupakan model regresi power antara kedua variabel tersebut, sedangkan nilai 𝑅 2 = 0,9981 disebut sebagai koefisien determinasi yang berarti variabel PPM amonia dipengaruhi oleh variabel Vout sebesar 99,81%. Adapun 0,19% sisanya untuk konsentrasi amonia dipengaruhi variabel lain.

3.2 Pengujian tampilan LCD 16x2 Tabel 4. Hasil pengujian tampilan LCD 16x2 N Kondi Gambar Keterangan o si Proses monitoring warna urin dengan nilai R=215, G=161 dan Monito B=124. 1 ring Proses monitoring tingkat amonia urin dengan nilai PPM=0,07. Jika user Pering tidak atan menekan peneka 2 tombol nan trigger tombol muncul tigger peringatan. Pendeteksian jenis Dehidrasi Ringan

3

Gambar 11. Hasil pengujian korelasi pembacaan sensor MQ135 dengan tegangan keluaran sensor

442

Proses klasifi kasi

Pendeteksian jenis Dehidrasi Sedang

Pendeteksian jenis Dehidrasi Berat Sesuai dengan yang ditunjukkan pada Tabel 4 terlihat bahwa LCD 16x2 yang diterapkan sebagai output sistem dapat menampilkan kondisi yang sesuai dengan yang telah dirancang dan diimplementasikan. 3.3 Pengujian Akurasi Metode Naive Bayes Pengujian dilakukan dengan menggunakan 69 data set yang terbagi menjadi 46 data latih dan 23 data uji. Pengujian ini dimaksudkan untuk mengukur tingkat akurasi sistem pendeteksi



dehidrasi dengan menggunakan metode Naive Bayes yang telah diimplementasikan. Pengujian akurasi ini dilakukan dengan membandingkan hasil klasifikasi sistem yang sesuai dengan status klasifikasi pada data uji yang sebenarnya. Hasil pengujian akurasi sistem ini ditunjukkan pada Tabel 5. Tabel 5. Hasil pengujian sistem pendeteksi dehidrasi dengan metode Naive Bayes Jumlah data uji 23 Jumlah data hasil klasifikasi 22 sistem yang sesuai Persentase akurasi 95,65% 3.4 Pengujian Waktu Komputasi Sistem Pada pengujian ini dilakukan pengujian sebanyak 23 kali dengan memperhatikan waktu komputasi yang dibutuhkan sistem ini untuk melakukan klasifikasi jenis dehidrasi sesuai yang diinginkan. Gambar 12 menunjukkan hasil pengukuran waktu komputasi yang dilakukan sesuai dengan skenario pengujian. Berdasarkan hasil pengujian tersebut diperoleh rata-rata waktu komputasi yang diperlukan sistem untuk melakukan klasifikasi jenis dehidrasi adalah sebesar 696,73 ms.

Selanjutnya sensor gas MQ135 yang diletakkan tepat diatas wadah berisi urin dapat membaca kadar amonia dari urin dengan baik karena fungsionalitas sensor yang diterapkan sesuai dengan karakteristik pada datasheet sensor MQ135, dimana nilai pembacaan sensor berbanding lurus dengan tegangan keluaran yang dihasilkan yaitu semakin tinggi nilai tegangan keluaran sensor maka semakin tinggi nilai pembacaan sensor yang ditunjukkan nilai korelasi antara kedua variabel tersebut sebesar 99,81%. 2. Pada penelitian ini telah dibuat sistem otomatisasi untuk mendeteksi jenis dehidrasi berdasarkan warna dan kadar amonia pada urin dengan menggunakan metode Naive Bayes. Dimana baik semua komponen alat yang digunakan maupun metode Naive Bayes yang diterapkan dapat berjalan sesuai dengan yang diinginkan, terbukti dengan sistem dapat mengklasifikasikan jenis dehidrasi menjadi dehidrasi ringan, dehidrasi sedang dan dehidrasi berat. 3. Akurasi yang diperoleh Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin dengan Metode Naive Bayes yang diuji dengan jumlah data latih sebanyak 46 data dan data uji sebanyak 23 data adalah senilai 95,65%. 4. Performansi Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia Pada Urin dengan Metode Naive Bayes mempunyai nilai kecepatan waktu pemrosesan rata-rata sebesar 0,69 detik dari 23 kali pengujian. 5.

Gambar 12. Hasil pengujian waktu komputasi sistem 4.

KESIMPULAN

Berdasarkan hasil pengujian yang telah dilakukan pada penelitian ini maka dapat ditarik kesimpulan sebagai berikut : 1. Sensor warna TCS3200 yang ditempatkan tepat dibawah wadah urin dapat membaca nilai RGB warna dari urin dengan rata-rata error yang kecil yakni sebesar 2,70% sehingga dapat dikatakan sensor bekerja dengan baik karena dapat membaca perubahan warna yang berbeda dengan perubahan nilai yang kecil sekalipun. Fakultas Ilmu Komputer, Universitas Brawijaya

443

DAFTAR PUSTAKA

Adhieputra, D. A. (2010). Pemilihan Data Training untuk Meningkatkan Kinerja Voting Feature Interval 5 (VFI 5). SKRIPSI, Institut Pertanian Bogor, Ilmu Komputer, Bogor. Amstrong, L. E. (2000). Assess Your Hydration Status. Amstrong, W. J. (1998). Air Kehidupan. Jakarta: Gramedia Pustaka Utama. Arduino. (2016). Arduino Uno Atmega328P. Dipetik Agustus 28, 2016, dari https://www.arduino.cc/en/Main/Ardui noBoardUno Asmadi. (2008). Teknik Prosedural


Kepeawatan: Konsep dan Aplikasi Kebutuhan Dasar Klien. Jakarta: Salemba Medika. Dipetik Mei 6, 2016, dari http://booksgoogle.com Astuti, E. H. (2016). Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke menggunakan Metode Naive Bayes. SKRIPSI, Universitas Brawijaya, Teknik Informatika, Malang. Baber, D. (2010). Bayesian Reasoning and Machine Learning. London: Cambridge University Press. Chairunnas, A., & Sugianto, H. (2013). Robot Pendeteksi Warna Berbasis Mikrokontroler. SKRIPSI, Universitas Pakuan, Ilmu Komputer, Bogor. Freedman, B. S., & Paik, S. M. (2008). Pediatric Dehydration on Assessment and Oral Rehydration Theraphy. Pediatric Emergency Medicine Report, Ontario. Hasanudin, F. (2015). Pemanfaatan Sensor Gas MQ135 untuk Pendeteksi Gas Amonia (NH3) pada Kotoran Ayam Berbasis Arduino Uno. Tugas Akhir, Universitas Gadjah Mada, D3 Teknik Elektro, Yogyakarta. Kompas. (2009). 46 persen Penduduk Indonesia Dehidrasi. Dipetik Mei 6, 2016, dari http://health.kompas.com/read/2009/10/ 22/16081725/46.persen.Penduduk.Indo nesia.Dehidrasi Latif, N. (2016). Pengembangan Alat Deteksi Tingkat Dehidrasi berdasarkan Warna


444

Urine menggunakan LED dan Fotodioda. SKIPSI, Universitas Islam Negeri Sunan Kalijaga, Fisika, Yogyakarta. Leksana, E. (2015). Strategi Terapi Cairan pada Dehidrasi. Semarang. MQ135_Datasheet. (2016). MQ-135 Gas Sensor. Technical Data. Rofiqoh, Y. L., & Soedjono, E. S. (2016). Studi Potensi Urin Manusia Hasil Composting Toilet Dalam Sistem Ecological Sanitation (ECOSAN). ITS, Teknik Lingkungan, Surabaya. Sari, R. A. (2016). Implementasi Metode Support Vector Machine untuk Rekomendasi Pemilihan Terapi Dehidrasi Pada Anak. SKRIPSI, Universitas Bawijaya, Teknik Informatika, Malang. TAOS. (2009, July). TCS3200, TCS3210 Programmable Color Light-ToFrequency Converter. Texas: The Lumenology Company. Diambil kembali dari www.taosinc.com Vishay. (2016, Oktober 27). LCD-016M002B. Diambil kembali dari Vishay Website: www.vishay.com William, G. (2011). Dahsyatnya Terapi Urine. Jakarta: Berlian Media.

Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor TCS3200 Dan MQ135 dengan Metode Naive Bayes

Recommend Documents