UJI COBA METODE MAMDANI UNTUK DETEKSI PENYAKIT DIABETES DI RSUD Dr. H. SOEMARNO SOSROATMOJO KUALA KAPUAS

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999

UJI COBA METODE MAMDANI UNTUK DETEKSI PENYAKIT DIABETES DI RSUD Dr. H. SOEMARNO SOSROATMOJO KUALA KAPUAS Slamet Riyadhi1 dan Abdul Syukur2 1,2

Pascasarjana Teknik Informatika Universitas Dian Nuswantoro Abstrak

Diabetes adalah salah satu penyakit kronis yang dapat menyebabkan komplikasi kesehatan yang serius. Gejala diabetes ditandai dengan rasa haus yang berlebihan, sering kencing terutama malam hari, banyak makan serta berat badan yang turun dengan cepat. Disamping itu kadang-kadang ada keluhan lemah, kesemutan pada jari tangan dan kaki, cepat lapar, gatal-gatal, penglihatan jadi kabur, gairah seks menurun, luka sukar untuk sembuh dan pada ibu-ibu sering melahirkan bayi diatas empat kilogram. Berbagai faktor genetik, lingkungan dan cara hidup berperan dalam perjalanan penyakit diabetes. Ada kecenderungan penyakit ini timbul dalam keluarga. Di samping itu juga ditemukan perbedaan kekerapan dan komplikasi diantara ras, negara dan kebudayaan. Metode logika fuzzy mempunyai tiga tahapan proses yaitu fuzzifikasi, inferensi dan defuzzifikasi. Logika fuzzy merupakan sebuah nilai yang memiliki kesamaran (fuzzyness) antara benar dan salah. Dalam teori logika fuzzy sebuah nilai bisa bernilai benar dan salah secara bersamaan tapi berapa besar kebenaran dan kesalahan suatu nilai tergantung dari berapa besar bobot keanggotaan yang dimilikinya. Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) yang merupakan pengelompokan sesuatu berdasarkan variabel bahasa (linguistic variable) yang dinyatakan dalam fungsi keanggotaan yang bernilai nol sampai dengan satu. Metode logika fuzzy Mamdani dapat digunakan untuk menentukan tingkat keakurasian untuk mendeteksi penyakit diabetes. Kata Kunci : diabetes, sistem cerdas, logika fuzzy, metode Mamdani

1.

PENDAHULUAN

1.1. Latar Belakang Menurut World Health Organization menjelaskan bahwa diabetes melitus merupakan suatu penyakit yang tidak dapat dituangkan dalam suatu jawaban yang jelas dan singkat tetapi secara umum dapat dikatakan sebagai suatu kumpulan problema anatomik dan kimiawi yang merupakan akibat dari sejumlah faktor dimana didapat defisiensi insulin absolut atau relatif dan gangguan fungsi insulin[9]. Metode Mamdani termasuk dalam kelompok Fuzzy Logic. Dalam teori logika fuzzy sebuah nilai bisa bernilai benar dan salah secara bersamaan tapi berapa besar kebenaran dan kesalahan suatu nilai tergantung dari berapa besar bobot keanggotaan yang dimilikinya. Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) yang merupakan pengelompokan sesuatu berdasarkan variabel bahasa (linguistic variable) yang dinyatakan dalam fungsi keanggotaan yang bernilai nol sampai dengan satu. Fuzzy inference system adalah proses merumuskan pemetaan dari input yang diberikan ke output dengan menggunakan logika fuzzy. Logika fuzzy juga banyak digunakan dalam bidang ilmu informatika medis baik yang berupa expert system maupun itelligent medical diagnostic system dalam menentukan diagnosa penyakit untuk membantu pasien dan tenaga medis. Hal ini dibuktikan dengan beberapa penelitian yang telah dilakukan, diantaranya: “Fuzzy Integral Be Applied to the Diagnosis of Gestational Diabetes Mellitus”[3]. Dalam penelitian ini dijelaskan bahwa number of times pregnant, plasma glucose concentration a 2 hours in an oral glucose tolerance test, body mass index, diabetes pedigree function, dan age merupakan parameter untuk mendeteksi diabetes mellitus gestasional. Penelitian ini menggunakan metode fuzzy logic model Sugeno 228

http://research.pps.dinus.ac.id

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 dengan pelatihan jaringan syaraf Backpropagation dengan tingkat keakurasian sebesar 82%. “A fuzzy classification system based on Ant Colony Optimization for diabetes disease diagnosis”[4]. Dalam penelitian ini menggunakan sebuah Ant Colony berbasis sistem klasifikasi untuk mengekstrak satu set aturan fuzzy untuk diagnosis penyakit diabetes bernama FCS-ANTMINER. FCS-ANTMINER memiliki karakteristik baru yang membuatnya berbeda dari metode yang ada yang telah memanfaatkan Ant Colony Optimization (ACO) untuk klasifikasi. Akurasi klasifikasi untuk diagnosis penyakit diabetes yang diperoleh adalah 84,24%. Akurasi deteksi penyakit diabetes yang dihasilkan pada penelitian terdahulu masih memungkinkan untuk ditingkatkan dengan menggunakan alternatif metode lain yaitu metode Mamdani. Dalam mendeteksi suatu penyakit, metode Mamdani mempunyai tingkat keakurasian yang tinggi, hal ini dibuktikan dengan penelitian dari Adeli Ali dan Neshat Mehdi dalam Proceedings of the International MultiConference of Engineers and Computer Scientists Hong Kong dengan judul A Fuzzy Expert System for Heart Disease Diagnosis[5] sebesar 94%. Sehingga yang menjadi pokok masalah penelitian yang pada penelitian terdahulu mendapatkan tingkat akurasi sebesar 82% dan 84,24% masih perlu ditingkatkan untuk mendapatkan metode yang lebih baik. 1.2. Rumusan Masalah Berdasarkan identifikasi masalah penelitian yang berkaitan dengan metode deteksi penyakit diabetes diperoleh kenyataan bahwa tingkat akurasinya baru mencapai 82% dan 84,24%. Untuk itu diperlukan metode deteksi dengan tingkat akurasi yang lebih tinggi. 1.3. Tujuan Penelitian Dari perumusan masalah penelitian di atas maka tujuan penelitian ini adalah dengan menerapkan metode Mamdani diharapkan dapat meningkatkan akurasi dibandingkan penelitian terdahulu sehingga mendapatkan metode yang lebih baik untuk deteksi penyakit diabetes. 1.4. Manfaat Penelitian Hasil penelitian ini diharapkan dapat digunakan untuk mendapatkan metode yang lebih baik dalam mendeteksi penyakit diabetes. 2.

TINJAUAN PUSTAKA

2.1. Logika Fuzzy Logika fuzzy adalah bagian atau salah satu metode dalam kecerdasan buatan (Artificial Intelligence). Dalam logika konvensional nilai kebenaran mempunyai kondisi yang pasti yaitu benar atau salah (true or false), dengan tidak ada kondisi di antara. Prinsip ini dikemukakan oleh Aristoteles sekitar 2000 tahun yang lalu sebagai hukum Excluded Middle dan hukum ini telah mendominasi pemikiran logika sampai saat ini. Logika fuzzy merupakan suatu logika yang dapat merepresentasikan keadaan yang ada di dunia nyata. Teori tentang himpunan logika samar pertama kali dikemukakan oleh Prof. Lotfi Zadeh sekitar tahun 1965 pada sebuah makalah yang berjudul “Fuzzy Sets”. Ia berpendapat bahwa logika benar dan salah dari logika boolean atau konvensional tidak dapat mengatasi masalah yang ada pada dunia nyata. Setelah itu, sejak pertengahan 1970-an, para peneliti Jepang berhasil mengaplikasikan teori ini ke dalam berbagai permasalahan praktis. Tidak seperti logika boolean, logika fuzzy mempunyai nilai yang kontinyu. Samar (fuzzy) dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang bersamaan. Teori himpunan individu dapat memiliki derajat keanggotaan dengan nilai yang kontinyu, bukan hanya nol dan satu. Fuzzy inference system adalah proses merumuskan pemetaan dari input yang diberikan ke ouput dengan menggunakan logika fuzzy. Pemetaan tersebut akan menjadi dasar dari keputusan yang akan dibuat. Proses fuzzy logic melibatkan fungsi keanggotaan, operator logika fuzzy, dan aturan jika-maka (if-then http://research.pps.dinus.ac.id

,

229

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 rule)[3]. Dalam membangun sistem yang berbasis pada aturan fuzzy maka akan digunakan variabel linguistik. Variabel linguistik adalah suatu interval numerik dan mempunyai nilai-nilai linguistik, yang semantiknya didefinisikan oleh fungsi keanggotaannya. Misalnya, usia adalah suatu variabel linguistik yang bisa didefinisikan pada interval (<30 sampai dengan >70). Variabel tersebut bisa memiliki nilai-nilai linguistik seperti ”Muda”, ”Paroh Baya”, ”Tua” yang semantiknya didefinisikan oleh fungsi-fungsi keanggotaan tertentu. 2.1.1 Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukan pemetaan titik-titik input data kedalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1[7]. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan, yaitu: a. Fungsi Linier Pada fungsi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada 2 keadaaan himpunan fuzzy yang linear, yaitu: 1) Fungsi Linear Naik, yaitu kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. 2) Fungsi Linier Turun, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. b. Fungsi Kurva Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear). c. Fungsi Kurva Trapesium Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. d. Fungsi Kurva Bentuk Bahu Daerah yang terletak ditengah-tengah suatu variable yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. e. Fungsi Kurva –S Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi atau crossover (β) yaitu titik yang memiliki domain 50% benar. f. Kurva Bentuk Lonceng (Bell Curve) Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas, yaitu himpunan fuzzy PI, Beta, dan Gauss. Perbedaan ketiga kurva ini terletak pada gradiennya. 1) Kurva PI Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat dengan domain (γ), dan lebar kurva (β) seperti terlihat pada gambar . Nilai kurva untuk suatu nilai domain x diberikan sebagai: 2) Kurva Beta Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukan pusat kurva (γ), dan setengah lebar kurva (β) seperti terlihat pada gambar. Nilai kurva untuk suatu nilai domain x diberikan sebagai: B ( x ; γ , β ) = 1 / ( 1 + ( ( x – γ ) - β )2

230


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 3) Kurva Gauss Jika kurva PI dan kurva BETA menggunakan 2 parameter yaitu (γ) dan (β), kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva. Nilai kurva untuk suatu nilai domain x diberikan sebagai: G ( x ; k , γ ) = e –k(γ–x)^2. 2.1.2 Sistem Berbasis Aturan Fuzzy a. Variabel Linguistik Variabel linguistik adalah suatu interval numerik dan mempunyai nilai-nilai linguistik, yang simantiknya didefinisikan oleh fungsi keanggotaannya. Sistem berbasis aturan fuzzy terdiri dari tiga komponen utama: fuzzification, inference dan deffuzzification[6]. b. Fuzzification Fuzzyfication merupakan proses pemetaan nilai-nilai input (crisp input) yang berasal dari sistem yang dikontrol (besaran non fuzzy) ke dalam himpunan fuzzy menurut fungsi keanggotaannya. Himpunan fuzzy tersebut merupakan fuzzy input yang akan diolah secara fuzzy pada proses berikutnya. c. Inference Pada tahap rule Inference ini diproses hubungan antara nilai-nilai input (crisp input) dan nilai-nilai output (crisp output) yang dikehendaki dengan aturan-aturan (rules). Aturan ini nantinya yang akan menentukan respon sistem terhadap berbagai kondisi setting point dan gangguan yang terjadi pada sistem. Rules yang dipakai adalah jenis “IF-THEN“. Berikut ini contoh rules: IF Err is Normally big (antecendent 1) and AEn is Normally big (antecendent 2) THEN output is Normally big (consequent). Inferensi metode Mamdani sering digunakan untuk membangun sistem yang penalarannya menyerupai intuisi atau perasaan manusia. Proses perhitungannya cukup kompleks sehingga membutuhkan waktu relatif lama, tetapi model ini memberikan ketelitian yang tinggi. Pada model ini, aturan fuzzy didefinisikan sebagai[7]: IF x1 is A1 AND...AND xn is An is An THEN y is B dimana A1,...,An, B adalah nilai-nilai linguistik (atau fuzzy set), dan “x1 is A1” menyatakan bahwa nilai variabel x1 adalah anggota fuzzy set A1. d. Deffuzification Pada tahap ini dilakukan pemetaan bagi nilai-nilai fuzzy output yang dihasilkan pada tahap rules evaluation ke nilai-nilai output kuantitatif yang sesuai dengan sistem yang diharapkan. Ada berbagai metode untuk melakukan proses defuzzyfication[8]. Diantara metode tersebut adalah metode Center Of Grafity (COG). Metode ini akan menghitung pusat titik berat pada semua membership function output yang dipenuhi untuk menentukan besarnya output yang harus diberikan.

Keterangan: y* suatu nilai crisp. Fungsi integration dapat diganti dengan fungsi summation jika y bernilai diskrit, sehingga menjadi:

Pada proses deffuzification dengan metode COG setiap output membership function yang mempunyai nilai di atas fuzzy output dipotong, pemotongan ini disebut lamda cut. Hasil dari membership function yang telah terpotong digabungkan lalu dihitung dengan COG secara keseluruhan. Metode COG juga dapat dilakukan pada output membership function yang berbentuk singleton. 2.2. Deteksi Penyakit Diabetes dengan Metode Mamdani Menurut American Diabetes Association (ADA) pada tahun 2003, diabetes melitus merupakan suatu kelompok penyakit metabolik dengan karakteristik hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin atau kedua-duanya. Hiperglikemia kronik pada diabetes berhubungan dengan


,

231

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 kerusakan jangka panjang, disfungsi dan kegagalan beberapa organ tubuh, terutama mata, ginjal, syaraf, jantung dan pembuluh darah. Sedangkan menurut World Health Organization menjelaskan bahwa diabetes melitus merupakan suatu penyakit yang tidak dapat dituangkan dalam suatu jawaban yang jelas dan singkat tetapi secara umum dapat dikatakan sebagai suatu kumpulan problema anatomik dan kimiawi yang merupakan akibat dari sejumlah faktor dimana didapat defisiensi insulin absolut atau relatif dan gangguan fungsdi insulin[9]. Gejala diabetes ditandai dengan rasa haus yang berlebihan, sering kencing terutama malam hari, banyak makan serta berat badan yang turun dengan cepat. Di samping itu kadang-kadang ada keluhan lemah, kesemutan pada jari tangan dan kaki, cepat lapar, gatal-gatal, penglihatan jadi kabur, gairah seks menurun, luka sukar untuk sembuh dan pada ibu-ibu sering melahirkan bayi di atas empat kilogram. Di samping itu juga ditemukan perbedaan kekerapan dan komplikasi diantara ras, negara dan kebudayaan[10]. Secara garis besar diagram alir metode penelitiannya dapat digambarkan sebagai berikut.

Gambar 1. Diagram Alir Metode Penelitian 3.

METODE PENELITIAN

3.1. Metode Pengumpulan Data Untuk mendukung penelitian dilakukan pengumpulan data sebagai berikut. Data berupa sampel data pasien yang positif dan tidak positif sebagai penderita diabetes di RSUD Dr. H. Soemarno Sosroatmojo Kuala Kapuas diambil pada tanggal 12 September 2012 di bagian Rekam Medik. Variabel yang digunakan adalah umur, tinggi badan (cm) dan berat badan (cm), tekanan darah, dan positif diabetes. 232


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 3.2. Metode Analisis Data Dari hasil wawancara dengan dokter, pada penelitian ini diasumsikan bahwa usia, berat badan dan tekanan darah pada dasarnya menentukan rasio resiko diabetes. Jadi ketiga parameter tersebut akan dijadikan sebagai masukan untuk sistem yang dirancang. Dengan bantuan beberapa literatur yang diperoleh maka dapat dijelaskan parameter untuk fuzzification input dan output sebagai berikut. a. Umur mempunyai tiga nilai linguistik (muda, paroh baya, tua, sangat tua). Tabel 1. Nilai Linguistik Umur Nilai Linguistik Interval Muda < 38 Paroh baya 33 – 45 Tua 40 – 58 Sangat tua > 52 Representasi dengan grafik dapat digambarkan sebagai berikut. µ Derajat Keanggotaan

Muda

Paroh baya

Tua

Sangat tua

1

0

x 29

33

38 40

45

48 52

58 60

Gambar 2. Representasi Grafik Umur Ekspresi untuk fungsi keanggotaan sebagai berikut. .......................................................

(3.1)

..................................................

(3.2)

................................................................

(3.3)

....................................................

(3.4)

b. Berat badan mempunyai tiga nilai linguistik (kurus berat, kurus ringan, normal, gemuk ringan, gemuk berat). Berdasarkan sumber dari World Health Organization yang telah dirujuk oleh Direktorat Bina Gizi Masyarakat Departemen Kesehatan Republik Indonesia untuk digunakan di Indonesia, pengukuran berat badan disesuaikan dengan indeks masa tubuh (body mass index), yaitu:


,

233


Tabel 2. Nilai Linguistik Berat Badan Nilai Linguistik Kurus Berat Kurus Ringan Normal Gemuk Ringan Gemuk Berat

Interval (dalam IMT) ≤ 17 16 – 18,5 17,5 -25 24 - 27 26

Representasi dengan grafik dapat digambarkan sebagai berikut.

µ Derajat Keanggotaan

KB

KR

Normal

GR

GB

1

0

x 13

16 17 17,5

18,5 21,5 24 25 25,5 26 27

33

Gambar 3. Representasi Grafik Berat Badan Ekspresi untuk fungsi keanggotaan sebagai berikut.

234

......................................................

(3.5)

.........................................

(3.6)

..................................................

(3.7)

........................................

(3.8)

...................................................

(3.9)


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 c. Tekanan darah mempunyai empat nilai linguistik (rendah, normal, tinggi dan sangat tinggi). Tabel 3. Nilai Linguistik Tekanan Darah Nilai Linguistik Rendah Normal Tinggi Sangat tinggi

Interval (sistole dalam mm/Hg) < 134 127 – 153 142 – 172 > 154

Representasi dengan grafik dapat digambarkan sebagai berikut. µ Rendah Normal Tinggi Sangat tinggi 1 Derajat Keanggotaan 0

x 111 127 134 139 142 153 154 157 171 172 Gambar 4. Representasi Grafik Tekanan Darah

Ekspresi untuk fungsi keanggotaan sebagai berikut. ......................................................

(3.10)

....................................................

(3.11)

.......................................................

(3.12)

............................................

(3.13)

d. Resiko diabetes mempunyai lima nilai linguistik (sangat rendah, rendah, menengah, tinggi dan sangat tinggi). Tabel 4. Nilai Linguistik Resiko Diabetes Nilai Linguistik Sangat rendah Rendah Menengah Tinggi Sangat tinggi http://research.pps.dinus.ac.id

Interval 0,25 – 1 0–1 1–3 2–4 > 3,75 ,

235

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Representasi dengan grafik dapat digambarkan sebagai berikut. µ SR R M T ST 1 Derajat Keanggotaan 0

x 1

2

3

4

Gambar 5. Representasi Grafik Resiko Diabetes Ekspresi untuk fungsi keanggotaan sebagai berikut. ................................................. (13.14) ............................................................... (13.15)

........................................................... (13.16)

................................................................. (13.17) ........................................................ (13.18) 3.3. Metode Pengukuran Dalam penelitian ini untuk menentukan perhitungan tingkat akurasi maka tahapan yang dilakukan adalah sebagai berikut. a. Menentukan data rekapitulasi untuk penyakit diabetes sesuai dengan parameter yang diperlukan untuk mendeteksi penyakit tersebut. b. Menentukan pengolahan data fuzzy untuk penyakit diabetes menggunakan metode Mamdani. c. Melakukan perbandingan dari hasil metode Mamdani tersebut dengan sampel data pasien. d. Jika hasil dari metode Mamdani sesuai dengan hasil data sampel yang didapat maka hasil dianggap AKURAT. e. Jika hasil dari metode Mamdani tidak sesuai dengan hasil data sampel yang didapat maka hasil dianggap TIDAK AKURAT. f. Selanjutnya dihitung persen tingkat akurasi metode Mamdani dengan rumus: % Akurasi = (Jumlah Data Akurat / Total Sampel) * 100 g. Melakukan perbandingan hasil tingkat akurasi metode Mamdani dengan hasil tingkat akurasi yang terdapat pada penelitian terdahulu.

4.

HASIL DAN PEMBAHASAN

4.1. Sistem Inferensi Fuzzy Metode Mamdani Prosesnya terdiri dari beberapa tahapan, yaitu:

236


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 a. Menentukan variabel masukan, yaitu berupa nilai linguistik yang dapat dilihat pada tabel 3.2, tabel 3.4 dan tabel 3.5. b. Fuzzifikasi, yaitu menentukan derajat keanggotaan dari variabel masukan yang dapat dilihat pada tabel 3.8 sampai dengan tabel 3.10. c. Aplikasi fungsi implikasi, yaitu dengan mengambil tingkat keanggotaan minimum dari variabel input sebagai output. Fungsi implikasi yang digunakan dalam proses ini adalah fungsi MIN. 4.2. Hasil Pengukuran Akurasi Pengertian akurasi adalah seberapa dekat suatu angka hasil pengukuran terhadap angka sebenarnya. Jadi akurat yang dimaksud dalam penelitian ini adalah angka hasil pengukuran, yaitu nilai y dari metode Mamdani yang menunjukkan hasil output yang benar berdasarkan nilai standar yang ditetapkan. Penentuan akurasi berdasarkan: Jika output adalah resiko diabetes “sangat rendah” atau “rendah” = tidak positif diabetes atau output adalah resiko diabetes “menengah” atau “tinggi” atau “sangat tinggi” = positif diabetes maka hasilnya adalah AKURAT Jika tidak, maka hasilnya adalah TIDAK AKURAT Dengan menggunakan persamaan (13.14), persamaan (13.15), persamaan (13.16), persamaan (13.17) dan persamaan (13.18) didapat hasil akurasi untuk deteksi diabetes. a. Hasil akurasi metode Mamdani = 102 b. Total sampel pasien = 120 Dengan demikian maka dapat dihitung persen tingkat akurasi metode Mamdani untuk deteksi diabetes dengan persamaan: % Akurasi = (Jumlah Data Akurat / Total Sampel) X 100 = (102/120) X 100 = 85%

Gambar 6. Grafik Hasil Akurasi Metode Mamdani untuk Deteksi Diabetes Dari hasil akurasi deteksi diabetes menggunakan metode Mamdani di atas selanjutnya dibandingkan lagi dengan hasil deteksi menggunakan metode lain yang didapat dari hasil penelitian terdahulu untuk mendapatkan metode mana yang memiliki tingkat akurasi yang paling tinggi dari metode-metode yang telah digunakan dalam mendeteksi diabetes. Dari hasil penelitian terdahulu didapat tingkat akurasi sebesar 82% dan 84,2%.


,

237


Gambar 7. Grafik Komprasi Metode Deteksi Diabetes Dari hasil grafik di atas maka dapat dilihat metode Mamdani mempunyai tingkat akurasi yang paling tinggi. Ini membuktikan bahwa untuk deteksi penyakit diabetes metode Mamdani lebih akurat dibandingkan dengan dua metode lain yang didapat dari hasil penelitian terdahulu. Dilihat dari perbandingan tingkat akurasi ketiga metode tersebut peningkatan akurasi hanya mencapai 0,8%, ini dikarenakan variabel yang digunakan hanya sebanyak tiga variabel sesuai dengan hasil data dari rekam medik yang didapat dari RSUD Dr. H. Soemarno Sosroatmojo Kuala Kapuas bahwa untuk menentukan pasien penderita diabetes hanya menggunakan tiga variabel, yaitu umur, berat badan, dan tekanan darah. Sedangkan dalam sistem inferensi metode Mamdani, semakin banyak variabel yang digunakan sebagai inputan maka tingkat ketelitian dalam melakukan analisis data semakin tinggi[8]. 5.

PENUTUP

5.1. Kesimpulan Dari penelitian yang dilakukan dapat disimpulkan bahwa metode Mamdani mempunyai tingkat akurasi yang lebih tinggi dibandingkan dengan metode lain. Hal ini dapat dibuktikan dengan tingkat akurasi yang dicapai sebesar 85%, sedangkan pada penelitian terdahulu tingkat akurasi hanya mencapai 82% dan 84,2%. Sehingga dapat disimpulkan bahwa metode Mamdani lebih akurat dibandingkan dengan metode lain untuk deteksi penyakit diabetes. 5.2. Saran a. Penelitian dengan menggunakan logika fuzzy dapat membantu memecahkan masalah yang sifatnya kabur (fuzzy). b. Perlu menambahkan lebih banyak sampel data sehingga hasil tingkat keakurasian bisa lebih teruji. c. Pendeteksian dengan metode yang lain perlu juga diterapkan untuk mengetahui perkembangan metode yang lebih akurat dalam deteksi penyakit diabetes. DAFTAR PUSTAKA [1] Asma Shaheen, Waqas Ahmad khan (2009). Intelligent Decision Support System in Diabetic eHealth Care From the perspective of Elders. Thesis Department of School of Computing Bleking Institute of Technology Soft Center, Sweden. [2] Goupeng, Z. (2006). Data Analysis With Fuzzy Inference System. In Computational Intelligence: Method and Application. Singapore: School of Computer Engineering, Nanyang Technological University. [3] Caipo Zhang, Jinjie Song, Zhilong Wu (2009). Fuzzy Integral Be Applied to the Diagnosis of Gestational Diabetes Mellitus. Sixth International Conference on Fuzzy Systems and Knowledge Discovery. IEEE. China. [4] Mostafa Fathi Ganji, Mohammad Saniee Abadeh (2010). A fuzzy classification system based on Ant Colony Optimization for diabetes disease diagnosis. ACM. Iran. 238


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 [5]

[6] [7] [8] [9] [10] [11]

[12] [13] [14] [15] [16] [17]

[18] [19] [20]

Adeli Ali, Neshat Mehdi (2010). A Fuzzy Expert System for Heart Disease Diagnosis. Proceedings of the International MultiConference of Engineers and Computer Scientists (Vol I). IMECS. Hong Kong. Dr. Eng. Agus Naba. (2009). Belajar Cepat Fuzzy Logic Menggunakan MATLAB. Yogyakarta: Andi Offset. Suyanto. (2008). Soft Computing Membangun Mesin Ber-IQ Tinggi. Bandung: Informatika. Sri Kusuma Dewi, Hari Purnomo. Aplikasi Logika Fuzzy. Yogyakarta : Graha Ilmu, 2010. Soegondo, S. (2005). Diagnosis dan Klasifikasi Diabetes Melitus Terkini. Penatalaksanaan Diabetes Melitus Terpadu (p. 17). Jakarta: Balai Penerbit FK UI. Suyono, S. (2005). Patofisiologi Diabetes Melitus. In Penatalaksanaan Diabetes Melitus Terpadu (pp. 1-15). Jakarta: Balai Penerbit FK UI. Adeli Ali, Neshat Mehdi (2010). A Fuzzy Expert System for Heart Disease Diagnosis. Proceedings of the International MultiConference of Engineers and Computer Scientists (Vol I). IMECS. Hong Kong. Thomas Sri Widodo. (2005). Sistem Neuro Fuzzy untuk Pengolahan Informasi, Pemodelan, dan Kendali Dilengkapi dengan Program MATLAB. Yogyakarta: Graha Ilmu. Sri Kusumadewi, Sri Hartati. (2010). Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf Edisi 2. Yogyakarta: Graha Ilmu. Dunham, Margaret,H. (2003), Data Mining Introuctory and Advanced Topics, New Jersey, Prentice Hall. Syaiful Muzid, Sri Kusumadewi. (2007). Membangun Toolbox Metode Evolusi Fuzzy untuk Matlab. Makalah IF2091 Struktur Diskrit, pp 1-6. Djunaidi, Much.,Setiawan, Eko dan Andista, Fajar Whedi, 2005, Penentuan Jumlah Produksi Dengan Aplikasi Metode Fuzzy – Mamdani, Jurnal Ilmiah Teknik Industri, pp.95-104. Pratiwi, Indah dan Prayitno, Edi, 2005, Analisis Kepuasan Konsumen Berdasarkan Tingkat Pelayanan dan Harga Kamar Menggunakan Aplikasi Fuzzy Dengan MatLab 3.5, Jurnal Ilmiah Teknik Industri, pp. 66-77 . Kusrini, 20, Algoritma Data Mining, Penerbit ANDI, Yogyakarta. Sri Kusumadewi, Hari Purnomo. (2010). Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu. Sugiyono, 2006, Metode Penelitian Kuantitatif Kualitatif dan R & D, Alfabeta, Bandung.


,

239

UJI COBA METODE MAMDANI UNTUK DETEKSI PENYAKIT DIABETES DI RSUD Dr. H. SOEMARNO SOSROATMOJO KUALA KAPUAS

Recommend Documents