prediksi penyakit paru menggunakan algoritme

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
<feature_vote[f,Ci], …., feature_vote[f,Cj], …,
feature_vote[f,Ck]>, 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 <vote[Ci],…,vote[Ck]>.
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
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
Pasien Bronkitis ke-2
Pasien Bronkitis ke-3
Pasien Bronkitis ke-4
Nilai vote
Kelas
Kelas
Bronkitis Tb Paru
Nilai vote
Kelas
Kelas
Bronkitis Tb Paru
Nilai vote
Kelas
Kelas
Bronkitis
Tb Paru
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
Pasien Bronkitis ke-6
Pasien Bronkitis ke-12
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
Pasien Bronkitis ke-4
Pasien Bronkitis ke-12
Nilai vote
Kelas
Kelas
Bronkitis
Tb Paru
Nilai vote
Kelas
Kelas
Bronkitis
Tb Paru
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
Nafsu makan berkurang
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
Pasien Bronkitis ke-4
Pasien Bronkitis ke-12
Nilai vote
Kelas
Kelas
Bronkitis
Tb Paru
Nilai vote
Kelas
Kelas
Bronkitis
Tb Paru
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
Nafsu makan berkurang
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 Bronkitis ke-12
Pasien Tb Paru ke-1
Nilai vote
Kelas
Kelas
Bronkitis
Tb Paru
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
0,446
0,554
0,446
0,554
Sesak nafas
0,324
0,676
0,660
0,340
Nafsu makan berkurang
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
bobot = 1,05
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
bobot = 1,08
Normalisasi Normalisasi
kelas
kelas Tb
Bronkitis
Paru
bobot = 1,06
Normalisasi Normalisasi
kelas
kelas Tb
Bronkitis
Paru
bobot = 1,04
Normalisasi Normalisasi
kelas
kelas Tb
Bronkitis
Paru
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