i IDENTIFIKASI PENYAKIT TUBERKULOSIS ( TB

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
IDENTIFIKASI PENYAKIT TUBERKULOSIS ( TB ) PADA MANUSIA
MENGGUNAKAN METODE NAÏVE BAYESIAN
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
Agustin Trihartati S.
NIM : 125314141
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2016
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
THE IDENTIFICATION OF TUBERCULOSIS ( TB ) DISEASE IN
HUMANS USING NAÏVE BAYESIAN METHOD
A THESIS
Presented as Partial FulFillment of the Requirements
To Obtain the Sarjana Komputer Degree
In Informatics Engineering Department
By :
Agustin Trihartati S
Student ID : 125314141
INFORMATICS ENGINEERING STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2016
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
Segala perkara dapat ku tanggung di dalam Dia
yang memberi kekuatan kepadaku.
Filipi 4 : 13
Skripsi ini kupersembahkan untuk :
Tuhan Yesus Kristus
Keluargaku
Sahabat dan Teman-temanku
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Dalam dunia kesehatan mendiagnosis suatu penyakit adalah tindakan yang
harus dilakukan sedini mungkin agar penyakit yang ditemukan pada tubuh pasien
dapat segera diobati, sehingga tidak menimbulkan kematian. Penyakit
Tuberkulosis (TB) merupakan penyakit yang dapat menimbulkan kematian jika
tidak diketahui dan tidak diobati secara rutin. Oleh karena itu, untuk mengurangi
angka kematian dari penderita Tuberkulosis, pakar kesehatan harus mendiagnosis
penyakit TB sedini mungkin.
Dari data gejala utama, hasil pemeriksaan laboratorium dan hasil rontgen
dapat dimanfaatkan untuk diolah menggunakan teknik penambangan data dengan
menggunakan metode Naïve Bayesian. Metode Naïve Bayesian akan menghitung
probabilitas untuk setiap nilai kejadian dari atribut target pada setiap kasus
(sampel data). Selanjutnya, Naïve Bayesian akan mengelompokkan sampel data
tersebut ke kelas yang mempunyai nilai probabilitas paling tinggi.
Keluaran dari sistem adalah sebuah identifikasi atau sebuah prediksi jenis
TB yang diderita oleh pasien berdasarkan lokasi anatomi yang terserang TB yaitu
TB Paru, TB Ekstra Paru dan tidak TB. Peneliti melakukan pengujian dengan data
sebanyak 237 data dan menggunakan fold bernilai 3, 5, 7 dan 9. Pengujian
dilakukan sebanyak 24 kali dengan rata-rata akurasi tertinggi sebesar 85,95 %.
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
In the world of health diagnosing a disease is an act that should be done
as early as possible in order for the disease were found can be treated
immediately, so it won’t cause a death. Tuberculosis (TB) is a disease that can
cause a death if unrecognized or treated regularly. Therefore, to reduce the death
rate of tuberculosis sufferers, the health experts have to diagnose it as early as
possible.
Based on the main indication data, laboratory test results and the results of
rontgen can be used to be proceed with the data mining techniques using Naïve
Bayesian method. It will calculate the probability for each case values of the
target attribute in every case (sample data). Next, this method will classify the
sample data to the class which has the highest probability value.
The output of the system is an identification or a prediction of a type of
Tuberculosis that suffered by the patients. Researcher conducted a testing with the
data of 237 and using fold in 3, 5, 7 and 9. The tests were done 24 times with the
highest average 85,95%.
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji syukur kepada Tuhan Yesus atas berkat-Nya yang melimpah sehingga
penulis dapat menyelesaikan skripsi dengan judul “Identifikasi Penyakit
Tuberkulosis (TB) Pada Manusia Menggunakan Metode Naïve Bayesian”. Dalam
kesempatan ini, penulis ingin mengucapkan terima kasih yang sebesar-besarnya
kepada semua pihak yang turut memberikan semangat, dukungan dan bantuan
hingga selesainya skripsi ini :
1. Tuhan Yesus Kristus atas segala berkatNya yang melimpah.
2. Romo Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen
pembimbing, terima kasih atas bimbingan, saran, waktu dan kesabaran
dalam membimbing dan mengarahkan penulis dalam menyelesaikan tugas
akhir ini.
3. Bapak Eko Hari Parmadi, S.Si., M.Kom. selaku Dosen Penguji.
4. Ibu Dr. Anastasia Rita Widiarti selaku Kaprodi dan Dosen Penguji.
5. Bapak Sudi Mungkasi, S.Si., M.Math. Sc., Ph.D. selaku Dekan Fakultas
Sains dan Teknologi Universitas Sanata Dharma.
6. Bapak Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku dosen pembimbing
akademik.
7. Seluruh staff pengajar Prodi Teknik Informatika Fakultas Sains dan
Teknologi Universitas Sanata Dharma.
8. Kedua orang tua saya, Yusup Sujana dan Lilis Tinae, terima kasih untuk
doa, semangat, perhatian dan dukungan yang diberikan selama
perkuliahan.
9. Kedua kakak saya, Susi Ariani S., S.Pd. dan Lusi Anggraeni S.,
A.md.Kep. terima kasih untuk semangat, doa dan bantuannya yang telah
diberikan.
10. Anak saya Johanes Lintang Sinartha, terima kasih untuk pengertian,
perhatian yang sudah diberikan.
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11. Teman hati saya, Bayu Eko Sutrisno., S.Pd. yang sudah memberikan
semangat, dukungan dalam penyelesaianya skripsi ini.
12. Sahabat-sahabatku Ni Putu (peot), Riya (dalah), Monic (mondol) terima
kasih untuk pertemanan kita selama perkuliahan ini. Teman-teman kelas D
mas Eric, Bagus, Lukas, Vitto, Chandra, Bany, Tegar, Andre terima kasih
untuk tawa yang selalu kalian berikan. Teman-teman Teknik Informatika
angkatan 2012, terima kasih untuk kesan yang luar biasa selama
perkuliahan.
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN PERSETUJUAN PEMBIMBING………………………………
Error! Bookmark not defined.
HALAMAN PENGESAHAN…………………………………………………
Error! Bookmark not defined.
HALAMAN PERSEMBAHAN………………………………………………. iv
PERNYATAAN KEASLIAN KARYA………………………………………
Error! Bookmark not defined.
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI………………… vi
ABSTRAK……………………………………………………………………
vii
ABSTRACT……………………………………………………………………. ix
KATA PENGANTAR…………………………………………………………
x
DAFTAR ISI…………………………………………………………………….xii
DAFTAR GAMBAR………………………………………………………… xiv
DAFTAR TABEL……………………………………………………………….xv
BAB I……………………………………………………………………………... 1
PENDAHULUAN……………………………………………………………….. 1
1.1
Latar Belakang………………………………………………………….. 1
1.2
Identifikasi Masalah…………………………………………………….. 5
1.3
Rumusan Masalah………………………………………………………. 5
1.4
Tujuan Penelitian……………………………………………………….. 5
1.5
Manfaat Penelitian……………………………………………………… 5
1.6
Batasan Masalah………………………………………………………… 6
1.7
Metodologi Penelitian…………………………………………………... 7
1.8
Sistematika Pembahasan………………………………………………... 9
BAB II…………………………………………………………………………... 10
LANDASAN TEORI……………………………………………………………10
2.1
Tuberkulosis…………………………………………………………… 10
2.2
Penambangan Data…………………………………………………….. 13
2.1.1
Pengertian Penambangan Data…………………………………….13
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2.1.2
Pengelompokan Penambangan Data……………………………… 15
2.1.3
Klasifikasi………………………………………………………… 17
2.3
Klasifikasi Naïve bayesian…………………………………………….. 18
2.4
Cross Validation……………………………………………………….. 20
2.5
Akurasi dengan Matrixs Confusion…………………………………… 20
BAB II…………………………………………………………………………... 22
METODOLOGI PENELITIAN………………………………………………. 22
3.1
Data……………………………………………………………………. 22
3.2
Spesifikasi Software dan Hardware…………………………………… 25
3.3
Desain Alat Uji………………………………………………………… 25
3.3.1
Preprocessing……………………………………………………... 26
3.3.2
Pembagian Data…………………………………………………... 27
3.3.3
Pemisah Data………………………………………………………28
3.3.4
Modeling………………………………………………………….. 28
3.3.5
Akurasi……………………………………………………………. 31
3.4
Desain Pengujian………………………………………………………. 32
BAB IV………………………………………………………………………….. 36
ANALISA HASIL DAN IMPLEMENTASI SISTEM...................................... 36
4.1
Analisis Hasil………………………………………………………….. 36
4.2
User Interface………………………………………………………….. 39
BAB V................................................................................................................... 43
PENUTUP……………………………………………………………………… 43
5.1
Kesimpulan……………………………………………………………. 43
5.2
Saran…………………………………………………………………… 43
DAFTAR PUSTAKA…………………………………………………………... 44
LAMPIRAN…………………………………………………………………….. 46
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
GAMBAR 2.1 LANGKAH-LANGKAH PENAMBANGAN DATA ............................. 13
GAMBAR 2.2 BLOK DIAGRAM MODEL KLASIFIKASI ........................................... 17
GAMBAR 3.2 DIAGRAM ALUR PROSES ALAT UJI .................................................. 25
GAMBAR 3.3 DIAGRAM ALUR PENGUJIAN ............................................................. 33
GAMBAR 4.1 GRAFIK RATA-RATA AKURASI ......................................................... 38
GAMBAR 4.2 HALAMAN UTAMA ............................................................................... 39
GAMBAR 4.3 HALAMAN PRE-PREOCESSING .......................................................... 39
GAMBAR 4.4 HALAMAN PROSES ............................................................................... 40
GAMBAR 4.5 HALAMAN CONFUSION MATRIX ........................................................ 40
GAMBAR 4.6 HALAMAN AKURASI............................................................................ 41
GAMBAR 4.7 HALAMAN GRAFIK AKURASI ............................................................ 41
GAMBAR 4.8 HALAMAN UJI TUNGGAL.................................................................... 42
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
TABEL 2.1
TABEL 3.1
TABEL 3.2
TABEL 3.3
TABEL 3.4
TABEL 3.5
TABEL 3.6
TABEL 3.7
TABEL 3.8
TABEL 4.1
TABEL MATRIXS CONFUSION ............................................................... 20
CONTOH DATA PASIEN TUBERKULOSIS (TB) .................................... 24
CONTOH DATA SETELAH TAHAP PRE-PROCESSING ........................ 27
CONTOH DATA TRAINING ...................................................................... 29
TABEL CONTOH HASIL CONFUSION MATRIX...................................... 32
PEMBAGIAN 3 FOLD ................................................................................. 33
PEMBAGIAN 5 FOLD ................................................................................. 34
PEMBAGIAN 7 FOLD ................................................................................. 34
PEMBAGIAN 9 FOLD ................................................................................. 35
TABEL HASIL PERCOBAAN .................................................................... 37
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
1.1
Latar Belakang
Tuberkulosis adalah suatu penyakit menular langsung yang
disebabkan oleh kuman TB (Mycobacterium tuberculosis). Sebagian besar
kuman TB menyerang paru, tetapi dapat juga mengenai organ tubuh
lainnya (Petunjuk Teknis Manajemen TB Anak, 2013).
Berdasarkan buku Pedoman Nasional Pengendalian Tuberkulosis
(2014), TB sampai saat ini masih merupakan salah satu masalah kesehatan
masyarakat di dunia.
Dalam laporan WHO tahun 2013 :
1. Diperkirakan terdapat 8,6 juta kasus TB pada tahun 2012 dimana
1,1 juta orang meninggal (13%) diantaranya adalah pasien TB
dengan HIV positif. Sekitar 75% dari pasien tersebut berada di
wilayah Afrika.
2. Pada tahun 2012, diperkirakan 450.000 orang menderita TBMDR
dan 170.00 orang diantaranya meninggal dunia.
3. Meskipun kasus dan kematian karena TB sebagian besar pada pria
tetapi angka kesakitan dan kematian wanita akibat TB juga sangat
tinggi. Diperkirakan terdapat 2,9 juta kasus TB pada tahun 2012
dengan jumlah kematian karena TB mencapai 410.000 kasus
termasuk diantaranya adalah 160.000 orang wanita dengan HIV
positif. Separuh dari orang dengan HIV positif yang meninggal
karena TB pada tahun 2012 adalah wanita.
4. Pada tahun 2012 diperkirakan proporsi kasus TB diantara seluruh
kasus TB secara global mencapai 6% (530.000 pasien TB anak/
tahun). Sedangkan kematian anak (dengan status HIV negatif)
yang menderita TB mencapai 74.000 kematian/ tahun, atau sekitar
8% dari total kematian yang disebabkan TB.
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
5. Meskipun jumlah kasus TB dan jumlah kematian TB tetap tinggi
untuk penyakit yang sebenarnya bisa dicegah dan disembuhkan
tetapi fakta juga menunjukkan keberhasilan dalam pengendalian
TB. Peningkatan angka indensi TB secara global telah berhasil
dihentikan dan telah menunjukkan tren penurunan (turun 2% per
tahun pada tahun 2012), angka kematian juga sudah berhasil
diturunkan 45% bila dibanding tahun 1990.
TB dapat diklasifikasikan berdasarkan lokasi anatomi atau lokasi
organ tubuh yang terserang TB yaitu:
1. Tuberkulosis Paru
Adalah TB yang terjadi pada parenkim (jaringan paru). Milier TB
dianggap sebagai TB paru karena adanya lesi pada jaringan paru.
Limfadenitis TB rongga dada (hilus dan atau mediastinum) atau
efusi pleura tanpa terdapat gambaran radiologis yang mendukung
TB pada paru, dinyatakan sebagai TB paru. Pasien yang menderita
TB paru dan sekaligus juga menderita TB Ekstra paru,
diklasifikasikan sebagai pasien TB paru.
2. Tuberkulosis Ekstra Paru
Adalah TB yang terjadi pada organ selain paru, misalnya : pleura,
kelenjar limfe, abdomen, saluran kencing, kulit, sendi, selaput otak
dan tulang. Diagnosis TB Ekstra paru dapat ditetapkan berdasarkan
hasil pemeriksaan bakteriologis atau klinis. Diagnosis TB Ekstra
paru harus diupayakan berdasarkan penemuan Mycobacterium
tuberculosis. Pasien TB Ekstra Paru yang menderita TB pada
beberapa organ, diklasifikasikan sebagai pasien TB Ekstra Paru.
TB umumnya terjadi pada paru (TB Paru). Namun, penyebaran melalui
aliran darah atau getah bening dapat menyebabkan terjadinya TB diluar
organ paru (TB Ekstra Paru). Oleh karena itu, penelitian ini hanya meneliti
tentang klasifikasi TB berdasarkan lokasi anatomi dari penyakit yaitu TB
Paru, TB Ekstra Paru dan tidak TB.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
Gejala utama pasien TB adalah batuk berdahak selama 2 minggu
atau lebih. Batuk dapat diikuti dengan gejala tambahan yaitu dahak
bercampur darah, batuk darah, sesak nafas, badan lemas, nafsu makan
turun, berat badan menurun, malaise, berkeringat malam hari tanpa
kegiatan fisik, demam meriang lebih dari satu bulan. Gejala-gejala tersebut
dapat dijumpai pula pada penyakit paru selain TB, seperti bronkiektasi,
bronchitis kronis, asma, kanker paru, dan lain-lain. Mengingat penderita
TB di Indonesia saat ini masih tinggi, maka setiap orang yang datang
dengan gejala tersebut diatas, dianggap sebagai seorang terduga pasien
TB, dan perlu dilakukan pemeriksaan dahak secara mikroskopis langsung.
Pemeriksaan dahak salah satunya berfungsi untuk menegakkan diagnosis.
Jika pemeriksaan mikroskopis bernilai negatif maka harus dilaksanakan
pemeriksaan foto rontgen yang mendukung adanya TB.
Indonesia telah mencapai kemajuan yang bermakna dalam upaya
pengandalian TB, namun perlu diwaspadai karena masih ada beberapa
tantangan utama yang harus dihadapi agar tidak menghambat laju
pencapaian target program selanjutnya. Salah satu tantangan terbesar yang
harus dihadapi adalah masih banyak kasus TB yang “hilang” atau tidak
terlaporkan ke program. Pada tahun 2012 diperkirakan ada sekitar 130.000
kasus TB yang diperkirakan ada tetapi belum terlaporkan. Pada tahun
2013 muncul usulan dari beberapa negara anggota WHO yang
mengusulkan adanya strategi baru untuk mengendalikan TB yang mampu
menahan laju infeksi baru, mencegah kematian akibat TB, mengurangi
dampak ekonomi akibat TB dan mampu meletakkan landasan kearah
eliminasi TB. Strategi tersebut dituangkan dalam 3 pilar strategi utama dan
komponen-komponennya. Salah satu komponen dari strategi tersebut
adalah diagnosis TB sedini mungkin. Penelitian ini akan mencoba
mengidentifikasi penyakit TB sedini mungkin dengan gejala utama yang
diderita pasien, hasil pemeriksaan laboratorium dan hasil rontgen.
Data yang digunakan adalah data rekam medis yang dimiliki oleh
Puskesmas yang nantinya akan diolah dan dianalisis untuk melihat ciri-ciri
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
penderita TB. Dari pengolahan data tersebut akan diperoleh suatu pola
gejala, hasil pemeriksaan dahak di laboratorium dan hasil rontgen yang
dimiliki oleh penderita TB. Untuk pengolahan data rekam medis, hasil
pemeriksaan dahak dan hasil rontgen digunakanlah suatu teknologi data
mining salah satunya Naïve Bayesian. Data mining yang dimaksud untuk
memberikan hasil dalam pengambilan keputusan di dunia kesehatan untuk
mengidentifikasi suatu penyakit.
Naïve Bayesian merupakan salah satu metode data mining yang
digunakan pada persoalan klasifikasi berdasarkan pada penerapan teorema
bayesian. Metode Naïve Bayesian akan menghitung probabilitas untuk
setiap nilai kejadian dari atribut target pada setiap sampel data.
Selanjutnya, Naïve Bayesian akan mengklasifikasikan sampel data tersebut
ke kelas yang mempunyai nilai probabilitas tertinggi. Penerapan metode
Naïve Bayesian ini diharapkan dapat membantu menghitung probabilitas
pada sampel data untuk mengidentifikasi adanya penyakit Tuberkulosis
(TB) pada manusia.
Pada penelitian sebelumnya sudah dilakukan penelitian kasus TB
dengan metode yang sama yaitu metode Naïve Bayesian. Pada penelitian
tersebut, peneliti sudah mengelompokkan TB ke dalam beberapa
kelompok yaitu Pulmonary TB
yang merupakan TB Paru, TB
miningitis,TB Lymphadenopathy, TB Pleurisy, TB of the Spine,
Urogenital TByang merupakan TB Ekstra Paru. Data yang digunakan
pada penelitian sebelumnya adalah data set, dengan studi kasus daerah
Eropa. Pada penelitian ini, peneliti mencoba menggunakan algoritma yang
sama, dan data yang digunakan merupakan data gejala utama pasien, hasil
pemeriksaan dahak dan hasil rontgen penderita TB berdasarkan buku
Pedoman
Nasional
Pengendalian
Tuberkulosis
(2014).
Hasil
pengelompokan dari penelitian ini adalah pengelompokkan berdasarkan
lokasi anatomi atau lokasi organ tubuh yang terserang TB yaitu TB Paru,
TB Ekstra Paru dan Tidak TB.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
1.2
Identifikasi Masalah
Berdasarkan latar belakang yang telah diuraikan diatas, maka dapat
diidentifikasi permasalahan untuk penelitian ini adalah :
1. Perlunya mengetahui apakah metode Naïve Bayesian dapat
mengidentifikasi penyakit Tuberkolusis dengan baik.
1.3
Rumusan Masalah
1. Bagaimana merancang dan membangun metode Naïve Bayesian
untuk mengidentifikasi adanya penyakit Tuberkulosis (TB) pada
manusia
berdasarkan
gejala,
hasil
pemeriksaan
dahak
di
laboratorium dan hasil rontgen?
2. Bagaimana tingkat keakuratan prediksi yang dihasilkan dalam
mengidentifikasi adanya penyakit Tuberkulosis ( TB )
manusia
berdasarkan
gejala,
hasil
pemeriksaan
pada
dahak
di
laboratorium dan hasil rontgen?
1.4
Tujuan Penelitian
Tujuan dari penelitian tugas akhir ini adalah bagaimana merancang
dan membangun metode Naïve Bayesian sebagai salah satu metode dalam
data
mining
untuk
membantu
mengidentifikasi
adanya
penyakit
Tuberkulosis (TB) pada manusia berdasarkan gejala utama, hasil
laboratorium dan hasil rontgen.
1.5
Manfaat Penelitian
Mengetahui bagaimana metode Naïve Bayesian dapat diterapkan
untuk mengidentifikasi penyakit Tuberkolusis (TB) pada manusia
berdasarkan gejala utama, hasil laboratorium dan hasil rontgen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
1.6
Batasan Masalah
Dalam identifikasi yang akan dilakukan dalam tugas akhir ini
memiliki batasan-batasan masalah, sebagai berikut :
1. Data yang diolah hanya data yang berhubungan dengan penyakit
pernapasan khususnya penyakit Tuberkolusis (TB).
2. Sumber data yang digunakan ialah data pasien penyakit TB Paru
dan TB Ekstra paru dan pasien tidak menderita TB hanya
berdasarkan data status rekam medis milik beberapa Puskesmas di
Kabupaten Kulon Progo yaitu dilihat dari gejala, hasil pemeriksaan
dahak di laboratorium serta hasil rontgen.
3. Pengelompokkan identifikasi penyakit Tuberkulosis ( TB ) hanya
berdasarkan klasifikasi secara anatomi atau lokasi organ tubuh
yang diserang yaitu TB Paru, TB Ekstra Paru dan Tidak TB
4. Data yang digunakan adalah data excel.
5. Metode yang akan digunakan untuk mengidentifikasi penyakit TB
adalah Metode Naïve Bayesian Classification.
6. Berdasarkan input data gejala, hasil pemeriksaan dahak di
laboratorium dan hasil rontgen, output program ini adalah
identifikasi untuk pasien yaitu menderita penyakit TB Paru atau TB
Ekstra Paru atau tidak menderita TB, serta tingkat keakuratan
prediksi yang dihasilkan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
1.7
Metodologi Penelitian
Dalam penyelesaian tugas akhir yang berjudul identifikasi penyakit
tuberkulosis ( TB ) pada manusia menggunakan metode Naïve Bayesian,
akan ditempuh langkah-langkah sebagai berikut :
1. Studi Pustaka
a. Penelitian pustaka, yaitu dengan memperlajari hal-hal yang
berkaitan dengan Data Mining metode Naïve Bayesian, dengan
mengumpulkan dan mempelajari informasi dari buku-buku,
artikel dan website internet.
b. Interview, yaitu dengan melakukan konsultasi atau tanya jawab
dengan orang-orang yang memiliki pengetahuan dan wawasan
yang berhubungan dengan topik tugas akhir ini.
2. Pengumpulan Data
Metodologi yang kedua adalah pengumpulan data. Data
yang digunakan dalam penelitian ini bersumber dari rekam medis
pasien TB Paru, TB Ekstra Paru dan tidak TB dibeberapa
puskesmas di Kabupaten Kulon Progo.
3. Pembuatan Alat Uji
Metodologi yang ketiga adalah pembuatan alat uji. Pembuatan alat
uji dilakukan dengan teknik penambangan data yang langkahlangkahnya seperti dibawah ini :
a. Pembersihan data, menghilangkan noise, dan data yang tidak
konsisten.
b. Integrasi data, menggabungkan data dari berbagai sumber data
yang berbeda (data rekam medis, data hasil pemeriksaan dahak
di laboratorium dan data rontgen).
c. Seleksi data dan transformasi data, untuk menentukan kualitas
dari hasil data mining, sehingga data diubah menjadi bentuk
yang sesuai untuk di-mining.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
d. Penerapan teknik data mining, teknik yang digunakan adalah
teknik Naïve Bayesian.
e. Evaluasi pola yang ditentukan, menampilkan hasil dari teknik
data mining berupa pola yang khas maupun mengukur akurasi.
f. Presentasi pengetahuan, merupakan tahap terakhir dari proses
data mining yaitu memformulasikan keputusan atau aksi dari
hasil analisa yang didapat.
4. Pengujian dan Analisis Hasil
Metodologi yang keempat adalah pengujian dan analisis
hasil. Alat uji yang telah dibuat akan diuji menggunakan data TB
dan selanjutkan hasil dari pengujian akan dianalisis.
5. Pembuatan Dokumen
Metodologi yang terakhir adalah pembuatan dokumen
berdasarkan semua metodologi penelitian yang sudah dilakukan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
1.8
Sistematika Pembahasan
Bab I. Pendahuluan
Dalam bab ini berisi tentang latar belakang masalah, identifikasi masalah,
rumusan masalah, tujuan penelitian, batasan masalah, metodologi
penelitian, serta sistematika penulisan.
Bab II. Landasan Teori
Dalam bab ini berisi tentang teori yang dapat menunjang penelitian, yaitu
berupa pengertian penambangan data, proses penambangan data,
klasifikasi dan metode Naïve Bayesian.
Bab III. Analisa dan Perancangan Sistem
Dalam bab ini berisi tentang cara penerapan konsep dasar yang telah
diuraikan pada Bab II untuk menganalisis dan merancang tentang sistem
sesuai tahap-tahap penyelesaian masalah tersebut dengan menggunakan
metode Naïve Bayesian.
Bab IV. Implementasi dan Analisa Sistem
Dalam bab ini berisi tentang implementasi ke program komputer
berdasarkan hasil perancangan yang dibuat, analisis perangkat lunak yang
telah dibuat.
Bab V. Penutup
Dalam bab ini berisi tentang kesimpulan dan saran dari keseluruhan
penulisan tugas akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
Pada bab ini akan dibahas mengenai teori-teori yang digunakan untuk mendukung
penulisan tugas akhir identifikasi penyakit tuberkulosis ( TB ) pada manusia
menggunakan metode Naïve Bayesian.
2.1
Tuberkulosis
Tuberkulosis adalah suatu penyakit menular langsung yang
disebabkan oleh kuman TB (Mycobacterium tuberculosis). Sebagian besar
kuman TB menyerang paru, tetapi dapat juga mengenai organ tubuh
lainnya (Petunjuk Teknis Manajemen TB Anak, 2013).
Berdasarkan
buku
Pedoman
Nasional
Penanggulangan
Tuberkulosis (2014), TB dapat diklasifikasikan berdasarkan lokasi anatomi
dari penyakit atau lokasi organ tubuh yang diserang yaitu:
1. Tuberkulosis Paru
Adalah TB yang terjadi pada parenkim ( jaringan paru ). Milier TB
dianggap sebagai TB paru karena adanya lesi pada jaringan paru.
Limfadenitis TB rongga dada ( hilus dan atau mediastinum ) atau
efusi pleura tanpa terdapat gambaran radiologis yang mendukung
TB pada paru, dinyatakan sebagai TB paru. Pasien yang menderita
TB paru dan sekaligus juga menderita TB Ekstra paru,
diklasifikasikan sebagai pasien TB paru.
2. Tuberkulosis Ekstra Paru
Adalah TB yang terjadi pada organ selain paru, misalnya : pleura,
kelenjar limfe, abdomen, saluran kencing, kulit, sendi, selaput otak
dan tulang. Diagnosis TB paru dapat ditetapkan berdasarkan hasil
pemeriksaan bakteriologis atau klinis.Diagnosis TB Ekstra paru
harus
diupayakan
berdasarkan
tuberculosis.
10
penemuan
Mycobacterium
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
TB umumnya terjadi pada paru ( TB Paru ). Namun, penyebaran melalui
aliran darah atau getah bening dapat menyebabkan terjadinya TB diluar
organ paru ( TB Ekstra Paru ).
Gejala utama pasien TB adalah batuk berdahak selama 2 minggu
atau lebih. Batuk dapat diikuti dengan gejala tambahan yaitu dahak
bercampur darah, batuk darah, sesak nafas, badan lemas, nafsu makan
turun, berat badan menurun, malaise, berkeringat malam hari tanpa
kegiatan fisik, demam meriang lebih dari satu bulan. Gejala-gejala tersebut
dapat dijumpai pula pada penyakit paru selain TB, seperti bronkiektasi,
bronchitis kronis, asma, kanker paru, dan lain-lain. Mengingat penderita
TB di Indonesia saat ini masih tinggi, maka setiap orang yang datang
dengan gejala tersebut diatas, dianggap sebagai seorang terduga pasien
TB, dan perlu dilakukan pemeriksaan dahak secara mikroskopis langsung.
Pemeriksaan dahak berfungsi untuk menegakkan diagnosis, menilai
keberhasilan pengobatan dan menentukan potensi penularan. Pemeriksaan
dahak untuk penegakan diagnosis dilakukan dengan mengumpulkan 3
contoh uji dahak yang dikumpulkan dalam dua hari kunjungan yang
berurutan berupa dahak Sewaktu-Pagi-Sewaktu ( SPS ) :
1. S ( sewaktu ) : dahak ditampung pada saat terduga pasien TB
datang berkunjung pertama kali ke fasyankes. Pada saat pulang,
terduga pasien membawa sebuah pot dahak untuk menampung
dahak pagi pada hari kedua.
2. P ( pagi ) : dahak ditampung dirumah pada pagi hari kedua, segera
setelah bangun tidur. Pot dibawa dan diserahkan sendiri kepada
petugas di fasyankes.
3. S ( sewaktu ) : dahak ditampung di fasyankes pada kedua, saat
menyerahkan dahak pagi.
Pasien ditetapkan sebagai pasien TB apabila minimal 1 ( satu ) dari
pemeriksaan contoh uji dahak SPS hasilnya BTA ( Bakteri Tahan Asam )
positif.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Berikut ini adalah diagnosis tuberculosis pada orang dewasa :
1. Diagnosis TB Paru
a. Dalam upaya pengendalian TB secara Nasional, maka
diagnosis TB Paru pada orang dewasa harus ditegakkan
terlebih
dahulu
Pemeriksaan
dengan
pemeriksaan
bateriologis
yang
bateriologis.
dimaksud
adalah
pemeriksaan mikroskopis langsung, biakan dan tes cepat.
b. Apabila
pemeriksaan
secara
bateriologi
hasilnya
negatif,maka penegakan diagnosis TB dapat dilakukan
secara klinis(pemeriksaan tubuh pasien) menggunakan hasil
pemeriksaan
klinis
dan
penunjang
(setidak-tidaknya
pemeriksaan foto rontgen) yang sesuai dan ditetapkan oleh
dokter yang telah terlatih TB.
c. Untuk kepentingan diagnosis dengan cara pemeriksaan
dahak secara mikroskopis langsung, terduga pasien TB
diperiksa contoh uji dahak SPS (Sewaktu-Pagi-Sewaktu).
d. Ditetapkan sebagian pasien TB apabila minimal 1 (satu)
dari pemeriksaan contoh uji dahak SPS hasilnya BTA
positif.
2. Diagnosis TB Ekstra paru
a. Diagnosis pada pasien TB Ekstra paru ditegakkan dengan
pemeriksaan
klinis
(pemeriksaan
tubuh
pasien),
bakteriologis (pemeriksaan berdasarkan bakteri) dan atas
hiptopatologis
(pengamatan
terhadap
jaringan
yang
terserang) dari contoh uji yang diambil dari organ tubuh
yang terkena.
b. Dilakukan pemeriksaan bakteriologis juga apabila juga
ditemukan keluhan dan gejala
yang sesuai,
menemukan kemungkinan adanya TB paru.
untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
2.2
Penambangan Data
2.1.1
Pengertian Penambangan Data
Data mining, sering juga disebut knowledge discovery in database
(KDD), adalah kegiatan yang meliputi kegiatan pengumpulan, pemakaian
data histori untuk menemukan keteraturan, pola atau hubungan dalam set
data berukuran besar (Santosa, 2007).
Data mining mengacu pada mining knowledge dari data dalam
jumlah besar (Han & Kamber, 2006). Secara umum data mining di kenal
dengan proses Knowledge Discovery from Data (KDD). Proses KDD
tersebut ditunjukkan pada gambar 2.1 sebagai berikut :
GAMBAR 2.1 LANGKAH-LANGKAH PENAMBANGAN DATA
(Han & Kamber, 2006)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
1. Pembersihan data (data cleaning)
Pada langkah ini noise dan data yang tidak konsisten akan dihapus.
Di dalam langkah pembersihan data terdapat proses deteksi
ketidakcocokan data.
2. Integrasi data (data integration)
Pada langkah ini dilakukan penggabungan dari beberapa data yang
berbeda. Data dari bermacam-macam sumber tempat penyimpanan
data akan digabungkan ke dalam satu tempat penyimpanan data
yang sesuai. Hal yang perlu diperhatikan saat melakukan integrasi
data adalah masalah struktur data.
3. Seleksi data (data selection)
Data yang relevan akan diambil dari basis data untuk dianalisis.
Pada langkah ini akan dilakukan analisis korelasi untuk analisis
gejala. Atribut - atribut data akan dicek apakah relevan untuk
dilakukan penambangan data. Atribut yang tidak relevan tersebut
tidak akan digunakan. Atribut yang diharapkan adalah atribut yang
bersifat independen. Artinya, antara atribut satu dengan atribut
yang lain tidak saling mempengaruhi.
4. Transformasi data (data transformation)
Data ditransformasikan ke dalam bentuk yang tepat untuk
ditambang. Data ditransformasikan ke dalam bentuk yang tepat
untuk ditambang. Yang termasuk dalam langkah transformasi data
adalah penghalusan (smoothing) yaitu menghilangkan noise yang
ada pada data, pengumpulan (aggregation) yaitu mengaplikasikan
kesimpulan
mengganti
pada
data
data,
level
generalisasi
rendah
(generalization)
menjadi
data
level
yaitu
tinggi,
(normalization) yaitu mengemas data atribut ke dalam skala kecil.
Dan konstruksi atribut (attribute construction/feature construction
) yaitu mengkonstruksi dan menambahkan atribut baru untuk
membantu proses penambangan. Selanjutnya dilakukan binerisasi
yaitu mengkonversi dari sebuah file yang berbentuk teks menjadi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
nilai 0 -1. Hasil binerisasi adalah berupa vektor baris yang bernilai
0 -1 untuk tiap elemennya.
5. Penambangan data (data mining)
Langkah ini adalah langkah yang paling penting yaitu melakukan
pengaplikasian metode yang tepat untuk mengk pola data.
6. Evaluasi pola (pattern evaluation)
Pada langkah ini akan dilakukan identifikasi pola yang benar dan
menarik. Pola tersebut akan dipresentasikan dalam bentuk
pengetahuan berdasarkan beberapa pengukuran yang penting.
7. Presentasi pengetahuan (knowledge presentation)
Pada langkah ini informasi yang sudah ditambang akan
divisualisasikan dan dipresentasikan kepada pengguna.
2.1.2
Pengelompokan Penambangan Data
Berdasarkan buku Algoritma Data Mining (2009), Data
mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dilakukan, yaitu (Lasore,2005) :
1. Deskripsi
Terkadang penelitian dan analis secara sederhana ingin
mencoba mencari cara untuk menggambarkan pola dan
kecenderungan yang terdapat dalam data. Sebagai contoh,
petugas
pengumpulan
suara
mungkin
tidak
dapat
menemukan keterangan atau fakta bahwa siapa yang tidak
cukup profesional akan sedikit didukung dalam pemilihan
presiden. Deskripsi dari pola dan kecenderungan sering
memberikan kemungkinan penjelasan untuk suatu pola atau
kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel
target estimasi lebih ke arah numerik daripada ke arah
kategori. Model dibangun menggunakan record lengkap
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
yang menyediakan nilai dari variabel target sebagai nilai
prediksi. Selanjutnya, pada peninjauan berikutnya estimasi
nilai dari variabel target dibuat berdasarkan nilai variabel
prediksi.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi,
kecuali bahwa dalam prediksi nilai dari hasil akan ada di
masa mendatang.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori.Sebagai
contoh, penggolongan pendataan dapat dipisahkan dalam
tiga kategori, yaitu pendapatan tinggi, pendapatan sedang,
dan pendapatan rendah.
5. Pengklusteran
Pengklusteran
merupakan
pengelompokan
record,
pengamatan, atau memperhatikan dan membentuk kelas
objek-objek yang memiliki kemiripan. Kluster adalah
kumpulan record yang memiliki kemiripan satu dengan
yang lainnya dan memiliki ketidakmiripan dengan recordrecord dalam kluster lain. Pengklusteran berbeda dengan
klasifikasi yaitu tidak adanya variabel target dalam
pengklusteran.
Pengklusteran
tidak
mencoba
untuk
melakukan klasifikasi, mengetimasi, atau memprediksi nilai
dari variabel target. Akan tetapi, metode pengklusteran
mencoba
keseluruhan
untuk
data
melakukan
menjadi
pembagian
terhadap
kelompok-kelompok
yang
memiliki kemiripan (homogen), yang mana kemiripan
record dalam satu kelompok akan bernilai maksimal,
sedangkan kemiripan dengan record dalam kelompok lain
akan bernilai minimal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan
atribut yang muncul dalam satu waktu.Dalam dunia bisnis
lebih umum disebut analisis keranjang belanja.
2.1.3
Klasifikasi
Klasifikasi merupakan proses pembelajaran suatu fungsi
tujuan (target) f yang memetakan tiap himpunan atribut x ke satu
dari label kelas y yang didefinisikan sebelumya. Fungsi target
disebut juga model klasifikasi.
GAMBAR 2.2 BLOK DIAGRAM MODEL KLASIFIKASI
Ada dua jenis model Klasifikasi, yaitu :
a. Pemodelan Deskriptif (descriptive modelling) : Model
klasifikasi yang dapat berfungsi sebagai suatu alat penjelasan
untuk membedakan objek-objek dalam kelas-kelas yang
berbeda.
b. Pemodelan
Prediktif
(predictive
modelling)
:
Model
klasifikasi yang dapat digunakan untuk memprediksi label
kelas record yang tidak diketahui.
Teknik Klasifikasi cocok untuk memprediksi atau menggambarkan
data-set dengan tipe biner dan nominal (Hermawati,2013).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
2.3
Klasifikasi Naïve bayesian
Klasifikasi Naïve Bayesian merupakan salah satu algoritma yang
terdapat pada teknik klasifikasi. Klasifikasi Naïve Bayesian adalah suatu
metode yang didasarkan pada teorema bayes yang ditemukan oleh Thomas
Bayes, yaitu memprediksi peluang dimasa depan terhadap pengalaman
dimasa sebelumnya dengan menggunakan metode probabilitas dan
statistik.Persamaan dari teorema Bayes adalah :
(Tan et al, 2006)
( | )
( | ) ( )
( )
(2.1)
dalam hal ini :
X
=
Data dengan class yang belum diketahui (himpunan data
training)
Y
=
(Y|X) =
Hipotesis
Probabilitas posterior, yaitu probabilitas bersyarat dari
hipotesis Y berdasarkan kondisi X.
(Y)
=
Probabilitas prior dari hipotesis Y, yaitu probabilitas bahwa
hipotesis Y bernilai benar sebelum data X muncul.
(X)
=
(X|Y) =
Probabilitas dari data X
Probabilitas bersyarat dari X berdasarkan kondisi pada
hipotesis Y, dan biasa disebut likehood.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Klasifikasi Naïve Bayesian beranggapan bahwa pengaruh dari nilai
atribut pada kelas tertentu tidak bergantung pada nilai-nilai dari atribut
lainnya, kondisi seperti ini dinyatakan dengan rumus seperti berikut :
(Han & Kamber, 2006)
( | )
(
) (
)
(
) ( )
( )
(2.2)
Keterangan :
X
=
Himpunan data training
Y
=
Hipotesis
(Y|X) =
Probabilitas prior dari hipotesis Y, yaitu probabilitas
bersyarat dari hipotesis Y berdasarkan kondisi X
(Y)
=
Probabilitas prior dari hipotesis Y, yaitu probabilitas bahwa
hipotesis Y bernilai benar sebelum data X muncul.
(X)
=
probabilitas dari data X.
P(X1│Y)P(X2│Y)..P(Xn│Y)P(Y) = Probabilitas dari X1, X2, Xn untuk
hipotesis Y, biasa disebut dengan likehood.
Karena P(X) irrelevant, maka untuk mencari peluang hanya menggunakan
rumus berikut ini : (Han & Kamber, 2006)
( | )
(
| ) (
| )
(
| ) ( )
(2.3)
Jika nilai P(Xn|Y) adalah 0, maka nilai P(Y|X) = 0. Maka klasifikasi Naïve
Bayesian tidak bisa dilakukan, karena klasifikasi Naïve Bayesian tidak bisa
memprediksi record yang salah satu atributnya memiliki probabilitas
bersyarat (likehood) = 0. Untuk mengatasi hal tersebut, dilakukan
penambahan nilai 1 ke setiap evidence / P(X) dalam perhitungan sehingga
probabilitas tidak akan bernilai 0.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
2.4
Cross Validation
Pada pendekatan cross validation, setiap data digunakan dalam
jumlah yang sama untuk pelatihan dan tepat satu kali untuk pengujian.
Bentuk umum pendekatan ini disebut dengan k-fold cross validation, yang
memecah set data menjadi k bagian set data dengan ukuran yang sama.
Setiap kali berjalan, satu pecahan berperan sebagai set data uji sedangkan
pecahan lainnya menjadi set data latih. Prosedur tersebut dilakukan
sebanyak k kali sehingga setiap data berkesempatan menjadi data uji tepat
satu kali dan menjadi data latih sebanyak k-1 kali. Total error didapatkan
dengan menjumlahkan semua error yang didapatkan dari k kali proses
(Prasetyo,2014).
2.5
Akurasi dengan Matrixs Confusion
Matrixs confusion merupakan tabel yang mencatat hasil kerja
klasifikasi. Contoh matrixs confusion ditunjukkan pada tabel berikut :
TABEL 2.1
TABEL MATRIXS CONFUSION
fij
kelas asli(i)
kelas hasil prediksi (j)
kelas = 1
kelas = 0
kelas = 1
f11
f10
kelas = 0
f01
f00
Tabel 2.1 merupakan contoh matrixs confusion yang melakukan klasifikasi
masalah biner (dua kelas) untuk dua kelas, misalnya kelas 0 dan 1. Setiap
sel fij dalam matrix menyatakan jumlah record/data dari kelas i yang hasil
prediksinya masuk ke kelas j. Misalnya sel f11 adalah jumlah data dalam
kelas 1 yang secara benar dipetakan ke kelas 1, dan f10 adalah data dalam
kelas 1 yang dipetakan secara salah ke kelas 0. Berdasarkan isi matrixs
confusion, maka dapat diketahui jumlah data dari masing-masing kelas
yang diprediksi secara benar yaitu ( f11 + f00 ) dan data yang diklasifikasi
secara salah yaitu ( f10 + f01 ). Kuantitas matrixs confusion dapat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
diringkas menjadi dua nilai, yaitu akurasi dan laju error. Dengan
mengetahui jumlah data yang diklasifikasikan secara benar, maka dapat
diketahui akurasi hasil prediksi, dan dengan mengetahui jumlah data yang
diklasifikasikan secara salah maka dapat diketahui laju error dari prediksi
yang dilakukan. Dua kuantitas ini digunakan sebagai matrix kinerja
klasifikasi. Untuk menghitung akurasi digunakan formula sebagai berikut :
(Prasetyo, 2014)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III
METODOLOGI PENELITIAN
Pada bab ini akan dijelaskan analisa data dan analisa sistem yang akan dibuat
untuk identifikasi penyakit tuberkulosis ( TB ) pada manusia menggunakan
metode Naïve Bayesian.
3.1
Data
Penelitian ini dimulai dengan studi pustaka yang berhubungan
dengan metode dan penyakit TB. Selanjutnya adalah proses pengumpulan
data. Data yang akan digunakan diambil dari beberapa puskemas di
Kabupaten Kulon Progo yang berasal dari rekam medis pasien yang
menderita TB Paru, TB Ekstra Paru dan tidak menderita TB tetapi
memiliki gejala yang hampir sama dengan TB. Data dari rekam medis
akan diolah terlebih dahulu oleh petugas kesehatan untuk menemukan data
yang mendukung adanya penyakit TB pada pasien seperti batuk, sesak
napas, berat badan turun, demam, batuk darah dan hasil pemeriksaan
dahak atau hasil foto rontgen. Jika petugas sudah mengumpulkan data
tersebut maka petugas akan membacakan data tersebut kepada peneliti,
sehingga data yang didapat oleh peneliti sudah siap untuk diolah.
Untuk mengidentifikasi dini penyakit TB dapat dikaji dari gejalagejala yang dialami, seperti batuk lebih dari 2 minggu, demam, berat
badan turun, sesak napas dan batuk berdarah. Selain itu, pada data rekam
medis juga disimpan data hasil pemeriksaan laboratorium pasien dan hasil
pemeriksaan foto rontgen. Hasil pemeriksaan laboratorium berbentuk data
dengan keterangan negatif (-), positif (+1, +2, +3) dengan keterangan tidak
terdapat bakteri pada dahak (negatif) dan terdapat bakteri pada dahak
(positif), tingkat banyaknya bakteri pada dahak dapat digambarkan dengan
keterangan (+1, +2, +3). Keterangan pemeriksaan dahak ini didapat dari
22
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
pemeriksaan dahak pasien dengan label A, B dan C dengan keterangan A
adalah dahak sewaktu datang periksa, B adalah dahak pagi keesokan hari,
C adalah dahak terakhir sewaktu periksa kembali. Selain itu terdapat juga
data hasil pemeriksaan foto rontgen dengan keterangan positif dan negatif .
Data status pasien yang terdiri dari gejala batuk lebih dari 2
minggu, demam, berat badan turun, sesak napas, batuk berdarah, hasil
pemeriksaan laboratorium dan hasil pemeriksaan foto rontgen tersebut
akan diteliti apakah mempengaruhi hasil diagnosis pasien yang
bersangkutan. Untuk meneliti apakah ada keterkaitan antara data pasien
dengan hasil diagnosis, akan dilakukan proses penambangan data.
Penambangan data akan menemukan informasi/pengetahuan dengan
mendeskrisikan apakah pasien menderita TB atau tidak dengan melihat
gejala dan hasil pemeriksaan laboratorium. Data status pasien ini adalah
pasien yang terdiagnosis TB Paru, TB Ekstra Paru dan bukan TB dari
beberapa puskesmas di Kulon Progo. Contoh data dapat dilihat pada Tabel
3.1 dibawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
TABEL 3.1
batuk>2
minggu
demam
CONTOH DATA PASIEN TUBERKULOSIS (TB)
BB
sesak
batuk
turun
napas
darah
A
B
C
Rontgen
Kelas
ya
tidak
?
tidak
tidak
neg
neg
neg
?
paru
ya
ya
tidak
ya
tidak
3
3
3
neg
paru
ya
tidak
tidak
tidak
tidak
neg
neg
neg
pos
ya
ya
ya
tidak
tidak
1
2
1
neg
paru
ya
tidak
ya
ya
tidak
neg
neg
neg
?
paru
ya
ya
tidak
tidak
tidak
neg
neg
neg
neg
tidak
ya
tidak
tidak
tidak
tidak
neg
neg
neg
neg
tidak
ya
tidak
tidak
tidak
tidak
neg
neg
neg
neg
tidak
ya
ya
ya
ya
tidak
3
3
3
neg
paru
ya
tidak
ya
ya
tidak
neg
neg
1
pos
paru
ya
tidak
tidak
ya
tidak
neg
neg
neg
pos
ya
tidak
tidak
tidak
ya
1
neg
neg
pos
paru
ya
tidak
tidak
ya
ya
neg
neg
neg
neg
tidak
ekstra
paru
ekstra
paru
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
3.2
Spesifikasi Software dan Hardware
Spesifikasi software dan hardware yang digunakan dalam
implementasi sistem ini adalah :
Bahasa pemrograman
: MATLAB R2012b
Processor
: AMD E-300 APU with Radeon(tm) HD
Graphics 1.30 GHz
3.3
Memory
: 2,00 GB
Operating System (OS)
: Windows 7 Ultimate SP1 32 bit
Desain Alat Uji
Berikut ini adalah alur atau tahapan proses yang dilakukan pada
alat uji :
Data gejala, hasil lab dan
rontgen
Data gejala, hasil lab dan
rontgen
1. preprocessing
pasien
Data Training
Data hasil
preprocessing
2. pembagian
data dengan kfold validation
Label data Testing
Data Testing
3. Pemisah Data
Data gejala, hasil lab dan
rontgen
Data Testing
4. modeling
naive bayesian
akurasi
GAMBAR 3.1
Label Data Testing
Label Hasil Prediksi Data
Testing
5. akurasi
confusion matrix
DIAGRAM ALUR PROSES ALAT UJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
3.3.1
Preprocessing
Pada
tahap
pre-processing
akan
dilakukan
tahap
pembersihan data, integrasi data,seleksi data dan transformasi data.
Data mentah akan diubah menjadi data dalam bentuk angka atau
dalam bentuk label dengan keterangan seperti berikut :
1. Untuk kolom satu sampai lima
a. Tidak = 1
b. Ya = 2
2. Untuk kolom enam sampai delapan
a. Negatif = 0
b. Jika nilai tidak negatif maka akan tetap diisi dengan angka
sesuai dengan data.
3. Untuk kolom sembilan
a. Positif = 1
b. Negatif = 0
4. Untuk kolom 10
a. Tidak = 1
b. Paru = 2
c. Ekstra Paru = 3
Pada tahap pre-processing ini juga dilakukan tahap mengisi data
yang tidak diketahui nilainya. Untuk setiap data yang tidak
diketahui nilainya akan diberi label 0. Dan untuk setiap data yang
tidak memiliki kelas akan dihapus. Tabel 3.2 adalah contoh data
yang sudah melewati tahap pre-processing.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
TABEL 3.2
batuk>2
minggu
CONTOH DATA SETELAH TAHAP PRE-PROCESSING
demam
BB
sesak batuk
A
turun napas darah
B
C
Rontgen Kelas
2
2
2
2
1
3
3
3
0
2
2
1
0
1
1
0
0
0
0
2
2
2
1
2
1
3
3
3
0
2
2
1
1
1
1
0
0
0
1
3
2
2
2
1
1
1
2
1
0
2
2
1
2
2
1
0
0
0
0
2
2
2
1
1
1
0
0
0
0
1
2
1
1
1
1
0
0
0
0
1
2
1
1
1
1
0
0
0
0
1
2
2
2
2
1
3
3
3
0
2
2
1
2
2
1
0
0
1
1
2
2
1
1
2
1
0
0
0
1
3
2
1
1
1
2
1
0
0
1
2
3.3.2
Pembagian Data
Pada tahap ini dilakukan pembagian data yaitu data training
dan data testing menggunakan cross validation yaitu k-fold
validation. Percobaan yang dilakukan menggunakan 4 jenis k-fold
yaitu 3, 5, 7 dan 9 fold. Data akan dibagi sesuai dengan jumlah k,
dengan jumlah data yang sama rata. Data yang sudah dibagi nanti
akan menjadi data testing dan data training. Setiap percobaan akan
mengambil 1 data testing dan data yang lainnya akan digunakan
sebagai data training, pada percobaan selanjutnya data testing akan
menjadi data training dan sebaliknya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
3.3.3
Pemisah Data
Pada tahap ini data testing akan dipisah menjadi 2 bagian.
Bagian pertama adalah bagian data yang memiliki isi semua data
gejala, data laboratorium dan hasil rontgen. Bagian kedua adalah
label data atau kelas akhir yang berisi TB Paru, TB Ekstra Paru dan
tidak TB. Data bagian pertama akan di uji pada proses modeling
dan akan menghasilkan label baru hasil prediksi. Setelah itu, label
testing asli dengan label testing hasil prediksi akan di bandingkan
dengan confusion matrix pada proses 5.
3.3.4
Modeling
Pada tahap ini dilakukan proses penambangan data
menggunakan algoritma Naïve Bayesian. Data yang sudah diolah
pada tahap sebelumnya akan diolah menggunakan perhitungan
algoritma. Data yang akan diolah adalah data testing berdasarkan
data training. Berikut adalah tahap yang akan dilakukan untuk
mengolah data TB menggunakan metode Naïve Bayesian. Data
yang akan digunakan adalah data yang sudah melewati proses
preprocessing dan proses pembagian data.
1.
Data yang digunakan adalah data training dan data testing.
Data testing adalah data yang dicari hasil akhirnya
sedangkan data training adalah data yang akan digunakan
untuk menentukan hasil akhir atau label dari data testing.
2.
Data testing yang sudah siap akan dipisahkan dari labelnya,
sehingga terdapat 2 kelompok untuk data testing yaitu
kumpulan data gejala, hasil laboratorium dan hasil rontgen
sedangkan kelompok yang kedua yaitu kelompok label dari
data training yang asli dengan isian TB paru, TB Ekstra
Paru atau tidak TB.
3.
Data Testing yang tidak memiliki label akan melakukan
perulangan untuk dihitung nilai probabilitas dari setiap data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
dengan berdasarkan data training. Di bawah ini merupakan
contoh perhitungan untuk mencari nilai probabilitas dari
setiap data, data testing yang akan dihitung dilambangkan
dengan X. Tabel 3.3 adalah contoh data training.
TABEL 3.3
batuk>2
minggu
demam
BB
CONTOH DATA TRAINING
sesak batuk
A
turun napas darah
B
C
Rontgen
Kelas
2
2
2
2
1
3
3
3
0
2
2
1
0
1
1
0
0
0
0
2
2
2
1
2
1
3
3
3
0
2
2
2
2
1
1
1
2
1
0
2
2
1
2
2
1
0
0
0
0
2
2
2
1
1
1
0
0
0
0
1
2
1
1
2
1
0
0
0
0
1
2
1
1
1
1
0
0
0
0
1
2
1
1
2
1
0
0
0
1
3
2
1
2
1
1
0
0
0
0
3
Tabel 3.3 memperlihatkan data training dengan atribut batuk >
2minggu, demam, berat badan turun, sesak napas, batuk berdarah,
hasil pemeriksaan laboratorium dengan atribut A, B, C,
rontgensedangkan atribut kelas adalah pasien memiliki penyakit
TB Paru, TB Ekstra Paru dan tidak TB. Berikut ini adalah
penyelesaian
contoh
kasus
menggunakan
algoritma
Bayesian:
Terdapat dua kelas dari klasifikasi yang dibentuk yaitu :
Y1 =TB Paru
Y2 =TB Ekstra Paru
Y3 = tidak TB
Naïve
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Data yang akan diklasifikasikan adalah X = (batuk > 2 minggu =
ya, demam = tidak, berat badan turun = tidak, sesak napas = ya,
batuk berdarah = tidak, A = negatif, B = negatif, C = negatif,
rontgen = negatif). Langkah-langkah perhitungan sebagai berikut :
a. Mencari P(Y), sebagai berikut :
P(Y) merupakan prior probability untuk setiap kelas
berdasarkan data yaitu :

( )

(

(

(
)
)
)
b. Menghitung probabilitas

Probabilitas untuk TB Paru
P(TB Paru) P(batuk>2 minggu = ya|TB Paru)
P(demam = tidak|TB Paru) p(berat badan turun =
tidak|TB paru) P(sesak napas = ya|TB paru) P(batuk
berdarah = tidak|TB Paru) P(A=negatif|TB Paru)
P(B=negatif|TB
Paru)
P(C=negatif|TB
Paru)
P(rontgen=negatif|TB Paru)=
0.001536

Probabilitas untuk TB Ekstra Paru
P(TB Ekstra Paru) P(batuk>2 minggu = ya| TB
Ekstra Paru) P(demam = tidak| TB Ekstra Paru)
P(berat badan turun = tidak|TB Ekstra Paru) P(sesak
napas = ya| TB Ekstra Paru) P(batuk berdarah =
tidak| TB Ekstra Paru) P(A=negatif| TB EkstraParu)
P(B=negatif| TB Ekstra Paru) P(C=negatif| TB
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
EkstraParu)P(rontgen=negatif| TB Ekstra Paru)=
0.025

Probabilitas untuk tidak TB
P(tidak TB) P(batuk>2 minggu = ya| tidak TB)
P(demam = tidak| tidak TB) P(berat badan turun =
tidak| tidak TB) P(sesak napas = ya| tidak TB)
P(batuk berdarah = tidak| tidak TB) P(A=negatif|
tidak TB) P(B=negatif| tidak TB) P(C=negatif| tidak
TB)=
c. Setelah
melakukan
0.6
perhitungan
probabilitas,
akan
dibandingkan hasil yang lebih besar antara TB Paru, TB
Ekstra Paru dan tidak TB. Berdasarkan perhitungan data X
termasuk data pasien tidak TB dengan nilai probabilitas
sebesar 0,6.
Berdasarkan hasil perhitungan probabilitas diatas, maka hasil dari
data X adalah tidak TB sehingga label yang akan muncul yaitu
angka 1 untuk data X.
4. Hasil yang didapat dari langkah 3 akan dimasukkan pada label
baru. Setelah semua data testing dihitung dan diprediksi maka akan
terbentuk label baru yang berisi hasil prediksi dari data testing.
5. Label hasil prediksi akan dibandingkan dengan label asli dari data
X.Hasil perbandingan akan masuk ke tahap akurasi dengan
menggunakan confusion matrix.
3.3.5
Akurasi
Setelah dilakukan proses modeling, maka akan dilakukan
proses menghitung akurasimenggunakan confusion matrix, yaitu
dengan menjumlahkan data yang benar dan membaginya dengan
semua data baik yang benar maupun yang salah dan dikalikan
dengan 100%. Berikut adalah tabel contoh hasil confusion matrix.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
TABEL 3.4
TABEL CONTOH HASIL CONFUSION MATRIX
TB EKSTRA
KELAS
TB PARU
TB PARU
A
B
C
D
E
F
G
H
I
TB EKSTRA
PARU
TIDAK TB
PARU
TIDAK TB
Berdasarkan Tabel 3.4 diatas, jumlah akurasi dari setiap percobaan
dapat dihitung menggunakan rumus akurasi sebagai berikut.
Jumlah data yang diprediksi secara benar adalah data yang
terletak pada garis diagonal yaitu data A+E+I. Jumlah prediksi
yang dilakukan adalah jumlah semua hasil perhitungan confusion
matrix yaitu A+B+C+D+E+F+G+H+I. Setelah itu nilai akurasi
dapat dikalikan dengan 100%.
3.4
Desain Pengujian
Setiap data yang sudah melalui proses pembagian data akan diuji
pada proses modeling dengan metode Naïve Bayesian. Berikut ini adalah
tahap proses pengujian :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Data Training
Data Testing
label
Pemisah data
Label Data Testing
modeling naive
bayesian
Data gejala, lab dan rontgen
Label data training hasil
prediksi
Data Testing
akurasi
confusion matrix
akurasi
GAMBAR 3.2 DIAGRAM ALUR PENGUJIAN
alur pengujian akan dilakukan sebanyak jumlah k sesuai dengan k-fold
yang digunakan. Di bawah ini merupakan tabel pengujian dengan
menggunakan data training dan data testing sesuai dengan jumlah k yang
digunakan.
TABEL 3.5
PEMBAGIAN 3 FOLD
Pengujian
Training
Testing
1
1, 2
3
2
1, 3
2
3
2, 3
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Tabel 3.5 merupakan tabel pembagian data berdasarkan 3 fold. Semua data
akan dibagi 3 sama rata dan akan digunakan secara bergantian sebagai data
training dan data testing sesuai dengan Tabel 3.5.
TABEL 3.6
PEMBAGIAN 5 FOLD
Pengujian
Training
Testing
1
1, 2, 3, 4
5
2
1, 2, 3, 5
4
3
1, 2, 4, 5
3
4
1, 3, 4, 5
2
5
2, 3, 4, 5
1
Tabel 3.6 merupakan tabel pembagian data berdasarkan 5 fold. Semua data
akan dibagi 5 sama rata dan akan digunakan secara bergantian sebagai data
training dan data testing sesuai dengan Tabel 3.6.
TABEL 3.7
PEMBAGIAN 7 FOLD
Pengujian
Training
Testing
1
1, 2, 3, 4, 5, 6
7
2
1, 2, 3 , 4, 5, 7
6
3
1, 2, 3, 4, 6, 7
5
4
1, 2, 3, 5, 6, 7
4
5
1, 2, 4, 5, 6, 7
3
6
1, 3, 4, 5, 6, 7,
2
7
2, 3, 4, 5, 6, 7,
1
Tabel 3.7 merupakan tabel pembagian data berdasarkan 7 fold. Semua data
akan dibagi 7 sama rata dan akan digunakan secara bergantian sebagai data
training dan data testing sesuai dengan Tabel 3.7.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
TABEL 3.8
PEMBAGIAN 9 FOLD
Pengujian
Training
Testing
1
1, 2, 3, 4, 5, 6, 7, 8
9
2
1, 2, 3, 4, 5, 6, 7, 9
8
3
1, 2, 3, 4, 5, 6, 8, 9
7
4
1, 2, 3, 4, 5, 7, 8, 9
6
5
1, 2, 3, 4, 6, 7, 8, 9
5
6
1, 2, 3, 5, 6, 7, 8, 9
4
7
1, 2, 4, 5, 6, 7, 8, 9
3
8
1, 3, 4, 5, 6, 7, 8, 9
2
9
2, 3, 4, 5, 6, 7, 8, 9
1
Tabel 3.8 merupakan tabel pembagian data berdasarkan 9 fold. Semua data
akan dibagi 9 sama rata dan akan digunakan secara bergantian sebagai data
training dan data testing sesuai dengan Tabel 3.8.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV
ANALISA HASIL DAN IMPLEMENTASI SISTEM
Pada bab ini akan dibahas hal-hal yang berkaitan dengan implementasi sistem,
hasil yang didapatkan dari pengujian-pengujian yang akan dilakukan, serta
analisis dari hasil pengujian.
4.1
Analisis Hasil
Berdasarkan hasil pengujian yang dilakukan dengan menggunakan
klasifikasi Naïve Bayesian dan dengan menggunakan k-fold validation,
didapat hasil akurasi seperti tabel 4.1 berikut ini.
36
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
TABEL 4.1
TABEL HASIL PERCOBAAN
Feature/Metode
Akurasi
Gejala
3 Fold
58,29
5 Fold
57,44
7 Fold
57,45
9 Fold
59,14
Lab
3 Fold
68,08
5 Fold
68,08
7 Fold
68,08
9 Fold
68,08
Gejala dan Lab
3 Fold
70,63
5 Fold
68,08
7 Fold
69,36
9 Fold
69,36
Gejala dan Rontsen
3 Fold
69,36
5 Fold
68,08
7 Fold
68,08
9 Fold
68,93
Lab dan Rontsen
3 Fold
85,95
5 Fold
85,95
7 Fold
85,95
9 Fold
85,95
Gelaja, Lab dan Rontsen
3 Fold
85,53
5 Fold
85,53
7 Fold
84,68
9 Fold
85,1
Akurasi RataRata
58,08
68,08
69,3575
68,6125
85,95
85,21
Tabel 4.1 merupakan tabel dari hasil akurasi dari semua percobaan yang
dilakukan sebanyak dua puluh empat kali. Dari dua puluh empat pengujian
dengan penggunaan data yang berbeda dan dengan jumlah fold yang
berbeda didapat hasil klasifikasi dan hasil akurasi yang berbeda-beda.
Hasil akurasi yang paling tinggi sebesar 85,95 dengan hanya menggunakan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
feature lab dan rontgen, untuk 3 fold, 5 fold, 7 fold dan 9 fold
menghasilkan akurasi yang sama. Sedangkan hasil akurasi paling rendah
sebesar 57.44 dengan hanya menggunakan feature gejala dan dengan
menggunakan 5 fold. Grafik hasil rata-rata akurasi pengujian ditunjukkan
melalui gambar 4.1 dibawah ini:
GAMBAR 4.1 GRAFIK RATA-RATA AKURASI
Gambar 4.1 merupakan grafik akurasi rata-rata. Percobaan dilakukan
dengan feature/atribut yang berbeda. Setiap feature/atribut akan dilakukan
percobaan dengan empat fold yang berbeda yaitu 3 fold, 5 fold, 7 fold dan
9 fold. Hasil akurasi dari setiap fold dirata-rata untuk mencari nilai
maksimal dari percobaan berdasarkan feature/atribut. Berdasarkan hasil
rata-rata akurasi terbesar adalah percobaan menggunakan feature/atribut
lab dan rontgen. Sedangkan hasil rata-rata akurasi terkecil adalah
percobaan menggunakan feature/atribut gejala. Gejala memiliki hasil ratarata akurasi terendah. Hal ini dikarena gejala utama pasien TB seperti
batuk lebih dari 2 minggu, sesak napas, berat badan turun, demam, batuk
darah dapat dijumpai pula pada penyakit paru selain TB, seperti
bronkiektasi, bronchitis kronis, asma, kanker paru, dan lain-lain. Oleh
karena itu dibutuhkan data pendukung lainnya seperti hasil pemeriksaan
dahak di laboratorium dan hasil rontgen. Data hasil pemeriksaan dahak di
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
laboratorium dan hasil rontgen sangat berpengaruh terhadap proses
klasifikasi, hal ini dapat dilihat dari hasil akurasi rata-rata dengan
feature/atribut lab dan rontgen yang menghasilkan nilai sebesar 85.95 %
yang merupakan akurasi tertinggi dalam penelitian ini.
4.2
User Interface
Untuk mempermudah dalam melakukan tahap klasifikasi pada
penelitian ini dibuat user interface. User interface ini dibuat untuk
membantu dalam proses preprocessing, proses klasifikasi dan proses hasil
akurasi. Berikut merupakan halaman utama dalam penelitian ini :
GAMBAR 4.2 HALAMAN UTAMA
Halaman pre-processing digunakan untuk menampilkan data yang sudah
melalui proses pre-processing. Implementasi menu preprocessing dapat
dilihat pada gambar dibawah ini :
GAMBAR 4.3 HALAMAN PREPROCESSING
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Halaman proses akan digunakan untuk melakukan proses pemilihan data
yang akan digunakan, pemilihan jumlah fold dan melalukan proses
klasifikasi. Implementasi menu proses dapat dilihat pada gambar dibawah
ini :
GAMBAR 4.4 HALAMAN PROSES
Halaman Confusion Matrix digunakan untuk menampilkan hasil
perhitungan Confusion Matrix akhir yang didapat dari semua percobaan.
Implementasi halaman Confusion Matrix dapat dilihat pada gambar
dibawah ini :
GAMBAR 4.5 HALAMAN CONFUSION MATRIX
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
Halaman akurasi digunakan untuk menampilkan hasil akurasi akhir yang
didapat dari semua percobaan. Implementasi halaman akurasi dapat dilihat
pada gambar dibawah ini :
GAMBAR 4.6 HALAMAN AKURASI
Halaman akurasi untuk setiap fold yang dipilih digunakan untuk
menampilkan diagram akurasi untuk setiap percobaan yang dilakukan
berdasarkan jumlah fold. Implementasi halaman tersebut dapat dilihat pada
gambar berikut ini :
GAMBAR 4.7 HALAMAN GRAFIK AKURASI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
Halaman uji data tunggal digunakan untuk menguji satu data. Pada
halaman ini masukkan diambil dari menu pop up yang dipilih. Keluaran
dari proses uji data tunggal adalah kelas hasil prediksi yaitu Paru, Ekstra
Paru atau Tidak TB. Implementasi halaman uji data tunggal dapat dilihat
pada gambar berikut ini :
GAMBAR 4.8 HALAMAN UJI TUNGGAL
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
PENUTUP
5.1
Kesimpulan
Dari hasil penelitian ini, dengan menggunakan metode Naïve
Bayesian untuk melakukan identifikasi adanya penyakit Tuberkulosis pada
manusia berdasarkan gejala utama, hasil pemeriksaan laboratorium dan
hasil rontgen, dapat diambil kesimpulan, sebagai berikut :
1. Metode Naïve Bayesian dapat melakukan identifikasi dari data
penyakit Tuberkulosis.
2. Algoritma Naïve Bayesian hanya memberikan hasil prediksi yang
diambil dari nilai tertinggi
hasil perhitungan probabilitas
berdasarkan data gejala, hasil laboratorium dan hasil rontgen.
3. Penggunaan metode pemilihan data atau memilih feature/atribut
yang digunakan untuk proses klasifikasi sangat berpengaruh
terhadap hasil klasifikasi.
4. Dari pengujian sebanyak 24 kali dihasilnya rata-rata akurasi terbaik
sebesar
85,95%
dengan
hanya
menggunakan
data
hasil
laboratorium dan hasil rontgen. Rata-rata akurasi terendah sebesar
58,08 dengan hanya menggunakan data gejala.
5.2
Saran
Saran untuk penelitian akhir ini adalah :
1. Data ditambah lebih banyak untuk setiap kategori.
2. Data rontgen bisa ditambah dengan menggunakan data gambar.
3. Menambah jenis klasifikasi/jenis kelas, tidak hanya menggunakan
pengelompokkan berdasarkan anatomi dari penyakit tetapi bisa
ditambah
dengan
pengelompokkan
berdasarkan
riwayat
pengobatan sebelumnya, hasil pemeriksaan uji kepekaan obat atau
status HIV.
43
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR PUSTAKA
Dinas Kesehatan Daerah Istimewa Yogyakarta (2015) Petunjuk Teknis
Manajemen TB Anak. Jakarta : Kementrian Kesehatan RI
Han,Jiawie and Micheline Kamber. (2006) Data Mining : Concepts and
Technique Second Edition. New York : Morgan Kaufman.
Han, Jiawie and Micheline Kamber. (2012) Data Mining : Concepts and
Technique Third Edition. New York : Morgan Kaufmann
Hermawati, F.A. (2013) Data Mining.Yogyakarta : Andi
Kementrian RI Direktorat Jenderal Pengendalian Penyakit dan Penyehatan
Lingkungan
(2014)
Pedoman
Nasional
Pengendalian
Tuberkulosis. Jakarta : Kementrian Kesehatan RI.
Kusrini dan Emha Taufiq Luthfi. (2009) Algoritma Data Mining.
Yogyakarta : Andi.
Prasetyo, E. (2014) Data Mining : Mengolah data Menjadi Informasi
Menggunakan Matlab. Yogyakarta : Andi
Setiawan, C. B. D. (2015) Prediksi Penjualan Helm Menggunakan
Algoritma Naïve Bayesian (Studi Kasus : Distribusi Perusahaan
XYZ di Wilayah Jawa Tengah dan Derah Istimewa Yogyakarta).
Yogyakarta.
Santosa, B. (2007) Data Mining : Teknik Pemanfaatan Data untuk
Keperluan Bisnis. Yogyakarta : Graha Ilmu.
44
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Tan,P.N.,Steinbach. M., Kumar, V.(2006) Data Mining : Introduction To
Data Mining. Pearson Education.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN
1. prepData.m
function [newData] = prepData(filename)
[num,txt,raw]=xlsread(filename);
%membuat matrix baru dengan nilai 0
newData=zeros(size(raw));
%memisahkan data pada setiap kolom
col1to5=txt(:,1:5);
col6to8=txt(:,6:8);
col9=txt(:,9);
class=txt(:,10);
%hitung kolom dan baris untuk looping
[r,c]=size(newData);
%looping
for i=1:1:r
for j=1:1:c
column=j;
switch(column)
%case adalah kolom
case 1
if(strcmp(col1to5(i,1),'ya'))
kelas=2;
elseif(strcmp(col1to5(i,1),'tidak'))
kelas=1;
else
kelas=0;
end
%masukin data ke matriks yang baru.
newData(i,j)=kelas;
case 2
if(strcmp(col1to5(i,2),'ya'))
kelas=2;
elseif(strcmp(col1to5(i,2),'tidak'))
kelas=1;
else
kelas=0;
end
newData(i,j)=kelas;
case 3
if(strcmp(col1to5(i,3),'ya'))
kelas=2;
elseif(strcmp(col1to5(i,3),'tidak'))
kelas=1;
else
kelas=0;
end
newData(i,j)=kelas;
46
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
case 4
if(strcmp(col1to5(i,4),'ya'))
kelas=2;
elseif(strcmp(col1to5(i,4),'tidak'))
kelas=1;
else
kelas=0;
end
newData(i,j)=kelas;
case 5
if(strcmp(col1to5(i,5),'ya'))
kelas=2;
elseif(strcmp(col1to5(i,5),'tidak'))
kelas=1;
else
kelas=0;
end
newData(i,j)=kelas;
case 6
if(strcmp(col6to8(i,1),'neg'))
kelas=0;
elseif(strcmp(col6to8(i,1),'?'))
kelas=0;
else
kelas=num(i,1);
end
newData(i,j)=kelas;
case 7
if(strcmp(col6to8(i,2),'neg'))
kelas=0;
elseif(strcmp(col6to8(i,2),'?'))
kelas=0;
else
kelas=num(i,2);
end
newData(i,j)=kelas;
case 8
if(strcmp(col6to8(i,3),'neg'))
kelas=0;
elseif(strcmp(col6to8(i,3),'?'))
kelas=0;
else
kelas=num(i,3);
end
newData(i,j)=kelas;
case 9
if(strcmp(col9(i,1),'neg'))
kelas=0;
elseif(strcmp(col9(i,1),'pos'))
kelas=1;
else
kelas=0;
end
newData(i,j)=kelas;
case 10
if(strcmp(class(i,1),'paru'))
kelas=2;
elseif(strcmp(class(i,1),' paru'))
kelas=3;
elseif(strcmp(class(i,1),'tidak'))
kelas=1;
else
kelas=0;
end
newData(i,j)=kelas;
end
end
end
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
2. k-fold.m
function [ dTraining,dTesting ] = k_fold( k,data )
%Fungsi ini digunakan untuk membagi 'data' ke dalam beberapa
bagian('k' bagian)
%sesuai dengan permintaan user.
%memisahkan data dengan label
[n,m]=size(data)
label=data(:,m);
%mencari banyak jenis kelas dalam label
isi_label=numel(unique(label));
%membuat cell baru yang belum isi
kelas=cell(1,isi_label);
%perulangan sebanyak 'isi_label'/3 kali untuk mengelompokkan data
%berdasarkan label i(1 2 3) kedalam kelas i (1 2 3)
for i=1:isi_label
kelas{i}=data(find(label==i),:);
end
%membuat cell kosong berdasarkan jumlah k dan isi_label
kelas_bagi=cell(k,isi_label);
%melakukan perulangan
for i=1:isi_label
%melihat jumlah data untuk setiap kelas yang sudah tersimpan
dalam cell
%kelas
ndata=size(kelas{i},1);
%menghitung hasil bagi jika data dibagi sebanyak k bagian
x=floor(ndata/k);
%menghitung sisa dari jumlah data jika dibagi sebanyak k bagian
y=mod(ndata,k);
n=1:x;
for j=1:k
if y
%jika memiliki sisa
n=[n n(end)+1];
%mengambil data sebanyak n+1
%mengurangi nilai y
y=y-1;
end
%mengambil data sebanyak n
kelas_bagi{j,i}=kelas{i}(n,:);
%n = nilai n yang paling akhir ditambah 1 sampai nilai n ditambah
%nilai x
n=n(end)+1:n(end)+x;
end
end
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
%membuat cell baru
newdata=cell(1,k);
%melakukan perulangan untuk menjumlahkan data yang sudah
tersimpan pada
%kelas_bagi sesuai dengan indeks cell (baris 1 dijumlahkan, baris
2
%dijumlahkan, baris 3 dijumlahkan) sehingga terbentuk cell yang
baru
for i=1:k
for j=1:isi_label
newdata{i}=[newdata{i};kelas_bagi{i,j}];
end
end
%membuat cell baru untuk menyimpan data training dan data testing
dTraining=cell(k,1);
dTesting=cell(k,1);
for i=1:k
disp(i);
for j=setdiff(1:k,i)
%mengambil data yang tidak ada didata tersebut
dTraining{i}=[dTraining{i};newdata{j}];
end
dTesting{i}=newdata{i};
end
end
3. prob.m
function p=prob(data,name1,value1,name2,value2)
%mencari probabilitas untuk kolom dengan nama(name) dan
nilai(value) dari
%data
%kalo ada 3 itu p(X) / p(Y)
if nargin==3
tmp=(data(:,name1));
%a=banyaknya data yang nilainya value1
a=sum(tmp==value1);
%semua data
b=numel(tmp);
p=a/b;
end
%kalo ada 5 itu p(X|Y)
if nargin==5
tmp1=(data(:,name2));
list1=(tmp1==value2);
tmp2=(data(:,name1));
tmp2=tmp2(list1);
list2=(tmp2==value1);
p=sum(list2)/sum(list1);
end
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
4. prediksiKelompok.m
function [Label] = prediksiKelompok( data,dataTes)
%Fungsi ini digunakan untuk memprediksi data kelompok
[n m]=size(dataTes);
Label=zeros(n,1);
for i=1:n
dataTemp=dataTes(i,:);
[hasil] = prediksi( data,dataTemp )
Label(i,1)=hasil;
end
end
function [hasil] = prediksi( data,dataTes )
[n m]=size(dataTes);
tmpParu=1;
tmpParu=1;
tmpTidak=1;
for j=1:1:m
paru=prob(data,m+1,2);
tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,2));
hasilParu=paru*tmpParu;
paru=prob(data,m+1,3);
tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,3));
hasilParu=paru*tmpParu;
tidak=prob(data,m+1,1);
tmpTidak=tmpTidak*(prob(data,j,dataTes(j),m+1,1));
hasilTidak=tidak*tmpTidak;
if(hasilParu>hasilParu)&&(hasilParu>hasilTidak)
hasil=2;
elseif(hasilParu>hasilParu)&&(hasilParu>hasilTidak);
hasil=3;
else
hasil=1;
end
end
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
5. pemisah.m
function [ dLabel,dTesting] = pemisah( k,dataTes )
%fungsi ini digunakan untuk memisahkan label data Testing
dengan data
%Testing yang akan olah.
dLabel=cell(k,1);
dTesting=cell(k,1);
[n,m]=size(dataTes{1});
for i=1:k
dLabel{i}=dataTes{i}(:,m);
end
for i=1:k
dTesting{i}=dataTes{i}(:,1:m-1);
end
end
6. Percobaan.m
function [ ConMatrixAkhir,akurasi_temp] = Percobaan(
k,dTraining,dTesting,dLabel )
%fungsi ini digunakan untuk melakukan percobaan sebanyak
k-fold kali.
%dengan memanggil fungsi 'prediksiKelompok'
%dan menghitung error dengan Confusion Matrix.
%semua perhitungan Confusion Matrix dari setiap percobaan
%akan dijumlahkan dan akan dihitung kembali dengan
Confusion Matrix
ConMatrix=cell(k,1);
for i=1:k
LabelPrediksi=prediksiKelompok(dTraining{i},dTesting{i});
ConMatrix{i}=hitungConfusionmat(dLabel{i},LabelPrediksi);
end
ConMatrixAkhir=zeros(size(ConMatrix{1}));
akurasi_temp=zeros(1,k);
for i=1:k
[ hasil_akurasi ] = akurasi( ConMatrix{i} );
%hasil_akurasi=round(hasil_akurasi);
akurasi_temp(1,i)=(hasil_akurasi);
ConMatrixAkhir=ConMatrixAkhir+ConMatrix{i};
end
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
7. hitungConfusionmat.m
function
ConMatrix=hitungConfusionmat(label_kelas,label_prediksi)
%fungsi ini digunakan untuk mencari error dari hasil
prediksi
%dengan menggunakan confusion Matrix.
%fungsi ini diambil dari Skripsi Dionisia (2011)
%mencari isi dari kelas_test yaitu label 1,2,3
isi_label=unique(label_kelas);
%membuat Matrix kosong dengan panjang kelas_test
MatrixCon=zeros(length(isi_label));
%perulangan sebanyak 3 kali
for i=1:length(isi_label)
for j=1:length(isi_label)
MatrixCon(i,j)=sum(label_kelas==isi_label(i) &
label_prediksi==isi_label(j));
end
end
ConMatrix=MatrixCon;
end
8. akurasi.m
function [ hasil_akurasi ] = akurasi( ConMatrixAkhir )
%fungsi digunakan untuk menghitung jumlah akurasi dari
sebuah Confusion Matrix
%menjumlahkan data yang benar, di dalam Confusion Matrix
data yang benar
%adalah data yang terletak pada garis diagonal
benar=sum(diag(ConMatrixAkhir));
%menjumlah semua data dalam Matrix Confusion Matrix
totalData=sum(sum(ConMatrixAkhir));
%menghitung akurasi dengan membagi data benar dengan semua
data dan
%mengalikan dengan 100%
hasil_akurasi=(benar/totalData)*100;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
9. prediksiTunggal.m
function [ hasil ] = prediksiTunggal( dataTes,data )
%Fungsi ini digunakan untuk memprediksi data tunggal
[n m]=size(dataTes);
tmpParu=1;
tmpParu=1;
tmpTidak=1;
for j=1:1:m
paru=prob(data,m+1,2);
tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,2));
hasilParu=paru*tmpParu;
paru=prob(data,m+1,3);
tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,3));
hasilParu=paru*tmpParu;
tidak=prob(data,m+1,1);
tmpTidak=tmpTidak*(prob(data,j,dataTes(j),m+1,1));
hasilTidak=tidak*tmpTidak;
if(hasilParu>hasilParu)&&(hasilParu>hasilTidak)
hasil='PARU';
elseif(hasilParu>hasilParu)&&(hasilParu>hasilTidak);
hasil=' PARU';
else
hasil='TIDAK TBC';
end
end
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
10. main.m
function varargout = main(varargin)
% MAIN MATLAB code for main.fig
%
MAIN, by itself, creates a new MAIN or raises the
existing
%
singleton*.
%
%
H = MAIN returns the handle to a new MAIN or the
handle to
%
the existing singleton*.
%
%
MAIN('CALLBACK',hObject,eventData,handles,...)
calls the local
%
function named CALLBACK in MAIN.M with the given
input arguments.
%
%
MAIN('Property','Value',...) creates a new MAIN or
raises the
%
existing singleton*. Starting from the left,
property value pairs are
%
applied to the GUI before main_OpeningFcn gets
called. An
%
unrecognized property name or invalid value makes
property application
%
stop. All inputs are passed to main_OpeningFcn via
varargin.
%
%
*See GUI Options on GUIDE's Tools menu. Choose
"GUI allows only one
%
instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help main
% Last Modified by GUIDE v2.5 23-Jul-2016 21:29:14
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',
mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @main_OpeningFcn, ...
'gui_OutputFcn', @main_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback',
[]);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State,
varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
% --- Executes just before main is made visible.
function main_OpeningFcn(hObject, eventdata, handles,
varargin)
% This function has no output args, see OutputFcn.
% hObject
handle to figure
% eventdata reserved - to be defined in a future version
of MATLAB
% handles
structure with handles and user data (see
GUIDATA)
% varargin
command line arguments to main (see VARARGIN)
% Choose default command line output for main
handles.output = hObject;
clc;
% Logo
axes(handles.logo);
imshow('Images\LogoUSD.jpg');
axes(handles.diagram);
set(handles.jml_data,'String','0');
% Update handles structure
guidata(hObject, handles);
% --- Outputs from this function are returned to the
command line.
function varargout = main_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see
VARARGOUT);
% hObject
handle to figure
% eventdata reserved - to be defined in a future version
of MATLAB
% handles
structure with handles and user data (see
GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% menjalankan tombol PreProses
function preProses_Callback(hObject, eventdata, handles)
%mencari data
[file,alamat] = uigetfile({'*.xls;*.xlsx','Excel Files'},'
Select data file');
namaFile = strcat(alamat,file);
%menggunakan fungsi prepData untuk mengubah data dalam
bentul label
dataPrep=prepData(namaFile);
%mencari data yang memiliki kelas '0/nol/tidak diketahui'
dataNol=find(dataPrep(:,10)==0);
%menghapus dataPrep yang memiliki kelas '0/nol/tidak
diketahui'
dataPrep(dataNol,:)=[];
%menghitung jumlah data
jumlahdata=length(dataPrep);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
%menampilkan data dalam bentuk tabel kedalam GUI
set(handles.tabel_data, 'Data',dataPrep)
%menampilkan jumlah data
set(handles.jml_data,'String',num2str(jumlahdata));
%menampilkan nama file
set(handles.namaFile,'String',file);
%menyimpan data yang sudah melalu proses preprocessing
save('dataPrep.mat');
%menampilkan pesan bahwa proses prepocessing sudah selesai
uiwait(msgbox('Proses Preprocessing sudah selesai.'));
function proses_Callback(hObject, eventdata, handles)
pilihdata=get(handles.pilihan_data,'Value');
switch pilihdata
case 1
pilihdata=1;
save('pilihdata.mat');
load('dataPrep.mat');
data=dataPrep;
data(:,6:9)=[];
save('data.mat');
set(handles.tunggal_batuk,'Visible','on');
set(handles.tunggal_demam,'Visible','on');
set(handles.tunggal_BBTurun,'Visible','on');
set(handles.tunggal_sesakNapas,'Visible','on');
set(handles.tunggal_batukBerdarah,'Visible','on');
set(handles.tunggal_A,'Visible','off');
set(handles.tunggal_B,'Visible','off');
set(handles.tunggal_C,'Visible','off');
set(handles.tunggal_rontsen,'Visible','off');
case 2
load('dataPrep.mat');
pilihdata=2;
save('pilihdata.mat');
data=dataPrep;
data(:,1:5)=[];
data(:,4)=[];
save('data.mat');
set(handles.tunggal_batuk,'Visible','off');
set(handles.tunggal_demam,'Visible','off');
set(handles.tunggal_BBTurun,'Visible','off');
set(handles.tunggal_sesakNapas,'Visible','off');
set(handles.tunggal_batukBerdarah,'Visible','off');
set(handles.tunggal_A,'Visible','on');
set(handles.tunggal_B,'Visible','on');
set(handles.tunggal_C,'Visible','on');
set(handles.tunggal_rontsen,'Visible','off');
case 3
load('dataPrep.mat');
pilihdata=3;
save('pilihdata.mat');
data=dataPrep;
data(:,9)=[];
save('data.mat');
set(handles.tunggal_batuk,'Visible','on');
set(handles.tunggal_demam,'Visible','on');
set(handles.tunggal_BBTurun,'Visible','on');
set(handles.tunggal_sesakNapas,'Visible','on');
set(handles.tunggal_batukBerdarah,'Visible','on');
set(handles.tunggal_A,'Visible','on');
set(handles.tunggal_B,'Visible','on');
set(handles.tunggal_C,'Visible','on');
set(handles.tunggal_rontsen,'Visible','off');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
case 4
load('dataPrep.mat');
pilihdata=4;
save('pilihdata.mat');
data=dataPrep;
data(:,6:8)=[];
save('data.mat');
set(handles.tunggal_batuk,'Visible','on');
set(handles.tunggal_demam,'Visible','on');
set(handles.tunggal_BBTurun,'Visible','on');
set(handles.tunggal_sesakNapas,'Visible','on');
set(handles.tunggal_batukBerdarah,'Visible','on');
set(handles.tunggal_A,'Visible','off');
set(handles.tunggal_B,'Visible','off');
set(handles.tunggal_C,'Visible','off');
set(handles.tunggal_rontsen,'Visible','on');
case 5
load('dataPrep.mat');
pilihdata=5;
save('pilihdata.mat');
data=dataPrep;
data(:,1:5)=[];
save('data.mat');
set(handles.tunggal_batuk,'Visible','off');
set(handles.tunggal_demam,'Visible','off');
set(handles.tunggal_BBTurun,'Visible','off');
set(handles.tunggal_sesakNapas,'Visible','off');
set(handles.tunggal_batukBerdarah,'Visible','off');
set(handles.tunggal_A,'Visible','on');
set(handles.tunggal_B,'Visible','on');
set(handles.tunggal_C,'Visible','on');
set(handles.tunggal_rontsen,'Visible','on');
case 6
load('dataPrep.mat');
pilihdata=6;
save('pilihdata.mat');
data=dataPrep;
save('data.mat');
set(handles.tunggal_batuk,'Visible','on');
set(handles.tunggal_demam,'Visible','on');
set(handles.tunggal_BBTurun,'Visible','on');
set(handles.tunggal_sesakNapas,'Visible','on');
set(handles.tunggal_batukBerdarah,'Visible','on');
set(handles.tunggal_A,'Visible','on');
set(handles.tunggal_B,'Visible','on');
set(handles.tunggal_C,'Visible','on');
set(handles.tunggal_rontsen,'Visible','on');
end
jmlfold=get(handles.fold,'Value');
switch jmlfold
case 1
jmlfold=3;
case 2
jmlfold=5;
case 3
jmlfold=7;
case 4
jmlfold=9;
end
load('data.mat');
%menentukan jumlah k bedasarkan pilihan jml_fold
k=jmlfold;
%memanggil fungsi untuk membagi data berdasarkan jumlah k
[ dTraining,dTesting ] = k_fold( k ,data );
%memanggil fungsi untuk memisahkan data testing dengan labelnya
[ dLabel,dTesting] = pemisah( k,dTesting );
%memanggil fungsi percobaan
[ ConMatrixAkhir,akurasi_temp] = Percobaan(
k,dTraining,dTesting,dLabel );
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
%menampilkan confusion matrix akhir untuk setiap percobaan
kedalam gui
set(handles.conMatrix,'Data',ConMatrixAkhir);
%mengitung akurasi untuk confusion matrix akhir
[ hasil_akurasi ] = akurasi( ConMatrixAkhir );
%membulatkan hasil akurasi
%hasil_akurasi=round(hasil_akurasi);
%menampilkan hasil akurasi kedalam GUI
set(handles.akurasi,'String',hasil_akurasi);
%menampilkan hasil akurasi untuk setiap percobaan kedalam GUI
set(handles.tabel_akurasi,'Data',akurasi_temp);
%menampilkan hasil akurasi untuk setiap percobaan kedalam bentuk
%diagram
bar(akurasi_temp);
% menjalankan tombol Prediksi
function prediksi_Callback(hObject, eventdata, handles)
%menjalankan pop menu untuk memilih data yang akan digunakan
untuk prediksi
%tunggal
tunggal_1=get(handles.tunggal_batuk,'Value');
switch tunggal_1
case 1
val1=2;
case 2
val1=1;
end
tunggal_2=get(handles.tunggal_demam,'Value');
switch tunggal_2
case 1
val2=2;
case 2
val2=1;
end
tunggal_3=get(handles.tunggal_BBTurun,'Value');
switch tunggal_3
case 1
val3=2;
case 2
val3=1;
end
tunggal_4=get(handles.tunggal_sesakNapas,'Value');
switch tunggal_4
case 1
val4=2;
case 2
val4=1;
end
tunggal_5=get(handles.tunggal_batukBerdarah,'Value');
switch tunggal_5
case 1
val5=2;
case 2
val5=1;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
tunggal_6=get(handles.tunggal_A,'Value');
switch tunggal_6
case 1
val6=1;
case 2
val6=2;
case 3
val6=3;
case 4
val6=0;
end
tunggal_7=get(handles.tunggal_B,'Value');
switch tunggal_7
case 1
val7=1;
case 2
val7=2;
case 3
val7=3;
case 4
val7=0;
end
tunggal_8=get(handles.tunggal_C,'Value');
switch tunggal_8
case 1
val8=1;
case 2
val8=2;
case 3
val8=3;
case 4
val8=0;
end
tunggal_9=get(handles.tunggal_rontsen,'Value');
switch tunggal_9
case 1
val9=1;
case 2
val9=0;
end
load('pilihdata.mat');
if (pilihdata==1)
%mengaktifkan/mengambil dataPrep
load('data.mat');
%membuat data yang sudah dipilih pada pop menu menjadi 1 data
dengan
%variabel yang baru
dataTes=[val1 val2 val3 val4 val5];
%menjalankan fungsi untuk prediksi Tunggal
[ hasil ] = prediksiTunggal( dataTes,data );
%menampilkan hasil prediksi tunggal kedalam GUI
set(handles.hasil_prediksi,'String',hasil);
elseif(pilihdata==2)
load('data.mat');
%membuat data yang sudah dipilih pada pop menu menjadi 1 data
dengan
%variabel yang baru
dataTes=[val6 val7 val8];
%menjalankan fungsi untuk prediksi Tunggal
[ hasil ] = prediksiTunggal( dataTes,data );
%menampilkan hasil prediksi tunggal kedalam GUI
set(handles.hasil_prediksi,'String',hasil);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
elseif(pilihdata==3)
load('data.mat');
%membuat data yang sudah dipilih pada pop menu menjadi 1 data
dengan
%variabel yang baru
dataTes=[val1 val2 val3 val4 val5 val6 val7 val8];
%menjalankan fungsi untuk prediksi Tunggal
[ hasil ] = prediksiTunggal( dataTes,data );
%menampilkan hasil prediksi tunggal kedalam GUI
set(handles.hasil_prediksi,'String',hasil);
elseif(pilihdata==4)
load('data.mat');
%membuat data yang sudah dipilih pada pop menu menjadi 1 data
dengan
%variabel yang baru
dataTes=[val1 val2 val3 val4 val5 val9];
%menjalankan fungsi untuk prediksi Tunggal
[ hasil ] = prediksiTunggal( dataTes,data );
%menampilkan hasil prediksi tunggal kedalam GUI
set(handles.hasil_prediksi,'String',hasil);
elseif(pilihdata==5)
load('data.mat');
%membuat data yang sudah dipilih pada pop menu menjadi 1 data
dengan
%variabel yang baru
dataTes=[val6 val7 val8 val9];
%menjalankan fungsi untuk prediksi Tunggal
[ hasil ] = prediksiTunggal( dataTes,data );
%menampilkan hasil prediksi tunggal kedalam GUI
set(handles.hasil_prediksi,'String',hasil);
elseif(pilihdata==6)
load('data.mat');
%membuat data yang sudah dipilih pada pop menu menjadi 1 data
dengan
%variabel yang baru
dataTes=[val1 val2 val3 val4 val5 val6 val7 val8 val9];
%menjalankan fungsi untuk prediksi Tunggal
[ hasil ] = prediksiTunggal( dataTes,data );
%menampilkan hasil prediksi tunggal kedalam GUI
set(handles.hasil_prediksi,'String',hasil);
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63