Q1 Kelompok1 DATA MINING UNTUK KLASIFIKASI PENYAKIT DEMAM BERDARAH DI DESA PAITON MENGGUNAKAN METODE FEATURE EXTRACTION DAN K-NEAREST NEIGHBOURS

PROPOSAL PROYEK DATA MINING UNTUK KLASIFIKASI
PENYAKIT DEMAM BERDARAH DI DESA PAITON
MENGGUNAKAN METODE FEATURE EXTRACTION DAN KNEAREST NEIGHBOURS
Pembimbing:
Kolonel Lek Dr. Ir. Arwin Datumaya Wahyudi Sumari, S.T.,
M.T., IPM, ASEAN Eng., ACPE
Oleh:
Ivanka Mauludy Juniar (1941720182)
Muhammad Reza Pahlevi (1941720230)
Noorr Afiad (1941720230)
TI-2D
PROGRAM STUDI D4 TEKNIK INFORMATIKA
JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI MALANG
BAB I
PENDAHULUAN
3
1.1 Latar Belakang
3
1.2 Rumusan Masalah
3
1.3 Lingkup dan Batasan Proyek
3
1.4 Maksud dan Tujuan
3
BAB II
LANDASAN TEORI
4
2.1 Studi Literatur
4
2.2 Dasar Teori
4
2.2.1 Feature Extraction
4
2.2.2 K-Nearest Neighbors
4
BAB III
Metodologi Penelitian
5
3.1 Waktu dan Tempat Penelitian
5
3.2 Teknik Pengumpulan data
5
3.2.1 Observasi
5
3.2.2 Wawancara
5
3.3 Teknik Pengolahan Data
5
3.4 Design Sistem
6
3.4.1 Analisa Kebutuhan Sistem dan Piranti
7
BAB I
PENDAHULUAN
1.1 Latar Belakang
Disaat era globalisasi ini dimana segala sesuatu serba cepat dengan adanya teknologi informasi.
Dengan perkembangan saat ini sudah sangat menuntut segala sesuatu untuk serba cepat, dan salah
satunya pengklasifikasian penyakit.
Mengingat saat ini adalah musim hujan dimana nyamuk akan berkembang biak dengan sangat cepat
sehingga banyak orang terkena penyakit yang berasal dari nyamuk seperti demam berdarah, dan juga di
masa pandemik dimana lebih baik untuk mengurangi interaksi dengan pasien maka diperlukan adanya
pengkalsifikasian penyakit ini.
Klasifikasi gejala pasien dengan mengambil data gejala pasien dengan data yang telah ditetapkan di
dalam database akan sangat membantu dokter guna mempermudah dalam diagnosa pasien, khususnya
disaat musim hujan seperti ini dimana kasus penyakit demam berdarah meningkat. Untuk mengatasinya
pada proyek ini akan digunakan metode Feature Extraction yang akan digunakan untuk pencocokan data
pasien berdasarkan gejalanya. Untuk pengklasifikasian akan digunakan metode K-Nearest Neighbors
sehingga akan mempermudah mengkategorikan berdasarkan gejala dari pasien.
1.2 Rumusan Masalah
Dari latar belakang diatas akan disimpulkan rumusan masalah sebagai berikut :
1. Bagaimana mengklasifikasikan penyakit berdasarkan keluhan pasien?
2. Bagaimana membuat klasifikasi yang akurat?
3. Bagaimana cara menerapkan metode Feature Extraction dan K-Nearest Neighbors dari sop
pasien demam berdarah?
4. Bagaimana cara mengurangi interaksi antara pasien dan dokter?
1.3 Lingkup dan Batasan Proyek
Lingkup dari proyek yang akan dilaksanakan melingkupi :
1. Penyakit tertentu dimana kasusnya adalah demam berdarah.
2. Ditujukan kepada pasien di daerah desa paiton.
3. metode yang digunakan feature extraction dan K-Nearest Neighbors.
Adapun batasan pelaksanaan proyek secara keseluruhan maksimal hingga dilakukan penilaian proyek .
1.4 Maksud dan Tujuan
Dengan adanya proyek ini akan memudahkan pengklasifikasian penyakit mengingat di masa pandemic
dimana sangat dianjurkan untuk mengurangi interaksi antara pasien dan dokter juga memudahkan
untuk mendiagnosa pasien demam berdarah.
Untuk mencapai maksud tersebut maka dibentuklah tujuan :
●
Membuat sistem pengklasifikasian yang mampu mengklasifikasikan berdasarkan keluhan pasien.
●
Memudahkan dokter dan pasien.
BAB II
LANDASAN TEORI
2.1 Studi Literatur
Dalam proyek ini ada beberapa literatur yang dijadikan rujukan yang dirangkum sebagai berikut:
Dalam jurnal hasil penelitian Brigita Yulia Lestari Fahik dkk. Pada tahun 2018 yang berjudul “Data Mining
Untuk Klasifikasi Status Gizi Desa Di Kabupaten Malaka Menggunakan Metode K-Nearest Neighbor”
menghasilkan kesimpulan bahwa metode k-Nearest Neighbor mengklasifikasi status desa-desa yang ada
di Kabupaten Malaka berdasarkan nilai tingkat balita dengan berat badan di bawah garis merah kedalam
tiga kelas target yaitu rendah,sedang dan tinggi (Brigita,Bertha & Nelel,2018).
Jurnal hasil penelitian Linda Purnama Muri dkk. Pada tahun 2018 yang berjudul “Prediksi Tingkat
Penyakit Demam Berdarah Di Kota Kendari Menggunakan Metode Modified K-Nearest Neighbor”
menyimpulkan bahwa menggunakan metode Modified K-Nearest Neighbor (MKNN) mampu melakukan
prediksi dengan nilai error terkecil sebesar 0,04% untuk nilai k = 4 nilai error terkecil terbesar 1,58 untuk
nilai k = 4 dan rata - rata error terkecil sebesar 0,28% untuk nilai k = 3 (Linda, Bambang. Jayanti,2018).
Dalam buku yang berjudul Mastering Machine Learning with scikit-learn dapat menentukan metode
yang akan di gunakan penelitian (Hackeling,Gavin,2017).
2.2 Dasar Teori
2.2.1 Feature Extraction
Feature Extraction adalah proses untuk mendapatkan informasi terhadap object ataupun kelompok object
untuk memfasilitasi proses klasifikasi. representasi kata yang paling sering digunakan adalah “The bag-ofwords model” atau Tas kata-kata. dimana representasi yang menggunakan multiset yang mengkodekan
segala syntax, mengabaikan urutan kata, dan mengabaikan semua tata bahasa.
2.2.2 K-Nearest Neighbors
K-Nearest Neighbor (k-NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek
berdasarkan data pembelajaran (neighbor) yang jaraknya paling dekat dengan objek tersebut. Dekat
atau jauhnya neighbor biasanya dihitung berdasarkan jarak Euclidean. diperlukan suatu sistem klasifikasi
sebagai sebuah sistem yang mampu mencari informasi.
BAB III
Metodologi Penelitian
Metode penelitian yang digunakan adalah menggunakan adalah observasi dan wawancara untuk
mengumpulkan data-data (numeric), yang bertujuan untuk mendapatkan gambaran yang jelas suatu
keadaan berdasarkan data yang diperoleh dengan cara menyajikan, mengumpulkan mengumpulkan dan
menganalisis data tersebut sehingga menjadi informasi baru yang dapat digunakan untuk menganalisa
mengenai masalah yang sedang diteliti.
3.1 Waktu dan Tempat Penelitian
penelitian dilakukan secara daring dan luring dengan menggunakan media google meet, google
collaboratory, google dokumen yang akan dilaksanakan selama masa pembelajaran evektif di semester 4
yang dimulai dari februari hingga bulan mei.
3.2 Teknik Pengumpulan data
Dalam penyusunan penelitian ini, untuk mendapatkan data dan informasi yang dibutuhkan, maka
metode yang digunakan dalam proses pengumpulan data adalah dengan 2 metode yaitu observasi dan
wawancara.
3.2.1 Observasi
Nasution (1998) menyatakan bahwa, observasi adalah dasar semua ilmu pengetahuan.Para ilmuwan
hanya dapat bekerja berdasarkan data, yaitu fakta mengenai dunia kenyataan yang diperoleh melalui
observasi.Mursall (1995) menyatakan bahwa “through observation, the researcher learn about behavior
and the meaning attached to those behavior” melalui observasi, peneliti belajar tentang perilaku, dan
makna dari perilaku tersebut.
Melalui metode pengumpulan data ini akan dilakukan pengambilan data dengan cara mengamati SOP
Pasien Demam Berdarah yang akan periksa di puskesmas di daerah desa paiton.
3.2.2 Wawancara
Wawancara adalah suatu tanya jawab secara tatap muka yang dilaksanakan oleh pewawancara dengan
orang yang diwawancarai untuk memperoleh informasi yang dibutuhkan.
Sehingga pengambilan data akan dilakukan dengan cara mengadakan tanya jawab secara langsung
kepada pegawai analis kesehatan/dokter puskesmas paiton.
3.3 Teknik Pengolahan Data
Ada dua pendekatan utama untuk pengurangan dimensi: feature extraction dan feature selection
(Bonev, Escolano, & Cazorla, 2008). Feature extraction merupakan masalah penting dalam klasifikasi
data dengan dimensi besar. Tujuan dari feature extraction adalah untuk menghasilkan satu set fitur yang
memiliki dimensi lebih kecil dari dimensi dari data asli, sementara untuk tetap mempertahankan
karakteristik data asli yang cukup untuk mengklasifikasikan data (Park & Choi, 2009).Pengujian dilakukan
menggunakan metode feature extraction dengan mendiagnosa keluhan-keluhan Pasien Puskesmas Desa
Paiton , lalu yang di extract menjadi beberapa kata, dengan adanya beberapa kata lalu klasifikasi data
pasien dengan metode K-Nearest Neighbor , data tersebut dibagi ke dalam data training dan data
testing. Data yang di gunakan untuk proses data mining di bagi menjadi Data training dan data testing.
Selanjutnya dilakukan normalisasi yaitu dengan proses penskalaan data pasien sehingga bisa jatuh pada
pada range tertentu. Untuk menghitung menggunakan rumus Euclidean maka langkah berikutnya
adalah mengubah data pasien ke data numeric.
3.4 Design Sistem
pada proyek ini proses pengklasifikasian metode K-Nearest Neighbors dibutuhkan 1 buah input yaitu
keluhan pasien dimana nanti akan dicocokan dengan data sop yang telah ditetapkan oleh petugas
puskesmas.
Gambar 1 flowchart Metode feature extraction dan KNN sebagai pengklasifikasi penyakit demam berdarah.
3.4.1 Analisa Kebutuhan Sistem dan Piranti
Pada sub-bab ini akan tercantum kebutuhan lunak dan piranti yang dibutuhkan selama proyek berjalan
Perangkat lunak
No
Nama perangkat lunak
1
Sistem Operasi Windows 7/8/10
2
Google Collaboratory
3
Draw.io
4
Google Docs untuk menyusun laporan
6
Google Meet
Perangkat keras
No
nama perangkat keras
1
Laptop/desktop
2
Processor Intel i5
3
Memory 4.00 GB