Pengelompokan Penyakit Hepatitis dengan Menggunakan Metode Fuzzy C-Means ( Studi Kasus Data Penyakit hepatitis di Rumah Sakit Panti Rapih Yogyakarta ) SKRIPSI Ditujukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Jurusan Teknik Info

Gratis

0
0
73
6 days ago
Preview
Full text

  Pengelompokan Penyakit Hepatitis dengan Menggunakan Metode Fuzzy C-Means ( Studi Kasus Data Penyakit hepatitis di Rumah Sakit Panti Rapih Yogyakarta ) SKRIPSI Ditujukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Jurusan Teknik Informatika Disusun Oleh : RAFAELA ROSI PRIHANINGRUM (095314012) JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA

  Clustering Hepatitis Disease Using Fuzzy C-Means (Case Study HepatitisDataat Panti Rapih Hospital Yogyakarta) A Thesis

  Presented as Partial Fulfillment of the Requirements To Obtain the Sarjana Komputer Degree

  In Study Program of Informatics Engineering

  By Rafaela Rosi Prihaningrum 095314012

INFORMATICS ENGINEERING STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

HALAMAN PERSEMBAHAN

  Skripsi ini saya persembahkan untuk : Tuhan Yesus Kristus, Keluarga tercinta dan Sahabat terkasih Terima kasih untuk segalanya.

  “Be faithful in small things because it’s in them that your strength lies”

  • -Mother Theresa-

PERNYATAAN KEASLIAN KARYA

  Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis tidakmemuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalamkutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

  Yogyakarta, 23 Agustus 2013 Penulis Rafaela Rosi Prihaningrum

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

  Yang bertanda tangan dibawah ini, saya mahasiswa Univer sitas Sanata Dharma : Nama :Rafaela Rosi Prihaningrum NIM :095314012

  Demi pengembangan pengetahuan, saya memberikan kepada perpustakaanUniversitas Sanata Dharma karya ilmiah yang berjudul :

  

Pengelompokan Penyakit Hepatitis

dengan Menggunakan Metode Fuzzy C-Means

  Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikankepada perpustakaan Universitas Sanata Dharma hak untuk menyimpan,mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalandata mendistribusikan secara terbatas, dan mempublikasikan di internet ataumedia lain untuk kepentingan akademis tanpa perlu meminta ijin dari sayamaupun memberikan royalti kepada saya selama tetap mencantumkan nama sayasebagai penulis.

  Demikian pernyataan ini saya buat dengan sebenarnya. Yogyakarta, 23 Agustus 2013 Yang menyatakan, Rafaela Rosi Prihaningrum

  

Pengelompokan Penyakit Hepatitis

dengan Menggunakan Metode Fuzzy C-Means

ABSTRAK

  Kesehatan merupakan faktor terpenting dalam kehidupan seseorang. Jika kesehatan telah terganggu maka aktivitas seseorang akan terganggu. Saat ini terdapat banyak penyakit yang dapat mengakibatkan kematian. Penyakit hepatitis dapat meningkatkan risiko kematian bagi penderita dan dapat juga menjadi pemicu timbulnya penyakit lain yang menyebabkan kematian. Analisis pengelompokkan atau cluster analysis adalah salah satu analisis data yang bertujuan untuk menentukan kelompok atau group dari sekelompok data berdasarkan kesamaan karakteristik.

  Dalam penelitian ini, proses pengelompokkan penyakit hepatitis menggunakanFuzzy C-

  

Means dalam proses pengujian sistem yang dilakukan dengan empatpercobaan yaitu

  percobaan dengan data anamnesa dokter menghasilkan akurasi sebe sar50% , percobaan yang kedua yaitu percobaan dengan data laboratorium menghasilkan akurasi sebesar 83.871%, yang ketiga yaitu percobaan dengan data anamnesa dokter yang telah di PCA (

  

Principal Component Analysis ) menghasilkan akurasi sebesar 40.6504% dan yang terakhir

  adalah percobaan dengan data anamnesa yang telah digabung dengan data laboratorium menghasilkan akurasi sebesar 66.371%.

  ABSTRACT

  Health is the most important factor in a person's life. If health has disrupted the activities of a person will be disturbed. Currently, there are many diseases that can lead to death. Liver disease can increase the risk of death for patients and can also be triggers of other diseases that cause death. Grouping analysis or cluster analysis is one of the data analysis that aims to determine which group or groups from a group of data based on similar characteristics.

  In the research, the process of grouping hepatitis disease using Fuzzy C-Means in the process of testing the system four experiments conducted, first experiments with the anamnesa the data which produce an accuracy of 50%, a second trial is an experiment with laboratory data which produced 83.871% accuracy, the third experiment with anamnesa the data that has been in the PCA (Principal Component Analysis) produces an accuracy of 40.6504% and the last experiment is anamnesa which has been in the pca combined with laboratory data produced 66 371% accuracy.

KATA PENGANTAR

  Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus, karena atas kebaikan dan kehendak-Nya saya dapat menyelesaikan tugas akhir yang berjudul

  “Pengelompokan Penyakit Hepatitis dengan Menggunakan Metode Fuzzy C-Means ”. Tugas akhir ini

  ditulis sebagai salah satu syarat memperoleh gelarsarjana program studi Teknik Informatika, Fakultas Sains dan TeknologiUniversitas Sanata Dharma.

  Dalam proses penulisan tugas akhir ini , penulis mengucapkan terima kasihyang sebesar- besarnya kepada :

  1. Ibu PH.Prima Rosa, S.Si., M.Sc., selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

  2. Ibu Ridowati Gunawan, S.Kom.,M.T., selaku Dosen Pembimbing sekaligus ketua program studi Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta, terimakasih atas segala bimbingan, kesabaran dan mengarahkan serta membimbing penulis dalam menyelesaikan tugas akhir ini.

  3. Ibu Sri Hartati Wijono, S.Si.,M.Kom.dan Bapak Albert Agung Hadhiatma,S.T.,M.T. selaku dosen penguji yang telah memberikan banyak kritik dansaran untuk tugas akhir saya.

  4. Bapak Iwan Binanto, M.Cs., selaku Dosen Pembimbing Akademik Teknik Informatika Tahun 2009.

  5. Seluruh staff dosen Teknik Informatika Universitas Sanata Dharma yang telah banyak memberikan bekal ilmu, arahan dan pengalaman selama sayamenempuh studi.

  6. Seluruh staff Sekretariat Teknik, yang banyak membantu saya dalam urusanadministrasi akademik terutama menjelang ujian tugas akhir.

  7. Kedua orang tua dan kakak saya, terima kasih atas semua yang telah dilakukan untukku, doa, semangat,dukungan dan cintanya sehingga saya bisa menyelesaikan studi denganlancar.

  8. Estu Karunianingtyas, terimakasih atas bantuan yang diberikan dalam penyusunan tugas akhir ini.

  10. Seluruh pihak yang telah ambil bagian dalam proses penulisan tugas akhirini yang tidak bisa saya sebutkan satu per satu.

  Dengan rendah hati penulis menyadari bahwa tugas akhir ini masih jauh darisempurna, oleh karena itu berbagai kritik dan saran untuk perbaikan tugas akhir ini sangat penulis harapkan.Akhir kata, semoga tugas akhir ini bermanfaat bagi semua pihak.Terima kasih.

  Yogyakarta, 23 Agustus 2013 Penulis Rafaela Rosi Prihaningrum

  

Daftar Isi

HALAMAN PERSETUJUAN ..............................

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  ERROR! BOOKMARK NOT DEFINED.

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

DAFTAR GAMBAR

Gambar Keterangan Halaman

  36

  4.7 Akurasi

  37

  4.6 Fungsi Objektif

  37

  4.5 Nilai derajat keanggotaan iterasi terakhir

  36

  inisialisasi data

  4.4

  36

  4.3 Data awal

  dialog box untuk memilih data

  2.1 (Kohavi&Provost,1998) : Confusion Matrix

  4.2

  35

  4.1 Halaman Pengelompokkan Penyakit Hepatitis

  26

  3.3 Perancangan Antarmuka

  26

  3.2 Use Case Diagram

  25

  3.1 Flowchart Sistem

  10

  37

  DAFTAR TABEL Tabel Keterangan Halaman

  4.4 Communalities

  4.9 Fungsi FFCM_InitV

  34

  4.8 Component Score Coefficient Matrix

  34

  4.7 Score Faktor

  33

  4.6 Conponent Matrix

  32

  4.5 Total Variance Explained

  31

  31

  2.1 Nilai normal pemeriksaan laboratorium

  4.3 KMO and Bartlett;s Test

  29

  4.2 Deskripsi data gejala Laboratorium

  28

  4.1 Deskripsi data gejala anamnesis

  15

  2.3 Jenis Hepatitis

  14

  2.2 Kegunaan pemeriksaan labratorium

  14

  34

  4.11 Hasil Pengujian data laboratorium

  39

  4.12 Hasil Pengujian data anamnesa dokter(PCA)

  40

  4.13 Hasil Pengujian data anamnesa dokter(PCA) dan

  data laboratorium

  41

BAB I PENDAHULUAN Bab pendahuluan ini berisi tentang hal-hal yang mendasari dilakukannya penelitian serta

  pengidentifikasian masalah penelitian. Komponen-komponen yang terdapat dalam bab pendahuluan ini meliputi latar belakang masalah, perumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan sistematika penulisan.

1.1 Latar Belakang

  Kesehatan merupakan faktor terpenting dalam kehidupan seseorang. Jika kesehatan telah terganggu maka aktivitas seseorang akan terganggu. Saat ini terdapat banyak penyakit yang dapat mengakibatkan kematian.Salah satunya adalah penyakit hepatitis.Indonesia merupakan Negara ketiga dengan penderita hepatitis terbanyak setelah China dan India.Penderita hepatitis B dan C di Indonesia diperkirakan mencapai 30 juta orang.( Dimyati, Vien, 2011).

  Hepatitis merupakan salah satu penyakit yang membahayakan jika tidak segera ditangani.Penyakit yang menyerang hati atau liver ini semakin berbahaya karena gejalanya yang tidak selalu tampak.Fungsi utama dari hati atau liver adalah menyaring racun-racun yang ada pada darah. Selain itu, masih ada sekitar 500 fungsi lain dari hati. Jika seseorang menderita hepatitis, yang merupakan peradangan pada hati atau liver ini, dapat menghancurkan kesehatan orang tersebut secara keseluruhan karena racun tetap mengendap pada darah dan merusak atau mengganggu kerja organ lain. Akibat lainnya adalah hati menolak darah yang mengalir sehingga tekanan darah menjadi tinggi dan pecahnya pembuluh darah.

  Ada 5 macam virushepatitis yang dinamai sesuai abjad. Kelima virus itu adalah virushepatitis A (VHA), virus hepatitis B (VHB), virus hepatitis C (VHC), virus hepatitis D (VHD) dan virus hepatitis E (VHE). Virus-virus ini terus berkembang dan bahkan

  Penyakit hepatitisdipilih dalam penelitian ini karena banyaknya orang tidak sadar jika sudah terkena penyakit hepatitissehingga menyebabkan keterlambatan penanganan dan dapat berakibat fatal.Di harapkan dengan adanya penelitian ini dapat membantu dalam pendeteksian penyakit hepatitis agar dapat di lakukan penanganan lebih lanjut dan supaya orang mengenal status kesehatan lebih dini.

  Analisis pengelompokkan atau cluster analysis adalah salah satu analisis data yang bertujuan untuk menentukan kelompok atau group dari sekelompok data berdasarkan kesamaan karakteristik. Analisis ini sudah banyak digunakan untuk menyelesaikan permasalahan dan penelitian dalam beberapa disiplin ilmu, seperti bidang akademik, bidang kesehatan,bidang kewilayahan dan bidang marketing.

  Perkembangan analisis kelompok dimulai dari metode hirarki yang secara garis besar membentuk sebuah tree diagram yang biasa disebut dendogram. Sedangkan metode nonhirarki lebih dikenal dengan cara partisi, contohnya K-means, metode ini menentukan terlebih dahulu jumlah kelompok yang akan dibentuk. Perkembangan lebih lanjut dari analisa kelompok adalah dengan mempertimbangkan tingkat keanggotaan yang mencangkup himpunan fuzzy sebagai dasar pembobotan bagi pengelompokkan yang disebut dengan fuzzy

  clustering.

  Dalam teknik fuzzy clustering, terdapat beberapa algoritma salah satunya adalah Fuzzy

  

C-Means.Fuzzy C-Meansadalah salah satu teknik pengelompokkan data yang mana

keberadaan tiap titik data dalam suatu kelompok (cluster) ditentukan oleh derajat keanggotan.

  Metode Fuzzy C-Meanstermasuk metode supervised clusteringdimana jumlah pusat clusterditentukan di dalam proses clustering.

  Konsep dasar Fuzzy C-Means adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat.Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimalisasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.

  Algoritma Fuzzy C-Means sering dipakai dalam berbagai bidang baik bisnis,kesehatan atau pendidikan. Beberapa penelitian yang menggunakan algoritma Fuzzy C-Means misalnya penelitian dalam pengelompokkan wilayah kecamatan menurut partisipasi sekolah, pengembangan algoritma Fuzzy C-means untuk brain medical image analysis, dan penelitian lainnya.

  Pada penelitian ini algoritma Fuzzy C-means digunakan untuk mengelompokan orang yang terkena penyakit hepatitis A, hepatitis B, hepatitis C. Algoritma Fuzzy C-means ini di pilih karena metode ini dapat memberikan hasil yang cukup baik dalam hal meningkatkan homogenitas tiap kelompok yang dihasilkan.

  Pendeteksian penyakit hepatitis sudah pernah dilakukan oleh Estu Karunianingtyas (Karunianingtyas,2011) menggunakan metode naïve Bayesiandengan 26 atribut dari data

  

anamnesis dokter, namun tingkat keakuratan yang didapat masih rendah karena hanya

  mencapai 51.11% maka dari itu penulis ingin melanjutkan penelitian dengan menggunakan metode Fuzzy C-means.

  1.2 Rumusan Masalah

  Dari uraian diatas maka permasalahan yang dicoba untuk diselesaikan adalah :

  1. Apakah metode Fuzzy C-means dapat dipergunakan untuk mengelompokkan orang berpenyakit hepatitis dengan memberikan keakuratan yang baik ?

  1.3 Tujuan

  Tujuan yang ingin dicapai dalam penelitian ini adalah :

  1. Menganalisis, mendisain, mengimplementasikan metode Fuzzy C-Means untuk mengelompokkan penyakit hepatitis.

  2. Mengetahui tingkat keakuratan metode Fuzzy C-Means dalam mengelompokkan orang yang berpenyakit hepatitis.

  1.4 Batasan Masalah

  Batasan masalah dalam penelitian ini adalah :

  1. Data set yang di gunakan adalah data hasil pemeriksaan laboratorium rumah sakit dan data hasil anamnesa.

  2. Jenis hepatitis yang akan diteliti hanya 3 jenis yaitu hepatitis A, hepatitis B, dan hepatitis C karena jenis hepatitis D dan hepatitis E jarang ditemukan.

  1.5 Manfaat

  Manfaat yang diproleh dalam penelitian ini antara lain :

  1. Memberikan gambaran tentang langkah

  • – langkah analisis, design dan implementasi metodeFuzzy C-means dalam mengelompokkan orang yang berpenyakit hepatitis.

  2. Sebagai referensi untuk penelitian yang berhubungan dengan clustering penyakit hepatitis yang lebih lanjut lagi.

  1.6 Metodologi Penelitian

  Metodologi yang digunakan adalah sebagai berikut: 1. Melakukan pengumpulan data.

  2. Melakukan normalisasi pada data laboratorium.

  3. Mengekstrak data anamnesis dokter menggunakan metode PCA ( Principal Component Analysis).

  4. Menggabungkan data laboratorium yang sudah di normalisasi dengan data anamnesis yang sudah di ekstraks.

  5. Menghitung data dengan menggunakan metode FCM ( Fuzzy C-Means).

  6. Menghitung nilai keakuratan hasil pengelompokkan dengan menggunakan Confusion Matrix.

1.7 Sistematika Penulisan

  Penulisan tugas akhir ini tersusun dari 5 (lima) bab dengan sistematikapenulisan sebagai berikut :

BAB I PENDAHULUAN Bab pendahuluan ini berisi tentang hal-hal yang mendasari dilakukannya

  penelitian serta pengidentifikasian masalah penelitian. Komponen-komponen yang terdapat dalam bab pendahuluan ini meliputi latar belakang masalah, perumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan sistematika penulisan.

  BAB II LANDASAN TEORI Bab ini menjelaskan tentang dasar teori yang digunakan dalam penyusunan

  tugas akhir ini untuk memperjelas materi-materi yang sudah sedikit dijelaskan pada

  bab 1. Penjelasan yang diberikan mulai dari Fuzzy logic dan dilanjutkan dengan Fuzzy

  clustering dan Fuzzy C-means. Kemudian menjelaskan tentang permasalahan penyakit

  hepatitis dan yang terakhir mengenai pengujian keakuratan metode

  BAB III Desain dan Analisis SISTEM Bab ini berisi tentang desain dan analisis system meliputi contoh perhitungan, perancangan antarmuka, dan usecase. BAB IV IMPLEMENTASI SISTEM DAN HASIL Bab ini berisi implementasi program dari sistem yang akan dibuat, pembahasan penerapan algoritma Fuzzy C-Means, implemantasi antarmuka dan hasil implementasi. BAB V PENUTUP Bab ini berisi kesimpulan dari sistem yang telah dibuat, serta saran untuk pengembangan dan penyampurnaan Tugas Akhir yang dibuat.

BAB II TINJAUAN PUSTAKA Bab ini menjelaskan tentang dasar teori yang digunakan dalam penyusunan tugas akhir ini

  untuk memperjelas materi-materi yang sudah sedikit dijelaskan pada bab 1. Penjelasan yang diberikan mulai dari Fuzzy logic dan dilanjutkan dengan Fuzzy clustering dan Fuzzy C-

  

means.Kemudian menjelaskan tentang permasalahan penyakit hepatitis dan yang terakhir

mengenai pengujian keakuratan metode.

2.1 Fuzzy Logic

  Teori Himpunan Fuzzyakan memberikan jawaban terhadap suatu masalah yangmengandung ketidak pastian. Aplikasi logika fuzzy untuk mendukung keputusan semakindiperlukan ketika semakin banyak kondisi yang menuntut adanya keputusan yang tidakhanya bisa dijawab dengan „Ya‟ atau „Tidak‟.Fuzzy Logic memberikan rata-rata dariperhitungan angka, yang terletak antara nilai benar mutlak dan nilai salah mutlak, yangberupa range antara 0.0 dan 1.0. Dengan Fuzzy Logic, pengguna dimungkinkan untukmenghitung derajat keanggotaan dari sebuah data. Fuzzy Logic berurusan dengan kondisiyang tidak pasti, dimana benar dan salah tidak dapat ditentukan secara mutlak.

  Konsep dari Fuzzy Logic diperkenalkan oleh Professor Lotfi A. Zadeh, di Barkley pada Universitas California (University of California) pada 1960an.Logika Fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika Fuzzy modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep tentang logika fuzzy itu sendiri sudah ada sejak lama.

  Ada beberapa alasan mengapa orang menggunakan logika Fuzzy, antara lain :

  1. Konsep logika Fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran Fuzzy sangat sederhana dan mudah dimengerti.

  2. Logika Fuzzy sangat fleksibel.

  3. Logika Fuzzy memiliki toleransi terhadap data-data yang tidak tepat.

2.2 Himpunan Fuzzy

  2.2.1 Himpunan Tegas (Crisp)

  Pada himpunan tegas, nilai keanggotaan suatu item (x) dalam suatu himpunan

  A, sering ditulis dengan µA(x), memiliki dua kemungkinan yaitu :

  a. 1 (satu), yang bearti suatu item menjadi anggota dalam suatu himpunan b. 0 (nol), yang bearti suatu item tidak menjadi anggota himpunan tersebut.

  2.1.1 Himpunanfuzzy Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1.

  Apabila x memiliki nilai keanggotaan fuzzy µA(x)=0 bearti x tidak menjadi anggota himpunan A. demikian pula, apabila x memiliki nilai keanggotaan µA(x)=1 bearti x menjadi anggota penuh himpunan A.

2.3 Fuzzy Clustering

  Fuzzy clustering adalah salah satu teknik menentukan cluster optimal dalam suatu ruang

  vektor yang didasarkan pada bentuk normal euclidean untuk jarak antar vektor (Kusumadewi,2004).

  Metode ini merupakan pengembangan dari metode partitioning data dengan pembobotan fuzzy. Keunggulan utama fuzzy clustering adalah dapat memberikan hasil pengelompokkan objek

  • – objek yang tersebar tidak teratur, karena jika terdapat suatu data yang penyebarannya tidak teratur maka terdapat kemungkinan suatu titik data mempunyai sifat atau karakteristik dari cluster lain sehingga diperlukan pembobotan kecenderungan titik data terhadap suatu cluster.

  Dalam teori logika fuzzy suatu nilai bisa bernilai benar atau salah secara bersama.Namun berapa besar keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya.Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1. keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi. 2004).

1.4 Fuzzy C-Means

  Dalam teknik clustering data terdapat beberapa algoritma, salah satunya adalah Fuzzy

  

C-means. Fuzzy C-means merupakan pengembangan dari metode K-mean clustering karena

  pada awalnya ditentukan dulu jumlah kelompok atau cluster yang akan dibentuk. Kemudian dilakukan iterasi sampai mendapatkan keanggotaan kelompok tersebut.

  Konsep dasar Fuzzy C-means, pertama kali adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat.Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.

  Algoritma pengelompokan Fuzzy C-means menurut Kusumadewi diberikan sebagai berikut : i. Tentukan :

  1. Matriks X berukuran n x m dengan n = jumlah data yang akan di cluster dan m= jumlah variabel (criteria)

  2. Jumlah cluter yang akan di bentuk = C 3. w> 1 adalah tingkat ke fuzzy-an dari hasil pengelompokkan. Parameter ini disebut dengan fuzzier, nilai dari w yang sering dipakai dan dianggap paling halus adalah w=2 (Klawoon dan Hopper,2001)

  4. Iterasi tertinggi

  5. Kriteria penghentian = e (nilai positif yang sangat kecil) 6.

  Iterasi awal t=1,dan ∆=1 ii. Bentuk matriks partisi awal U ik seperti rumus (2,1) sebagai berikut Matrik partisi U mempunyai komponen i= banyaknya data, k = banyaknya

  ik cluster. Matrik ini random dengan kisaran nilai 0 sampai 1.

  iii. Hitung pusat cluster dengan menggunakan rumus (2,2) : ∑

  (2,2)

  ∑ iv. Hitung fungsi objektif pada iterasi ke

  • –i dengan menggunakan rumus (2,3)

  (2,3) ∑ ∑

  d merupakan ukuran jarak untuk jarak Euclidean antara pusat cluster ke-i

  ik

  dengan data ke-k. untuk menghitung d ik digunakan rumus (2,4) :

  (2,4)

[∑ ]

  v. Perbaiki drajat keanggotaan tiap data pada tiap cluster dengan menggunakan rumus (2,5)

  (2,5) [∑ ]

  vi. Cek kondisi berhenti jika : a) Jika: (|Pi-Pi-1 |<e) atau (t>MaxIter) maka berhenti.

  b) Jika tidak: t=t+1, ulangi langkah iii. Dari algoritma tersebut dapat disimpulkan bahwa langkah pertama yang dilakukan adalah menentukan matriks derajat keanggotaan secara acak yang kemudian dijadikan acuan

  

cluster bergerak menuju lokasi yang tepat. Langkah ini dilakukan berdasarkan minimisasi

fungsi objektif.

  Output dari Fuzzy C-means merupakan matriks pusat cluster berukuran c x p dan matriks derajat keanggotaan untuk tiap

  • – tiap data berbentuk n x c. Pengelompokkan cluster dapat dilihat dari kedua output ini. Matriks pusat cluster menunjukkan pusat cluster untuk tiap
  • – tiap variabel yang diamati dalam setiap cluster-nya. Matriks derajat keanggotaan menunjukkan kecenderungan suatu data untuk masuk kedalam cluster tertentu. Semakin besar nilai derajat keanggotaannya, maka semakin besar peluang data tersebut masuk kedalamclustertertentu.

2.5 Confusion Matrix

  Validasi merupakan proses untuk menilai hasil metode cluster. Oleh karena itu, proses ini bertujuan untuk menjamin bahwa solusi cluster yang di hasilkan dalam analisis

  cluster dapat menggambarkan populasi sebenarnya.

  Confusion Matrix merupakan bagian dari uji validasi dengan metode external test.Uji

  validasi external test ini digunakan untuk mengukur sejauh mana label pada cluster dengan label pada class yang disediakan.

  Menurut Kohavi dan Provost (Kohavi dan Provost,1998) confusion Matrix berisi informasi tentang actual (fakta)dan predicted (prediksi). Confusion matrix pada gambar 2.1 berbentuk matrix 2 x 2 yang digunakan untuk mendapatkan jumlah ketepatan yang didapat dengan menggunakan algoritma tertentu

  Predicted Negative Positif

  Negative A B Actual

  Positive C D

Gambar 2.1 (Kohavi&Provost,1998) : Confusion Matrix

  Keterangan : A, jikaactual dan predicted bernilai negative.

  B, jika actual bernilai negative dan predicted bernilai positive.

  C, jika actual bernilai positive dan predicted bernilai negative D, jika actual dan predicted bernilai positive.

  Rumus yang digunakan untuk menghitung akurasi dengan confusion

  matrix,yaitu : (2,6)

2.6 Data Preparation

  Proses preparasi ini dilakukan sehingga data dapat lebih mudah untuk diolah. Terdapat 3 hal dalam data preparationyaitu :

  1. Data Selection: Memilih data yang akan digunakan dalam proses data mining. Dalam

  proses ini dilakukan juga pemilihan atribut-atribut yang disesuaikan dengan proses data mining.

  2. Data Preprocessing: Memastikan kualitas data yang telah dipilih pada tahap dataselection, pada tahap ini masalah yang harus dihadapi adalah noisy data dan missing values. Proses pembersihan data (cleansing) dilakukan dengan melakukan

  metode-metode query sederhana untuk menemukan anomali-anomali data yang bisa saja masih terdapat pada sistem.

  3. Data Transformation: Mengelompokkan atribut-atribut atau field-yang telah terpilih menjadi 1 tabel dengan cara melakukan denormalisasi.

  2.7 PCA (Principal Component Analysis)

  Terdapat dua metode Dimensionality Reduction yang paling sering digunakan yaitu

  

Feature Selection dan Feature Extraction.Feature selection merupakan sebuah proses

  pemilihan subset feature dari feature asli, sedangkan feature extraction adalah proses mengekstrak feature baru dari feature asli melalui pemetaan fungsional.

  Salah satu metode feature extraction adalah PCA ( Principal Component Analysis ). Prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan variabel dengan cara menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal component

  Analisis Komponen Utama (Principal Component Analysis) atau PCA adalah suatu metodeyang melibatkan prosedur matematika yangmengubah dan mentransformasikan sejumlah besarvariabel yang berkorelasi menjadi sejumlah kecilvariabel yang tidak berkorelasi, tanpa menghilangkaninformasi penting di dalamnya

  2.8 Hepatitis

  Hepatitis telah menjadi masalah global. Saat ini diperkirakan 400 juta orang di dunia terinfeksi hepatitis B kronis, bahkan sekitar 1 juta orang meninggal setiap tahun karena penyakit ini (Wening,2008).

  Hepatitis adalah istilah umum yang berarti radang hati.“Hepa” berarti kaitan dengan hati, sementara “itis” berarti radang.Hepatitis atau peradangan hati dapat diartikan sebagai suatu proses peradangan yang menimpa sel-sel hati (Cahyono,2008). Secara objektif, adanya hepatitis dibuktikan melalui biopsi jaringan hati (pengambilan sedikit jaringan hati menggunankan jarum).Namun, secara sederhana pemeriksaan dapat digantikan dengan pemeriksaan darah.

  upakan salah satu penyakit yang membayakan jika tidak segera ditangani.Penyakit yang menyerang hati atau liver ini semakin berbahaya karena gejalanya yang tidak selalu tampak.

  Hati adalah organ yang terbesar dalam tubuh. Kurang lebih sama besar dengan buah pepaya, dan terletak di perut kanan-atas.Fungsi utama dari hatiatau liver adalah menyaring racun-racun yang ada pada darah. Selain itu, masih ada sekitar 500 fungsi lain dari hati. Jika seseorang menderita hepatitis, yang merupakan peradangan pada hati atau liver ini, dapat menghancurkan kesehatan orang tersebut secara keseluruhan karena racun tetap mengendap pada darah dan merusak atau mengganggu kerja organ lain. Akibat lainnya adalah hati menolak darah yang mengalir sehingga tekanan darah menjadi tinggi dan pecahnya pembuluh darah.

  Ada 5 macam virus hepatitis yang dinamai sesuai abjad. Kelima virus itu adalah virus hepatitis A (VHA), virus hepatitis B (VHB), virus hepatitis C (VHC), virus hepatitis D(VHD), virus hepatitis E (VHE).

  Diagnosis hepatitis dapat dipastikan melalui anamnesis dengan dokter serta pemeriksaan fisik dan laboratorium. Dokter akan menanyakan hal

  • – hal yang terkait dengan penularan hepatitis karena hepatitis jenis A, B, C, dan jenis lainnya memberikan gejala yang hampir sama.

  Pemeriksaan laboratorium pada pasien yang diduga mengidap penyakit hepatitis dilakukan untuk memastikan diagnosis, mengetahui penyebab dan menilai fungsi hati.Secara garis besar, pemeriksaan laboratorium dibadakan menjadi dua yaitu, tes seralogi dan biokimia hati.

  Tes seralogi dilakukan dengan cara memeriksa kadar antigen maupun antibodi terhadap virus penyebab hepatitis. Tes ini bertujuan untuk memastikan diagnosis serta mengetahui jenis virus penyebabnya. Tes biokimia hati dilakukan dengan cara memeriksa parameter zat

  • – zat kimia maupun enzim yang dihasilkan atau diproses oleh jaringan hati. Tes biokimia hati dapat dipergunakan untuk mengetahui derajat keparahan atau kerusakan sel sehingga dapat menilai fungsi hati.

  Penderita penyakit hati secara umum termasuk hepatitis, akan diperiksa darahnya untuk beberapa jenis pemeriksaan parameter biokimia, seperti AST, ALT (alanin

  

aminotransferase), alkaline fosfatase,bilirubin, albumin, dan protombin (Wening, 2008).

Tabel 2.1 : Nilai normal pemeriksaan laboratorium

  Parameter Biokimia Hati Rentang Nilai Normal ≥ 37 U/L (Pria) | ≥ 31 U/L (wanita)

  AST / SGOT ≥ 42 U/L (Pria) | ≥ 32 U/L (wanita)

  ALT / SGPT NEGATIF : < 1,0 S/CO

  HBsAg atau < 1,0 COI (ECLIA) NEGATIF : < 1,0 COI

  Anti HAV POSITIF : >= 1,0 COI (EIA) NEGATIF : < 1,0 S/CO

  Anti HCV atau < 1,0 COI (EIA)

Tabel 2.2 : Kegunaan Pemeriksaan Laboratorium Jenis Pemeriksaan Kegunaan

  SGOT Untuk mengetahui fungsi hati , membantu mendiagnosis kelainan hati SPGT Untuk mengetahui fungsi hati, membantu mendiagnosis kelainan hati

  HBsAg Untuk mengetahui adanya infeksi virus Hepatitis B. Jika HBsAg positif maka terinfeksi virus hepatitis B. Jika HBsAg positif selama lebih dari 6 bulan, berarti pasien menderita Hepatitis B kronis dan disarankan untuk rutin memeriksakan fungsi hati (SGOT, SGPT,

  Protein Total, Albumin, AFP) paling tidak 6 bulan

  • – 1 tahun sekali Anti HAV/ IgM Untuk mengetahui adanya antibody terhadap virus Hepatitis A Anti HAV
  • – obatan, alkohol, dan lain – lain. Pada saat ini penyakit hepatitis yang sering menjadi masalah adalah hepatitis virus, terutama akibat virus hepatitis B dan C sebab kedua jenis hepatitis ini sering menimbulkan hepatitis kronis yang dapat berakhir menjadi sironishati dan kanker hati (Cahyono,2008).

  Pada fase awal hepatitis, penderita belum merasakan gejala yang spesifik. Keluhan yang dirasakan antara lain mual, muntah, tidak nafsu makan, badan terasa lemas, dan mudah lelah.

  Penularan Mulut (Peroral)

  Calici Virus

  diliputi HBsAg

  DefectiveVirus

  Picorna Virus HepadnaVirus Flavi Virus

  Tidak Ya Ya Ya Tidak Penyebab

  Carrier Kronik

  Tidak Ya Ya Ya Tidak

  Cronisitas

  Darah (Parental) Oral (Peroral)

  Darah (Parental)

  Darah (Parental)

  15

  4

  5

  40

  15

  • – 80 hari

  Masa Tunas

  D Virus Hepatitis E

  Virus Hepatitis A Virus Hepatitis B Virus Hepatitis

C

Virus Hepatitis

Tabel 2.3 : Jenis Hepatitis Sifat

  Menurut Cahyono (2008), perbedaan dari setiap jenis hepatitis dapat dilihat pada tabel 2 dibawah ini :

  2.8.2 Jenis dan Gejala Hepatitis

  Penyebab hepatitis sendiri sangat banyak,misalnya hepatitis akibat virus, bahan kimia, obat

  2.8.1 Penyebab Hepatitis

  • – 45 hari
  • – 12 minggu
  • – 20 minggu
  • – 40 hari

  Hepatitis A merupakan jenis hepatitis yang paling ringan. Hal ini disebabkan infeksi virus hepatitis A (VHA) umumnya tidak sampai menyebabkan kerusakan jaringan hati (Wening, 2008). Mereka yang terinfeksi virus ini dapat pulih sepenuhnya. Hepatitis A ini menular melalui makanan atau minuman yang telah terkontaminasi oleh virus VHA.

  Hepatitis B merupakan jenis hepatitis yang paling berbahaya.Penyakit ini lebih sering menular dibandingkan dengan jenis hepatitis lainnya. Hepatitis B menular melalui kontak darah atau cairan tubuh yang mengandung virus hepatitis B (VHB) maupun material lain yang terinfeksi, seperti jarum suntik, alat bedah, jarum akupuntur, dan alat

  • – alat yang dapat menimbulkan luka lecet milik individu yang terinfeksi .Hepatitis B kronis memberikan gejala yang lebih serius yaitu mudah lelah, cemas, tidak nafsu makan, mual, muntah dan merasa lemas.Hepatitis B kronis dapat membuat penumpukan cairan dalam rongga perut sehingga perut terlihat membuncit.Seseorang dapat mengidap virus ini tetapi tidak disertai dengan gejala klinik atau tidak tampak adanya kelainan atau gangguan kesehatan. Orang tersebut merupakan pembawa atau biasa disebut carrier.

  Carrier dapat terjadi karena individu tersebut memiliki pertahanan tubuh yang baik

  atau karena virus VHB mengalami perubahan sifat yang tidak aktif (Wening, 2008).Virus yang tidak aktif ini akan membuat pertahanan tubuh tidak dapat mengenalinya sebagai “musuh” sehingga sistem imun tidak mengadakan perlawanan, suatu saat ketika pertahanan tubuh dalam kondisi lemah maka virus akan aktif dan akan muncul gejala hepatitis. Carrier jumlahnya relatif banyak dan berpotensi menularkan.

  Hepatitis C juga menyebabkan peradangan hati yang cukup berat. Hepatitis C menular melalui darah, biasanya karena transfusi atau jarum suntik yang terkontaminasi virus hepatitis C (VHC).Pada penderita hepatitis C keluhan yang dirasakan adalah merasalemas, mual, muntah, hilang nafsu makan, demam, mual, dan nyeri ulu hati. Sebagian dari penderita mengeluh bahwa urin berwarna gelap, feses berwarna putih, serta kulit, kuku dan bola mata bagian putih berwarna kuning. Jika diraba, perut bagian atas kanan membesar karena terjadi pembesaran hati maupun terasa adanya tegangan didaerah hati.

2.8 Contoh Penggunaan Fuzzy C-Means

  Terdapat data gejala yang telah dirubah kedalam bentuk biner

  Pegal NyeriSendi Normal Linu-linu

  1

  1

  1

  1

  1

  1

  1

  1

  1

  1

  1

  1 Data tersebut akan dibagi dalam tiga kelompok. Pertama tentukan : banyaknya cluster c

  3 Pembobot w

  2 maksimum iterasi maxiter 5 error e 0.01 fungsi objektif P0

  Iterasi awal iter

  1 Kemudian bentuk matriks partisi U ik dengan i=banyaknya data dan k=banyaknya cluster. i k1 k2 k3 1 0.440986528 0.490279156 0.069 2 0.555826368 0.384816328 0.059 3 0.156206358 0.306739378 0.537 4 0.460986631 0.075301468 0.464 5 0.426768818 0.216412813 0.357 6 0.095909122 0.285092664 0.619 7 0.32906622 0.398552921 0.272 8 0.019634378 0.466853598 0.514 9 0.311402432 0.347649768 0.341

  10 0.321789912 0.537765533

  11

  25

  24

  20 21 22 23

  19

  18

  17

  16 0.883904 0.48318 0.933401 0.336406 0.756065 0.123037 0.1054 0.001321 0.710058 0.647889 0.730909 0.086154 0.889208 0.004009 0.0331 0.007138 0.94078 0.484568 0.508542 0.083062 0.409287 0.093653 0.0555 0.315987

  15

  14

  13

  12

  10

  0.14 11 0.695747687 0.031368532 0.273 12 0.047758847 0.100471348 0.852

  9

  8

  0 0.106082

  7 1 0.00532574 0.001543791 0.712869 0.280262 0.934722 0 0.161594 2 0.05747037 0.161248551 0.780585 0.000696 0.738046 0 0.118575 3 0.1668799 0.430836171 0.369851 0.032433 0.824529

  6

  5

  4

  3

  2

  1

  Langkah selanjutnya adalah menghitung pusat kluster V ij dan didapat hasil : vij

  26

0.014127 0.644569 0.355431 0.752799 0.638885 0.412827 0.059952236 0.805538

0.066529 0.57227 0.42773 0.740745 0.563643 0.650965 0.204483286 0.369964

0.125621 0.608367 0.391633 0.656525 0.33848 0.522367 0.008590829 0.35201 Lalu hitung fungsi objektif pada iterasi ke-i Pk1 0.425421188

  0.400981585 0.097718459 0.878426136 0.739858999 0.050045697 0.314062712

  0.00157452 0.449803355 0.569634953 1.205474338 0.013652833 pk2

  0.569272 0.332846 0.341193 0.024486 0.206732 0.377365

  0.31748 0.700377 0.520319 0.965603 0.004561 0.056323 pk3 p kluster

0.015653 1.010346315

  

0.011176 0.745003756

1.127077 1.565988973

0.905885 1.808796982

0.647684 1.594275499

1.617009 2.044419013

0.211604 0.843146995

  

0.82873 1.530682167

0.618954 1.589076395

0.106368 1.641606159

0.34855 1.558585765

1.911485 1.981460854

total 17.91338887

  Kemudian setelah fungsi objektif diperoleh, yang dilakukan adalah memperbaiki derajat keanggotaan dan diperoleh derajatkeanggotaan yang baru sebagai berikut :

K1 K2 K3

  0.28

  0.34

  0.30

  0.32

  0.38

  6

  0.38

  0.33

  0.30

  5

  0.33

  0.33

  0.30

  4

  0.34

  0.31

  1

  3

  0.47

  0.33

  0.19

  2

  0.42

  0.35

  8

  0.42

  5

  14.23399458

  4

  

14.261227

  3

  14.52300538

  2

  17.91338887

  1

  Iterasi Fungsi Objektif

  Setelah mengalami 6 kali iterasi maka diperoleh fungsi objektif sebagai berikut :

  apakah (|Pi-Pi-1 |<e) atau (t>MaxIter) ? Jika tidak: t=t+1, ulangi langkah dari menghitung pusat kluster.

  0.19 Setelah dibentuk derajat keanggotaan yang baru kemudian cek kondisi berhenti

  0.39

  12

  0.39

  0.40

  0.39

  0.21

  11

  0.38

  0.23

  0.39

  10

  0.37

  0.30

  0.33

  9

  0.30

  0.31

  14.22633765 14.22406823 Dan derajat keanggotaan yang diperoleh pada iterasi keenam adalah :

K1 K2 K3

  0.32

  0.34

  0.33

  0.33

  0.32

  0.34

  0.34

  0.34

  0.35

  0.34

  0.34

  0.33

  0.33

  0.33

  0.33

  0.34

  0.34

  0.35

  0.33

  0.32

  0.32

  0.35

  0.32

  0.33

  0.35

  0.33

  0.33

  0.34

  0.34

  0.33

  0.34

  0.33

  0.32

  0.32

  0.34

  0.31 dari matriks derajat keanggotaan diatas maka dapat disimpulkan pengelompokkan data setelah iterasi keenam : K1 K2 K3

  X X

  X X

  X X

  X X

  X X

  X X

  X X Setelah data dikelompokkan dengan menggunakan Fuzzy C-Means maka hasil pengelompokkan tersebut dihitung dengan menggunkana confusion matrix sebagai berikut

  Hepatitis\Kelompok a b c K1

  3

  2

  1 K2

  1

  2

  2 K3

  3

BAB III ANALISIS dan DESAIN SISTEM Bab ini berisi tentang desain dan analisis sistem meliputi perancangan antarmuka, flowchartdan usecase.

3.1 Data

  Penyakit hepatitis merupakan penyakit peradangan hati. Terdapat beberapa jenis hepatitis yaitu hepatitis A, B, C, D, E. Hepatitis tipe A dan E masih dapat untuk di sembuhkan, namun untuk hepatitis tipe B dan C biasanya menjadi penyakit yang kronis.Dalam penelitian ini penyakit hepatitis yang akan digunakan adalah hepatitis A, B, dan C karena tipe tersebut yang paling banyak ditemui dibandingkan dengan tipe yang lainnya.

  Rumah sakit Panti Rapih Yogyakarta merupakan sebuah rumah sakit besar yang setiap harinya didatangi pasien hepatitis untuk berobat. Data yang didapat dari Rumah sakit Panti Rapih merupakan data set yang bertipe record, berupa data hasil laboratorium dan data dari hasil pemeriksaan dari dokter(anamnesis).Semua keterangan tentang status data pasien tersebut dikumpulkan dan didokumentasikan oleh pihak rekam medis.

  Data anamnesis yang didapat sebanyak 130 data yang merupakan data pasien penyakit hepatitis tahun 2000 hingga 2010 yang diambil tanggal 10 Januari 2011 oleh Estu Karunianingtyas. Dari data anamnesis didapat lima gejala yaitu gejala otot, gejala perut, gejala kulit, gejala mata, dan gejala mirip flu. Masing

  • –masing gejala tersebut memiliki beberapa sub gejala.

  Data laboratorium yang didapat sebanyak 66 data pasien hepatitis A, 48 pasien hepatitis

  B, dan 30 pasien hepatitis C. Dari data laboratorium didapat lima gejala yaitu SGPT, SGOT, antiHAV, HbsAg, dan antiHCV.

  Gejala otot memiliki sub gejala pegal dan nyeri sendi. Gejala perut memiliki sub gejala dan mata berwarna normal. Gejala mirip flu memiliki sub gejala demam, lesu, pusing, mialgia, lelah, dan menggigil.

  Data anamnesispasien yang telah didapat dilakukan binerisasi yaitu konversi sub gejala menjadi 0 atau 1 dengan ketentuan 0 jika pasien tidak mengalami gejala tersebut dan 1 jika pasien mengalami gejala tersebut.

  3.2 Gambaran Umum Sistem

  Sistem ini digunakan untuk melakukan pengelompokkan jenis penyakit hepatitis berdasarkan dengan gejala anamnesis dan gejala laboratorium dengan menggunakan metode

  

Fuzzy C-Means.Sistem ini juga digunakan untuk menghitung keakuratan dari metode Fuzzy

C-Means dalam mengelompokkan penyakit hepatitis.Pengelompokkan dilakukan untuk

  memberikaninformasi mengenai anggota masing-masing cluster/kelompok.

  Flowchartsistem pengelompokkan penyakit hepatitis sebagai berikut :

  1. User memasukkan data yang akan diproses

  2. Usermenginputkan inisialisasi awal berupa bobot, maksimum iterasi, nilai error minimal, iterasi awal, dan fungsi objektif awal.

  3. Proses pengelompokkan data dengan FCM dan perhitungan akurasi 4. Output berupa hasil clustering dan besar nilai akurasi.

  3.3 Use Case Diagram

  Diagram use case digunakan untuk menggambarkan interaksi antara pengguna dengan sistem. Pada system ini yang menjadi actor adalahuser. User dapat memilih data yang akan

  

dikelompokkan dan dapat melakukan pengelompokkan data. Fungsi yang dapat dijalankan oleh

  pengguna sistem ini adalah fungsi memasukkan data dalam bentuk file .csv. Fungsi berikutnya adalah fungsi memasukkan data inisialisasi awal.Fungsi terakhir yaitu fungsi mengelompokkan data dengan metode FCM. Diagram use case dari sistem pengelompokkan penyakit hepatitis dengan menggunakan metode Fuzzy C-Means ini dapat dilihat pada

gambar 3.2 di bawah ini

  Cari data rekam medis input inisialisasi awal Proses Pengelompokkan dengan metode FCM

  User

Gambar 3.2 : Use Case Diagram

  3.4 Perancangan Antarmuka

  Desain Tampilan sistem pengelompokkan penyakit hepatitis dengan metode Fuzzy C-

  

Means ini hanya mempunyai satu tampilan utama. Pada tampilan ini terdapat fasilitas untuk

  mencari data rekam medis yang akan dihitung dan data yang dipilih akan ditampilkan di tabel “Data Awal” , selain itu juga user harus mengisikan inisialisasi awal pada tampilan ini sebelum tombol “Hitung” ditekan. Nilai dari tabel “Derajat Keanggotaan” dan tabel “Akurasi” serta nilai akurasi akan otomatis terisi ketika tombol “Hitung” ditekan.

3.5 Spesifikasi Perangkat Lunak dan Perangkat Keras

  Spesifikasi software dan hardware yang digunakan dalam implementasi sistem diagnosa penyakit hepatitis menggunakan Fuzzy C-Meansadalah sebagai berikut:

  1. Software :

  XP SP 2

  2. Hardware :

  Processor : Intel(R) Core(TM) i3 CPU M370 @2.40GHz Memory : 2 GB.

  Hardisk : 320 GB

BAB IV Implementasi dan Analisis Hasil Pada bab ini dibahas mengenai hasil penelitian dan analisis hasil penelitian dari implementasi

  system yang telah dibuat. Hasil penelitian yang terpenting berupa perbandingan akurasi yang diperoleh dari pengujian metode Fuzzy C-Means. Pada bab ini juga dibahas mengenai user

  interface yang dibangun berdasarkan algoritma yang telah dirancang.

4.1 Hasil Pengumpulan Data

  Pada penelitian yang telah dilakukan di Rumah Sakit Panti Rapih Yogyakarta, diperoleh 144 data laboratorium dari pasien yang mengidap penyakit hepatitis A, hepatitis B dan hepatitis C yang masing

  • – masing 66 data pasien hepatitis A, 48 data pasien hepatitis B, dan 30 data pasien hepatitis C. Dari 130 data anamnesis terdiri dari 50 data hepatitis A, 50 data hepatitis B dan 30 data hepatitis C dan merupakan data pasien penyakit hepatitis tahun 2000 hingga 2010 yang diambil tanggal 10 Januari 2011 oleh Estu Karunianingtyas. Untuk masing
  • – masing gejala anamnesis terdiri atas beberapa kriteria seperti pada tabel 4.1 dan untuk data laboratorium terdiri atas beberapa feature seperti pada tabel 4.2 dibawah ini :

Tabel 4.1 : Deskripsi data gejala anamnesis NO Gejala Feature

  1 Otot Pegal, nyeri sendi, normal dan linu -linu

  2 Perut Muntah, diare, kencing berwarna gelap, mual, nyeri perut sebelah kanan, nafsu makan berkurang dan perut acites(perut membuncit)

  4 Mata Normal, kuning

  5 Mirip Flu Demam, pusing, lesu, mialgia, lelah, menggigil, batuk

Tabel 4.2 : Deskripsi data gejala Laboratorium NO Feature

  1 SGOT

  2 SGPT

  3 Igm

  4 HbsAg

  5 Anti HCV Data anamnesis dan data laboratorium pasien hepatitis digabungkan menjadi satu berupa teks yang disimpan dalam format excel (.xls), masing-masing disimpan secara terpisah baik data hepatitis A, B maupun C. Terdiri 40 data hepatitis A, 40 data hepatitis B dan 30 data hepatitis C.

4.2 Perancangan Fuzzy C- Means

  Data yang digunakan dalam penelitian ini adalah data hasil diagnosa akhir dan data laboratorium pasien hepatitis yang diperoleh dari Rekam Medis Rumah Sakit Panti Rapih.Data diberikan dalam bentuk manual, yaitu berupa map yang berisi lembaran data diagnosa keperawatan yang mana pasien telah dirawat inap.Peneliti melakukan pencatatan data laboratorium pasien dalam format ekstensi xls.

  4.2.1 Pembersihan Data

  Pembersihan Data (data cleaning) merupakan tahap awal dalam proses penambangan data. Pada data anamnesisdan data laboratorium yang diperoleh terdapat beberapa data yang tidak lengkap, seperti misalnya ada beberapa pasien yang tidak menjalani pemeriksaan laboratorium sehingga tidak didapat data laborataoriumnya dan terdapat juga pasien yang menjalani pemeriksaan laboratorium yang tidak menyeluruh sehingga menyebabkan data tidak lengkap.Data yang tidak lengkap tersebut kemudian dibuang sehingga diperoleh 110 data laboratorium dan 110 data anamnesis.

  Normalisasi data laboratorium

  4.2.2 Pada data hasil pemeriksaan laboratorium didapat nilai hasil pemeriksaan yang

  mempunyai satuan yang berbeda

  • – beda. Hal ini disebabkan karena alat pemeriksaanyang digunakan untuk memeriksa penyakit hepatitis berbeda antara pasien satu dengan pasien yang lain sehingga menyebabkan rentang nilai normal yang berbeda.Perbedaan jenis kelamin juga berpengaruh pada rentang nilai normal pemeriksaan laboratorium.Data pemeriksaan laboratorium dinormalisasi dengan menggunakan nilai rentang normal dari pemeriksaan laboratorium sesuai dengan jenis alat yang digunakan dan jenis kelamin pasien.

  4.2.3 PCA ( Principal Component Analysis)

  PCA merupakan salah satu dari metode dimensional reduction yang digunakan untuk menyederhanakan variabel.Pada penelitian ini, data yang diolah dengan menggunakan metode PCA adalah data anamnesa yang mempunyai 26 variabel.

  Data anamnesa ini akan diolah dengan bantuan SPSS 17untuk mereduksi variabel bebas yang berkorelasi tinggi sehingga dapat diketahui variabel mana saja yang dianggap layak untuk dimasukkan ke analisis berikutnya.

  Langkah

  • – langkah yang dilakukan dalam prosedur PCA dengan menggunakan SPSS 17 pada data anamnesa pasien penyakit hepatitis adalah sebagai berikut : a.

   Barlett Test Tabel 4.3:

  KMO and Bartlett;s Test .236 Approx. Chi- Square

  1168.660 df 325 Sig. .000 KMO and Bartlett's Test Kaiser-Meyer-Olkin

  Measure of Sampling Bartlett's Test of Sphericity

  Barlett Test merupakan tes statistik untuk menguji apakah betul variabel- variabel bebas yang dilibatkan berkorelasi.

  Ho : Tidak ada korelasi antarvariabel bebas H1 : Ada korelasi antarvariabel bebas

  Kriteria uji dengan melihat p-value (signifikansi) : Terima Ho jika Sig. > 0,05 atau tolak Ho jika Sig. < 0,05. Pada tabel 4.3 di atas dapat dilihat bahwa nilai Chi-

  

Square adalah 1168.660, dengan derajat bebas sebesar 325, dan p-value (sig) sebesar

  0,000. Karena p-value (0,000) < 0,05 maka Ho di tolak. Artinya, benar-benar terdapat korelasi antarvariabel bebas

b. Communalities

  Tabel 4.4: Communalities Initial Extraction Pegal 1.000 .715 NyeriSend i 1.000 .867 Norm aloto t 1.000 .912 Linulinu 1.000 .709 Muntah 1.000 .700

  Communalities menunjukkan berapa varians yang dapat dijelaskan oleh factor

  yang diekstrak (faktor yang terbentuk).Cara memperolehnya adalah dengan mengkuadratkan nilai korelasi yang terdapat pada tabel 4.6Component Matrix.Setiap variabel berkorelasi dengan faktor-faktor yang terbentuk.Misalkan untuk variabel pegal diperoleh nilai sebesar 0.715. Hal ini berarti sekitar 71,5% variabel pegal dapat dijelaskan oleh faktor yang terbentuk. Untuk variabel nyeri sendi, diperoleh nilai sebesar 0,867. Hal ini berarti sekitar 86,7% variabel nyeri sendi dapat dijelaskan oleh faktor yang terbentuk.

c. Total Variance Explained

  Tabel 4.5: Total Variance Explained Total % of

  Variance Cumulativ e % Total % of

  Variance Cumulativ e % 1 2.978 11.454 11.454 2.978 11.454 11.454

  2 2.414 9.284 20.739 2.414 9.284 20.739 3 2.255 8.672 29.410 2.255 8.672 29.410 4 1.692 6.508 35.919 1.692 6.508 35.919 5 1.551 5.967 41.885 1.551 5.967 41.885 6 1.450 5.578 47.464 1.450 5.578 47.464 7 1.320 5.077 52.540 1.320 5.077 52.540 8 1.168 4.493 57.033 1.168 4.493 57.033 9 1.121 4.313 61.346 1.121 4.313 61.346 10 1.070 4.115 65.461 1.070 4.115 65.461 11 1.028 3.954 69.415 1.028 3.954 69.415 12 .987 3.796 73.211 13 .927 3.564 76.775 Compone nt

  Initial Eigenvalues Extraction Sums of Squared Loadings

  Kemampuan setiap factor mewakili variabel-variabel yang dianalisis ditunjukkan oleh besarnya varians yang dijelaskan, yang disebut dengan

  

eigenvalue.Varians yang dimaksud adalah varians variabel-variabel yang sudah

  distandardisasi.Dengan standardisasi, nilai rata-rata setiap variabel menjadi nol dan variansnya menjadi satu.Karena varians setiap variabel adalah satu, maka varians totalnya ada 26 karena dalam kasus ini ada 26 variabel bebas.

  Eigenvalues menunjukkan kepentingan relatif masing-masing factor dalam

  menghitung varians ketiga variabel yang dianalisis. Susunan eigenvalues selalu angka eigenvalues memiliki nilai di atas 1. Sehingga proses factoring seharusnya berhenti pada 11 faktor saja. Faktor 1 memiliki eigenvalue sebesar 2,978 artinya faktor 1 ini dapat menjelaskan 2,978 atau 11,454% dari total communalities d.

   Component Matrix Tabel 4.6: Conponent Matrix

  Component

  1

  2

  3

  4

  5

  6

  7

  8

  9

  10

  11 Pegal -.144 .369 -.204 -.207 .430 .414 -.277 .022 .128 -.148 -.049 NyeriSendi .022 .724 .000 .022 -.174 -.292 .377 .212 .114 -.109 -.124 Normalotot -.037 -.834 .193 -.077 -.121 -.236 -.231 -.114 -.102 .112 .112 Linulinu .274 .087 -.131 .376 -.006 .507 .239 -.208 -.226 .237 -.057 Muntah .148 .102 .459 -.145 -.181 .076 .170 .156 .406 -.045 .422 Diare .080 .040 .112 -.727 -.254 .126 .037 -.074 -.101 .208 -.175 Kembung -.229 -.086 .042 -.225 .421 -.013 .317 -.246 .156 .061 .363 mual .065 -.226 .237 .423 -.093 .206 .262 .438 .042 .194 -.009

  Tabel ini berisikan factor loading (nilai korelasi) antara variabel-variabel analisis dengan faktor yang terbentuk.Berdasarkan tabel 4.6 di atas, terlihat bahwa ada 11 faktor yang terbentuk dari 26 variabel.Hal ini menunjukkan bahwa 11 factor adalah jumlah yang paling optimal untuk mereduksi ketiga variabel bebas tersebut.

  e.

   Component Score Coefficient Matrix

  Setelah mendapatkan faktor yang terbentuk melalui proses reduksi, maka perlu dicari persamannya. Dengan persaman tersebut, dapat diperoleh skor setiap faktor secara manual.Persamaan yang dibuat mirip dengan regresi linier berganda, hanya dalam persamaan faktornya tidak terdapat konstanta.Skor-skor faktor yang dihasilkan dapat digunakan untuk menggantikan skor-skor pada varibel bebas yang asli. Hasil skor faktor yang diperoleh ditunjukkan pada tabel 4.7 dan hasilComponent Score

  Coefficient Matrix ditunjukkan pada tabel 4.8 dibawah ini :

FC1 FC2 FC3 FC4 FC5 FC6 FC7 FC8 FC9 FC10 FC11

  • 0.0649 -0.11 1.665 0.12 0.4 0.1013 -0.13 0.183 1.005 0.48 -0 1.07655 0.051 1.419 0.55 -0.4 0.3197 -0.46 -0.21 0.129 0.51 0.22
  • 1.04707 -0.9 1.1 0.21 0.03 -1.239 1.115 -1.97 1.861 2.49 -0.5
  • 1.16246 -0.99 0.862 0.17 0.35 0.6079 0.022 1.279 0.035 -0.53 0.26 1.11325 0.918 0.687 0.71 0.04 -0.571 0.845 0.457 0.124 -1.12 0.35 0.83123 -0.55 0.624 0.09 0.65 -0.531 0.143 -0.76 0.512 -0 0.54 0.98196 -0.05 1.311 0.73 0.47 -0.469 -0.81 -0.63 -0.78
  • 1.40938 -0.44 0.474 0.17 -0.8 -0.249 -0.57 0.108 -0.47 -0.18 -0.8

  9

  Tabel 4.9: Fungsi FFCM_InitV function V = FFCM_InitV (c, p) V = rand(c, p); col_sum = sum(V); V = V./col_sum(ones(c, 1), :);

  mempunyai komponen i= banyaknya data, k = banyaknya cluster. Matrik ini random dengan kisaran nilai 0 sampai 1. Pembentukan matrik U ik ini dilakukan dengan menggunakan fungsi seperti tabel 4.9

  ik

  .Matrik partisi U

  ik

  Langkah pertama dalam perhitungan Fuzzy C-Means (FCM) adalah membentuk matriks derajat keanggotaan awal atau matriks partisi awal U

  11 Pegal -.048 .153 -.091 -.122 .277 .285 -.210 .018 .114 -.138 -.048 NyeriSendi .007 .300 .000 .013 -.112 -.201 .286 .181 .101 -.102 -.120 Normalotot -.012 -.345 .086 -.046 -.078 -.163 -.175 -.097 -.091 .105 .109 Linulinu .092 .036 -.058 .222 -.004 .350 .181 -.178 -.201 .222 -.056 Muntah .050 .042 .203 -.086 -.116 .052 .129 .134 .362 -.042 .410 Diare .027 .017 .050 -.430 -.164 .087 .028 -.063 -.090 .194 -.170 Kembung -.077 -.036 .018 -.133 .271 -.009 .240 -.210 .139 .057 .353 Component

  10

  8

  Tabel 4.7: Score Faktor

  7

  6

  5

  4

  3

  2

  1

  Tabel 4.8: Component Score Coefficient Matrix

  0.31 -0.5

4.2.4Membentuk derajat Keanggotaan ( Matriks Uik)

  Matriks U ik yang terbentuk dari fungsi FFCM_initV disimpan ke dalam hepatitis.mat.Jika dijumlahkan maka nilai perbaris dari matriks U ik yang terbentuk tidak lebih dari 1. Setelah nilai matriks partisi awal disimpan maka proses FCM dilakukan pertama kali dengan memilih data yang akan diolah, kemudian data tersebut akan dihitung dengan menggunakan fungsi FFCM yang terdapat pada halaman lampiran. Perhitungan FCM ini akan dilakukan berulang kali untuk memperbaiki lokasi pusat cluster. Langkah iterative ini akan dilakukan berdasarkan minimisasi fungsi objektif.

5.3 Implementasi User Interface

  Implementasi sistem pengelompokkan penyakit hepatitis dengan menggunakan Fuzzy

  

C-Meansini dibangun dengan menggunakan program MATLAB R2010a. Source code

program terdapat pada halaman Lampiran.

Gambar 4.1 : Halaman Pengelompokkan Penyakit Hepatitis

  Pada gambar 4.1 ditunjukkan halaman pengelompokkan penyakit hepatitis dengan menggunakan metode FCM. Di halaman ini user memilih data rekam medis yang akan dihitung dengan menekan tombol cari maka akan muncul dialog box seperti gambar 4.2 dibawah ini.

Gambar 4.2 :dialog box untuk memilih data

  Kemudian user memilih nama file berformat .csv yang akan dihitung.setelah tombol open ditekan maka data yang dipilih akan tampil pada tabel data awal seperti gambar 4.3

Gambar 4.3 :Data awal

  Kemudian user memasukkan inisialisasi awal untuk bobot (w), maximum iterasi, nilai error, iterasi awal dan fungsi objektif awal pada kolom inisialisasi awal seperti gambar 4.4. Untuk nilai bobot (w) nilai yang diinputkan tidak boleh kurang dari 1 karena nilai perhitungan akan menjadi 0 jika menginputkan bobot bernilai 1.

  Setelah memasukkan nilai ini sialisasi awal tekan tombol “Hitung” untuk menjalankan program. Selanjutnya akan ditampilkan derajat keanggotaan terakhir dan nilai akurasinya. Ketika tombol “Hitung” ditekan maka secara otomatis nilai derajat keanggotaan terakhir dan nilai fungsi objektif akhir akan tersimpan pada uikAkhir.xls dan FungsiObjektif.xls. Hasil nilai derajat keanggotaan pada iterasi terakhir yang didapat, nilai fungsi objektif akhir dan hasil akurasi akan tampak seperti gambar 4.5, gambar 4.6 dan gambar 4.7 dibawah ini

Gambar 4.5 :Nilai derajat keanggotaan iterasi terakhir

  

1.258421

0.077375

0.030552

0.016056

0.010787

0.00726

0.004815

0.003175

0.002089

0.001373

0.000901

0.000592

0.000389

0.000255

0.000168

0.00011

7.22E-05

  

Gambar 4.6: Fungsi Objektif Nilai derajat keanggotaan akhir pada gambar 4.6 merupakan hasil dari perhitungan metode FCM.Nilai derajat keanggotaan akhir ini yang menentukan pengelompokkan dari data pasien penyakit hepatitis.Cara mengelompokkan pasien berpenyakit hepatitis ini dengan melihat nilai tertinggi dari derajat keanggotaan akhir yang didapat.

  Fungsi objektif pada gambar 4.6 dapat memberitahu banyak iterasi yang dilakukan untuk mengolah data dengan menggunakan metode FCM dan nilai minimasi fungsi objektif yang didapat.Pada gambar 4.6 dilakukan 17 kali iterasi dengan nilai minimasi fungsi objektif sebesar -3.77768E-05.

  Pada gambar 4.7 diatas ditunjukkan hasil pengelompokkan dengan menggunakan metode FCM, akurasi yang diperoleh dari hasil percobaan tersebut sebesar 46.5517%. Nilai akurasi tersebut didapatkan dengan cara :

  Akurasi= . Jika dibandingkan dengan penelitian sebelumnya akurasi yang diperoleh dari penelitian ini lebih buruk, karena penelitian sebelumnya akurasi yang diperoleh sebesar

  51.11%.

5.4 Hasil Pengujian

  Pengujian yang dilakukan pada sistem pengelompokkan penyakit hepatitis ini dilakukan dengan menggunakan data anamnesisyang belum di PCA, data anamnesa sudah di PCA, data anamnesa sudah di PCA digabungkan dengan data laboratorium dan percobaan yang terakhir dilakukan pada data laboratorium. Data anamnesa yang digunakan memiliki 110 data dan 26 atribut berbentuk biner, sedangkan data laboratorium yang digunakan memiliki 110 data dan 5 atribut. Data anamnesa yang sudah dilakukan proses PCA terdiri dari 110 data dan 11 atribut dan pada data anamnesa yang sudah di PCA dan digabung dengan data laboratorium terdiri dari 110 data dan 16 atribut.

Tabel 4.10 menunjukkan hasil percobaan pada data anamnesa dokter yang didalamnya terdiri dari nilai inisialisasi awal yang diinputkan dan nilai akurasi yang didapat dari

  percobaan tersebut.Sedangkan tabel 4.11 menunjukkan hasil percobaan pada data

tabel 4.12 dan hasil percobaan pada data anamnesa yang sudah dilakukan proses PCA dan digabung dengan data laboratorium ditunjukkan pada tabel 4.13Tabel 4.10 Hasil Pengujian data anamnesa dokter NO Nilai inisialisasi awal akurasi

  1 Bobot(w)=2; maksimum iterasi =100; error = 1e-4; 46.5517% iterasi awal =1; fungsi objektif awal = 0

  2 Bobot(w)=2; maksimum iterasi =10; error = 1e-4; 45.6897% iterasi awal =1; fungsi objektif awal = 0

  3 Bobot(w)=6; maksimum iterasi =18; error = 0.002; 50% iterasi awal =1; fungsi objektif awal = 0

  4 Bobot(w)=8; maksimum iterasi =10; error = 0.5; 43.1034% iterasi awal =1; fungsi objektif awal = 0

  5 Bobot(w)=8; maksimum iterasi =50; error = 47.4138% 0.000005; iterasi awal =1; fungsi objektif awal = 0

Tabel 4.11 Hasil Pengujian data laboratorium NO Nilai inisialisasi awal akurasi

  1 Bobot(w)=2; maksimum iterasi =100; error = 1e-4; 82.3529% iterasi awal =1; fungsi objektif awal = 0

  3 Bobot(w)=5; maksimum iterasi =40; error = 78.1818% 0.00600; iterasi awal =1; fungsi objektif awal = 0

  4 Bobot(w)=8; maksimum iterasi =10; error = 0.5; 83.871% iterasi awal =1; fungsi objektif awal = 0

  5 Bobot(w)=8; maksimum iterasi =50; error = 74.5455% 0.000005; iterasi awal =1; fungsi objektif awal = 0

  6 Bobot(w)=2; maksimum iterasi =100; error = 1e-4; 100% iterasi awal =1; fungsi objektif awal = 0 ( dengan menggunakan data laboratorium yang sudah di normalisasi ).

  Tabel 4.12Hasil Pengujian data anamnesa dokter(PCA) NO Nilai inisialisasi awal akurasi

  1 Bobot(w)=2; maksimum iterasi =100; error = 1e-4; 38.2114% iterasi awal =1; fungsi objektif awal = 0

  2 Bobot(w)=2; maksimum iterasi =10; error = 1e-4; 39.0244% iterasi awal =1; fungsi objektif awal = 0

  3 Bobot(w)=6; maksimum iterasi =18; error = 0.02; 40.6504% iterasi awal =1; fungsi objektif awal = 0

  4 Bobot(w)=8; maksimum iterasi =10; error = 0.5; 39.0244% iterasi awal =1; fungsi objektif awal = 0

Tabel 4.13 Hasil Pengujian data anamnesa dokter(PCA) dan data laboratorium NO Nilai inisialisasi awal akurasi

  1 Bobot(w)=2; maksimum iterasi =100; error = 1e-4; 64.6018% iterasi awal =1; fungsi objektif awal = 0

  2 Bobot(w)=8; maksimum iterasi =10; error = 0.5; 57.4468% iterasi awal =1; fungsi objektif awal = 0

  3 Bobot(w)=2; maksimum iterasi =10; error = 1e-10; 66.3717% iterasi awal =1; fungsi objektif awal = 0

  4 Bobot(w)=2; maksimum iterasi =20; error = 65.4867% 0.0009; iterasi awal =1; fungsi objektif awal = 0

5.5 Analisis

  Pada tabel 4.10, 4.11, 4.12 dan 4.13 diatas ditunjukkan beberapa hasil percobaan hepatitis A, B, dan C dengan menggunakan metode Fuzzy C-Means. Dari hasil percobaan data anamnesa dokter yang telah dilakukan dapat diketahui nilai akurasi terbaik yang didapat adalah 50%. Pada data laboratorium didapat nilai akurasi terbaik sebesar 83.871% pada data laboratorium yang belum di normalisasi dan didapat nilai akurasi 100% pada data laboratorium yang sudah dinormalisasi. Pada data anamnesa yang sudah dilakukan proses PCA hasil akurasi terbaik yang dihasilkan sebesar 40.6504%. Pada data anamnesa yang sudah dilakukan proses PCA dan digabungkan dengan data laboratorium, hasil akurasi terbaik yang didapat sebesar 66.3717%.

  Pada percobaan yang telah dilakukan dapat diketahui bahwa metode Fuzzy C-Means tidak cocok untuk menghitung data laboratorium pada pasien hepatitis karena nilai derajat keanggotaan yang dihasilkan tidak menimbulkan kekaburan atau keragu

  • – raguan dalam
namun nilai akurasi yangrendah membuat metode Fuzzy C-Means dengan menggunakan data pasien penyakit hepatitis ini tidak dapat digunakan untuk mengambil keputusan.

  Pada data anamnesa yang sudah dilakukan proses PCA nilai akurasi yang di hasilkan sangat rendah karena berkisar antara 30

  • – 40%, hal ini di karenakan beberapa atribut yang dapat menimbulkan kekaburan tereduksi saat terjadi proses PCA. Pada data anamnesa yang sudah dilakukan proses PCA dan telah digabung dengan data laboratorium akurasi yang dihasilkan cukup baik diatas 50%, hal ini dikarenakan data laboratorium menghasilkan data yang akurat tentang penyakit hepatitis dan ketika digabungkan dengan data anamnesa yang sudah tereduksi maka akan memunculkan beberapa nilai derajat keanggotaan yang kabur.

Bab V Penutup

5.1 Kesimpulan

  Penerapan algoritma Fuzzy C Meanstelah digunakan untuk mengelompokkan hepatitis

  A, B dan C berdasarkan data gejala anamnesis dan laboratorium. Berdasarkan hasil percobaan dapat ditarik kesimpulan sebagai berikut

  1. Pengujian dilakukan pada data 110 sampledengan 4 kali percobaan dengan hasil sebagai berikut a. Percobaan data anamnesa dokteryang dipilih berdasar akurasi tertinggi menghasilkan akurasi sebesar 50% b. Percobaandata laboratorium menghasilkan akurasi sebesar 83.871%

  c. Percobaan data anamnesa dokteryang sudah di lakukan PCA dipilih berdasar akurasi tertinggi menghasilkan akurasi sebesar 40.6504% d. Percobaan data anamnesa dokteryang sudah dilakukan PCA dan digabung dengan data laboratorium dipilih berdasar akurasi tertinggi menghasilkan akurasi sebesar66.3717%

  2. Data laboratorium tidak bisa digunakan pada metode Fuzzy C-Means karena tidak ada nilai yang sama dalam derajat keanggotaan yang dihasilkan.

  3. Data anamnesa dokter baik yang belum dilakukan proses PCA maupun yang sudah di PCA dan digabung dengan data laboratorium dapat digunakan pada metode Fuzzy C-Means karena menimbulkan nilai kekaburan pada derajat keanggotaan yang dihasilkan.

  4. Hasil dengan tingkat keakuratan pada percobaan data anamnesa tersebut belum bisa dikatakan baik. Diperkirakan karena kurangnya jumlah sample, khususnya untuk data hepatitis C.

5.2 Saran

  Saran yang diperlukan untuk perbaikan dan pengembangan program lebih lanjut adalah:

  1. Untuk meningkatkan akurasi, dapat ditambahkan data sample pasien penyakit hepatitisC.

  2. Program bisa menampilkan informasi penyakit hepatitis.

DAFTAR PUSTAKA

  Agustin,Titin danDjuraidah, Anik.2010. Penggerombolan Daerah Tertinggal

  

Di Indonesia Dengan Fuzzy K-Rataan. Forum Statistika dan Komputasi

  Arifatno, Deny Rochman dan Thalib, Ing Farid.Rancang Bangun Sistem

  Kendali Peralatan Rumah Berbasiskan Mikrokontroler dengan Algoritma Fuzzy C-Means.Universitas Gunadarma.

  Cahyono, J.B. Suharjo B.2008. Gaya Hidup dan Penyakit Modern.Kanisius. Dimyati, Vien. 2011.

  30 Juta Orang Kena Hepatitis,

  http://www.jurnas.com/news/35402/30_Juta_Orang_Kena_Hepatitis/1/Sosial_ Budaya/Kesehatan.(diakses tanggal 30 April 2012 ).

  Kusumadewi,Sri dan Purnomo, Hari.2004.Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta : Graha Ilmu.

  Karunianingtyas, Estu.2011.Sistem Diagnosa Penyakit Hepatitis dengan

  Menggunakan Metode Naïve Bayesian.Skripsi Universitas Sanata Dharma

  Yogyakarta Sari Wening, Indrawati Lili, Djing Oei Gin. 2008. Care Yourself, Hepatitis.

  Jakarta:Penebar Plus+.

Dokumen baru

Aktifitas terkini

Download (73 Halaman)
Gratis

Tags

Dokumen yang terkait

SKRIPSI Ditujukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika
0
0
117
SKRIPSI Ditujukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika
0
0
161
SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika
0
0
127
SKRIPSI Ditujukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika
0
0
166
SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika
0
0
98
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Mesin
0
0
119
SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains Program Studi Ilmu Komputer
0
0
111
SKRIPSI Ditujukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika
0
0
138
APLIKASI POINT OF SALES UNTUK BUTIK ( Studi Kasus : Bona Butik Yogyakarta) SKRIPSI Ditujukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika
0
0
156
SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Jurusan Teknik Informatika
0
0
87
SKRIPSI Ditujukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika
0
0
114
Studi Kasus ”NEUTRON” Yogyakarta SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika
0
0
184
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika
0
0
129
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika
0
0
87
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Jurusan Teknik Informatika
0
0
129
Show more