plagiat merupakan tindakan tidak terpujirepository.usd.ac.id/32510/2/065314045_full.pdf · penyakit...
Post on 03-Nov-2020
2 Views
Preview:
TRANSCRIPT
i
SISTEM DIAGNOSA PENYAKIT HEPATITIS DENGAN
MENGGUNAKAN METODE NAÏVE BAYESIAN
SKRIPSI
Ditujukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Jurusan Teknik Informatika
Oleh :
Estu Karunianingtyas
065314045
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2012
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
THE HEPATITIS DIAGNOSE SYSTEM BY USING THE
NAÏVE BAYESIAN METHODE
A Thesis
Presented as Partial Fulfillment of the Requirements
To Obtain the Engineering Bachelor Degree
In Informatics Engineering
By :
Estu Karunianingtyas
Student Number : 065314045
INFORMATICS ENGINEERING STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2012
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PERSETUJUAN
SKRIPSI
SISTEM DIAGNOSA PENYAKIT HEPATITIS DENGAN
MENGGUNAKAN METODE NAÏVE BAYESIAN
Disusun Oleh :
Estu Karunianingtyas
065314045
Telah diperiksa dan disetujui
Di Yogyakarta
Pada tanggal : .... Februari 2012
Dosen Pembimbing
Dr. Cyprianus Kuntoro Adi, SJ,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN PERSEMBAHAN
Yakobus 2:22b“ bahwa iman bekerjasama dengan perbuatan -perbuatan dan oleh
perbuatan-perbuatan itu iman menjadi sempurna”
Skripsi ini saya persembahkan untuk :Tuhan Yesus Kristus,
Keluarga tercinta dan Sahabat terkasihTerima kasih untuk segalanya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis tidak
memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam
kutipan dan daftar pustaka, sebagai mana layaknya karya ilmiah.
Yogyakarta, 8 Februari 2012
Penulis
Estu Karunianingtyas
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan dibawah ini, saya mahasiswa Univer sitas Sanata Dharma :
Nama : Estu Karunianingtyas
NIM : 065314045
Demi pengembangan pengetahuan, saya memberikan kepada perpustakaan
Universitas Sanata Dharma karya ilmiah yang berjudul :
SISTEM DIAGNOSA PENYAKIT HEPATITIS DENGAN
MENGGUNAKAN METODE NAÏVE BAYESIAN
Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan
kepada perpustakaan Universitas Sanata Dharma hak untuk menyimpan,
mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan
data mendistribusikan secara terbatas, dan mempublikasikan di internet atau
media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya
maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya
sebagai penulis.
Demikian pernyataan ini saya buat dengan sebe narnya.
Yogyakarta, 8 Februari 2012
Yang menyatakan,
Estu Karunianingtyas
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
SISTEM DIAGNOSA PENYAKIT HEPATITIS DENGAN
MENGGUNAKAN METODE NAIVE BAYESIAN
ABSTRAK
Penyakit hepatitis dapat meningkatkan risiko kematian bagi penderita dan
dapat juga menjadi pemicu timbulnya penyakit lain yang menyebabkan kematian.
Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan,
fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya
dapat dipecahkan oleh seorang pakar dalam bidang tert entu. Sistem pakar
memberikan nilai tambah pada teknologi untuk membantu dalam menangani era
informasi yang semakin canggih. Pada penelitian ini dibangun aplikasi sistem
pakar yang menghasilkan keluaran berupa kemungkinan penyakit hepatitis yang
diderita berdasarkan gejala yang dirasakan oleh user. Sistem ini juga
menampilkan besarnya kepercayaan gejala tersebut terhadap kemungkinan
penyakit hepatitis yang diderita oleh user. Besarnya nilai kepercayaan tersebut
merupakan hasil perhitungan dengan menggunakan metode Naïve Bayesian
Classification.
Dalam penelitian ini, proses klasifikasi penyakit hepatitis menggunakan
Naive Bayesian dalam proses pengujian sistem yang dilakukan dengan dua
percobaan yaitu percobaan pengenalan per-gejala menghasilkan akurasi sebe sar
44,44% untuk gejala mata, sedangkan percobaan yang kedua yaitu pengenalan
kombinasi gejala menghasilkan akurasi sebesar 51,11%. Pengujian ini dilakukan
untuk mengetahui feature yang paling berpengaruh pada pengenalan jenis
penyakit hepatitis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Hepatitis can increase the death risk to the patient and it can also become
the cause of another disease which can cause death. The Expert System is a
system which is based on computer which uses knowledge, fact, and technique to
solve a problem which usually can be solved by an expert of certain field. The
Expert System gives an additional value to the technology to help in handling the
information in this modern era.In this research, the Expert System Application is
made to get a result about the hep atitis possibility which is suffered by the patient
based on the symptoms which are felt by the patient. This system will show how
big of possibilities on hepatitis symptoms which are suffered by the patient . The
mount of possibilities is a result of coun ting by using the Naive Bayesian
Classification method.
In the research, the classification process of hepatitis uses the Naive
Bayesian in the process of testing the system which are done in two experiments,
the first is the experiment of introduction f or each symptom which produces
44,41% accuracy for the eye symptom , then the second experiment is the
introduction of symptom combination which produces 51,11% accuracy. This test
is done in order to know the most influenced feature or symtom tointrodu ction of
the kind of hepatitis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus, karena atas
kebaikan dan kehendak-Nya saya dapat menyelesaikan tugas akhir yang berjudul
“Sistem Diagnosa Penyakit Hepatitis Dengan Menggun akan Naive
Bayesian”. Tugas akhir ini ditulis sebagai salah satu syarat memperoleh gelar
sarjana program studi Teknik Informatika, Fakultas Sains dan Teknologi
Universitas Sanata Dharma.
Dalam proses penulisan tugas akhir ini , penulis mengucapkan terima kasih
yang sebesar-besarnya kepada :
1. Romo Dr. Cyprianus Kuntoro Adi, SJ, MA, M.Sc selaku Dosen
Pembimbing, terimakasih atas segala bimbingan , kesabaran dan
mengarahkan serta membimbing penulis dalam menyelesaikan tugas akhir
ini.
2. Ibu Ridowati Gunawan, selaku ketua program studi Teknik Informatika
Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.
3. Ibu P.H. Prima Rosa, S.Si, M.Sc . dan Bapak Albert Agung Hadhiatma,
S.T.,M.T. selaku dosen penguji yang telah memberikan banyak kritik dan
saran untuk tugas akhir saya.
4. Seluruh staff dosen Teknik Informatika Universitas Sanata Dharma yang
telah banyak memberikan bekal ilmu, arahan dan pengalaman selama saya
menempuh studi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
5. Seluruh staff Sekretariat Teknik, yang banyak membantu saya dalam urusan
administrasi akademik terutama menjelang ujian tugas akhir.
6. Kedua orang tua, yaitu papa Idrisman yang disurga dan mama Suwaningsih .
Terima kasih atas semua yang telah dilakukan untukku, doa, semangat,
dukungan dan cintanya sehingga saya bisa menyelesaikan studi dengan
lancar.
7. Kakak-kakakku, Norma Ika Damasanti, Purbo Yohanes Cristo Oktova, dan
Kinasih Amrih Rahayu, walau kita sering berjauhan tapi aku selalu sayang
pada kalian. Selain itu terima kasih juga untuk keponakan tersayang Ezekiel
Locano Yovada yang selalu mendukung dengan penuh semangat.
8. Teman-teman Teknik Informatika : Ridoan Wibisono, Floriska Nuhan,
Fransiskus Anggit Dwi Suhendro, Hendra Christian, Ellis Renatal Samosir,
Caecilia Nova P, Tulus Wardoyo , dan semua teman-teman TI lainnya.
9. Seluruh pihak yang telah ambil bagian dalam proses penulisan tugas akhir
ini yang tidak bisa saya sebutkan satu per satu.
Dengan rendah hati penulis menyadari bahwa tugas akhir ini masih jauh dari
sempurna, oleh karena itu berbagai kritik dan saran untuk perbaikan tug as akhir
ini sangat penulis harapkan. Akhir kata, semoga tugas akhir ini bermanfaat bagi
semua pihak. Terima kasih.
Yogyakarta, 8 Februari 2012
Penulis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN JUDUL …………………………………………………………...........
HALAMAN JUDUL (Inggris)..………………………………… ……………...........
HALAMAN PERSETUJUAN ………………………………………………............
HALAMAN PENGESAHAN ………………………………………………............
HALAMAN PERSEMBAHAN ……………………………………………….........
HALAMAN PERNYATAAN KEASLIAN KARYA ………………………..........
HALAMAN PERSETUJUAN PUBLIKASI ……………… …………………........
ABSTRAK ……………………………………………………………………..........
ABSTRACT …………………………………………………………………............
KATA PENGANTAR ………………………………………………………............
DAFTAR ISI …………………………………………………………………..........
DAFTAR GAMBAR ………………………………………………………….........
DAFTAR TABEL ……………………………………………………………..........
BAB I. PENDAHULUAN
1.1 Latar Belakang .................................................................................
1.2 Rumusan Masalah ............................................................................
1.3 Tujuan …………..............................................................................
1.4 Batasan Masalah ..............................................................................
1.5 Metodelogi Penelitian ....................................................... ..............
1.6 Sistematika Penulisan ......................................................................
BAB II. LANDASAN TEORI
2.1 Data Mining .....................................................................................
2.2 Metode Naive Bayesian Classification ............................................
i
ii
iii
iv
v
vi
vii
viii
ix
x
xii
xv
xvi
1
1
3
3
3
4
6
8
13
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
2.2.1 Teorema Bayes .................................................................
2.2.2 Naive Bayesian .................................................................
2.2.3 Naive Bayes Algorithm.................…………………….....
2.3 K-fold Cross Validation...………………………………………….
2.4 Penyakit Hepatitis.............................................................................
BAB III. DESAIN SISTEM
3.1 Data ……....................................................................... ...................
3.2 Desain Sistem....................................................................................
3.3 Tahap Pelatihan (Training)...............................................................
3.4 Tahap Pengujian (Testing)................................................................
3.5 Penghitungan Akurasi.......................................................................
3.6 Desain User Interface .......................................................................
3.7 Spesifikasi Software dan Hardware..................................................
BAB IV. IMPLEMENTASI DAN ANALISA HASIL
4.1 Hasil Penelitian dan Analisa..……… ................................................
4.2 Perancangan Naive Bayes..................................................... ............
4.3 Seleksi Atribut...................................................................................
4.4 Hasil dan Akurasi.......................…………………………………...
4.5 Implementasi User Interface............................................................ .
4.5.1 Menu Utama ….....………………………………………
4.5.2 Bantuan........ …………………………………………….
4.5.3 Uji Sistem.. ………………………………………………
4.5.4 Klasifikasi......……………………………………………
BAB V. PENUTUP
5.1 Kesimpulan …………......................................................................
13
15
16
18
18
25
25
35
36
37
38
39
43
44
44
46
50
51
57
57
59
59
61
63
63
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
5.2 Saran ……………………………....................................................
DAFTAR PUSTAKA
LAMPIRAN
64
65
66
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR GAMBAR
Gambar Keterangan Halaman
2.1 Langkah Penambangan Data (Data Mining) 9
2.2Ilustrasi Pemodelan teknik Classification untuk mengukur
akurasi17
3.1 Garis Besar Sistem Pengenalan 35
3.2 Skema Tahap Pelatihan 36
3.3 Skema Tahap Pengujian 37
3.4 Tampilan Awal 40
3.5 Halaman Bantuan 40
3.6 Halaman Pengujian Sistem 41
3.7 Halaman Klasifikasi Sistem 42
4.1 Grafik Akurasi Percobaan per-gejala Hepatitis 52
4.2 Grafik Akurasi Percobaan kombinasi gejala Hepatitis 55
4.3 Menu Utama 57
4.4 Halaman Bantuan 59
4.5 Halaman Pengujian Sistem 59
4.6 Error Handling 60
4.7 Halaman Klasifikasi Sistem 61
4.8 Halaman Klasifikasi Sistem(2) 62
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
DAFTAR TABEL
Tabel Keterangan Halaman
3.1 Data Gejala Hepatitis 26
3.2 Pembagian Sample 29
3.3 Percobaan Hepatitis 29
3.4 Sample Penyakit Hepatitis 30
3.5 Feature Gejala Otot 30
3.6 Feature Gejala Perut 30
3.7 Feature Gejala Kulit 31
3.8 Feature Gejala Mata 31
3.9 Feature Gejala Mirip Flu 31
3.10 Sampel Penyakit Hepatitis dengan nilai Probabilitas 32
3.11 Sample Penyakit Hepatitis (2) 33
3.12 Confusion Matrix 39
4.1 Deskripsi Data Gejala Hepatitis 45
4.2 Data Nominal Gejala Hepatitis 48
4.3 Data Binerisasi Gejala Hepatitis 50
4.4 Hasil Akurasi Percobaan per-gejala 52
4.5 Confusion Matrix Gejala Perut 53
4.6 Hasil Akurasi Percobaan Kombinasi Gejala 54
4.7 Confusion Matrix Kombinasi Gejala 56
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
1
Bab I. Pendahuluan
1.1 Latar Belakang
Perkembangan Teknologi Informasi yang semakin berkualitas dan menuntut
kemudahan manusia dalam setiap melakukan aktifitasnya. Hal tersebut memicu
terus berkembangnya perangkat keras dan perangkat lunak dalam penggunaan
komputer di bidang teknologi informasi. Komputer yang dalam penggunaannya
dulu hanya terbatas pada bidang-bidang tertentu saja, telah digunakan secara luas
diberbagai bidang.
Kecerdasan buatan atau artificial intelligence merupakan bagian dari ilmu
komputer yang membuat agar komputer dapat melakukan pekerjaan seperti dan
sebaik yang dilakukan oleh manusia. Ada beberapa cabang yang terdapat dalam
kecerdasan buatan yang salah satunya adalah sistem pakar.
Sistem Pakar (expert sistem ) adalah program berbasis pengetahuan yang
menyediakan solusi-solusi dengan kualitas pakar untuk masalah -masalah dalam
suatu domain yang spesifik. Sistem pakar merupakan program komputer yang
meniru proses pemikiran dan pengetahuan pakar dalam menyelesaikan suatu
masalah tertentu. Implementasi sistem pakar banyak digunakan untuk kepentingan
komersial karena sistem pakar dipandang sebagai cara penyimpanan p engetahuan
pakar pada bidang tertentu dalam program komputer sehingga keputusan dapat
diberikan dalam melakukan penalaran secara cerdas. Umumnya pengetahuannya
diambil dari seorang manusia yang pakar dalam domain tersebut dan sistem pakar
itu berusaha meniru metodologi dan kinerja (performance) (Faisal, 2009).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
Metode Naïve Bayesian Classification yang digunakan dalam sistem
diagnosa penyakit hepatitis berfungsi untuk mengatasi ketidakpastian pada
penalaran sistem. Sistem akan memberikan pengetahuan berupa output (hasil
diagnosa) berdasar input yang diberikan (gejala penyakit) berupa nilai kepastian
sebuah data (akurasi nilai data). Metode Naïve Bayesian Classification melakukan
perhitungan berupa probabilitas, hasil nilai probabilitas yang diperoleh akan
dijadikan nilai kepastian (akurasi nilai). Dengan adanya nilai kepastian (akurasi
nilai), maka memudahkan untuk mengambil keputusan terhadap permasalahan
yang ada.
Hati atau liver merupakan organ terbesar dalam tubuh manusia. Di dalam
hati terjadi proses-proses penting bagi kehidupan kita, yaitu proses penyimpanan
energi, pembentukan protein dan asam empedu, pengaturan metabolisme
kolesterol, dan penetralan racun atau obat yang masuk dalam tubuh kita. Sehingga
dapat dibayangkan akibat yang akan timbul apabila terjadi kerusakan pada hati.
Berbagai penyakit pada hati seperti hepatitis A, B dan C kini menjadi masalah
kesehatan masyarakat. Khususnya di Indonesia penyakit -penyakit infeksi pada
hati masih merupakan penyebab kematian yang sangat penting. Oleh sebab i tu,
apabila penyakit hepatitis ini bisa dideteksi secara dini, penyakit ini pun segera
diatasi. Sehingga penyakit hati tidak akan menyebabkan kematian. Dari tahapan
awal, bisa dilakukan deteksi dini sebelum pasien menderita penyakit yang lebih
ganas, yang akan menyebabkan kematian seperti hepatitis A, B dan C.
Untuk mengatasi masalah tersebut dibuatlah suatu sistem diagnosa penyakit
hepatitis dengan metode Naïve Bayesian Classification , agar memudahkan dalam
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
mengambil keputusan berupa diagnosa jenis penyak it hepatitis pada user apabila
user tersebut positif mengidap penyakit hepatitis.
1.2 Rumusan Masalah
Dari latar belakang tersebut, dapat dirumuskan suatu masalah yaitu
bagaimana metode Naive Bayesian membantu ketepatan diagnosa penyakit
hepatitis.
1.3 Tujuan
Membangun sistem yang digunakan untuk mengenali diagnosa penyakit
hepatitis khususnya hepatitis A, B dan C dengan menggunakan metode Naïve
Bayesian Classification.
1.4 Batasan Masalah
Pembuatan sistem diagnosa penyakit hepatitis terbatas pada:
1. Data yang diolah hanya data yang berhubungan dengan penyakit yang
menyerang hati khususnya gejala penyakit hepatitis A, B dan C.
2. Sedangkan sumber data yang digunakan ialah data pasien penyakit
hepatitis hanya berdasarkan data status rekam medis yang masuk yaitu,
dilihat dari gejala yang tampak seperti gejala otot, gejala perut, gejala
kulit, gejala mata dan gejala mirip flu. Data pasien yang digunakan
tersebut adalah data tahun 2000-2010.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
3. Metode yang akan digunakan untuk mengenali gejala hepatitis adalah
metode Naïve Bayesian Classification.
4. Software yang digunakan adalah Matlab R2010a.
1.5 Metodologi Penelitian
Dalam penyelesaian tugas akhir yang berjudul Sistem Diagnosa Penyakit
Hepatitis Dengan Metode Naïve Bayesian Classification ini, akan ditempuh
langkah-langkah kerja sebagai berikut:
1. Studi Pustaka
a. Penelitian pustaka, yaitu dengan mempelajari hal -hal yang berkaitan
dengan Data Mining metode Naive 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.
c. Penelitian dan pengumpulan data pasien penyakit hepatitis di rekam
medis Rumah Sakit Panti Rapih Yogyakarta.
2. Teknik Penambangan Data
Metodologi yang kedua dilakukan dengan teknik penambangan data, yang
langkah-langkahnya seperti dibawah ini:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
a. Pembersihan data yaitu membersihkan dan menyiapkan data dengan
cara menghilangkan noise dan data yang tidak konsisten.
b. Integrasi data yaitu proses menggabungkan data dari bermacam -
macam feature atau atribut gejala ke dalam satu tempat penyimpanan
data yang koheren.
c. Seleksi data yaitu proses seleksi data, dimana dipilih atribut-atribut
yang relevan untuk dilakukan penambangan data. Atribut yang tidak
relevan akan dibuang karena atribut yang diharapkan adalah atribut
yang bersifat independen.
d. Transformasi data yaitu data ditransformasikan ke dalam bentuk yang
tepat untuk di proses penambangan . Data mentah hepatitis yang
semula merupakan data berbentuk file teks terdiri gejala -gejala yang
terdiagnosa berupa gejala otot, gejala perut, gejala kulit, gejala mata
dan gejala mirip flu. Gejala dari tiap pasien tersebut per gejalanya di
konversi menjadi nilai 0 sampai 1. Konversi dari seb uah file yang
berbentuk teks menjadi nilai 0 -1 ini disebut binerisasi. Hasil binerisasi
adalah berupa vektor baris yang bernilai 0 -1 untuk tiap elemennya.
e. Penambangan data yaitu mengaplikasikan metode yang tepat untuk
mengekstrak pola data, yaitu dengan m enggunakan metode Naive
Bayesian.
f. Evaluasi pola yaitu mengidentifikasi pola yang diperoleh dari proses
penambangan data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
1.6 Sistematika Penulisan
Sistematika penulisan dalam tugas akhir yang berjudul Sistem Diagnosa
Penyakit Hepatitis Dengan Metode Naïve Bayesian Classification ini dijelaskan
sebagai berikut :
Bab I. Pendahuluan
Pada Bab ini dijelaskan mengenai latar belakang masalah yang mendorong
dibangunnya sistem ini, rumusan masalah, tujuan, batasan masalah ,metodologi
penelitian yang dilakukan dan sistematika penulisan yang digunakan dalam
menyelesaikan laporan tugas akhir .
Bab II. Landasan Teori
Pada Bab ini berisi tentang Landasan Teori yang berfungsi sebagai sumber
dalam memahami permasalahan yang berkaitan dengan Penambangan Data (Data
Mining), metode Naïve Bayesian Classification , teori-teori yang berhubungan dan
yang diperlukan dalam pembuatan sistem informasi , yaitu mengenai jenis
penyakit hepatitis, dan gejala -gejalanya khususnya gejala dan jenis penyakit
hepatitis A, B, dan C.
Bab III. Desain Sistem
Pada bagian ini digambarkan komponen dan algoritma yang digunakan
dalam penelitian.
Bab IV. Implementasi dan Analisa Hasil
Pada bagian ini digambarkan penerapan rancangan yang dibuat dalam
suatu program, hasil implementasi serta analisis dari hasil implementasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Bab V. Penutup
Pada Bab ini berisi kesimpulan-kesimpulan yang merupakan rangkaian dari
hasil analisis kinerja pada bab sebelumnya dan saran untuk pengembangan lebih
lanjut pada penelitian tugas akhir ini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
8
BAB II. LANDASAN TEORI
Pada bab ini akan dibahas mengenai teori -teori yang digunakan untuk
mendukung penulisan tugas akhir sistem diagnosa penyakit hepatitis dengan
metode Naive Bayesian classification . Teori-teori yang akan dibahas mencakup
pengertian dasar data mining, metode Naive Bayesian Classification, dan
pengertian hepatitis serta jenis -jenisnya yang mencakup hepatitis A, B dan C.
2.1 Data Mining
Data Mining yang merupakan bagian dari Knowledge Discovery in
Databases (KDD), adalah kegiatan yang meliputi pengumpulan, pemak aian data
historis untuk menemukan keteraturan, pola atau hubungan dalam sekumpulan
data berukuran besar (Budi Santosa, 2006).
Penambangan data (data mining) didefinisikan sebagai proses pengambilan
atau menambang informasi/pengetahuan dari sekumpulan data dengan jumlah
yang sangat besar. Secara fungsional, penambangan data adalah proses dari
pengumpulan informasi penting dari sejumlah data yang besar yang tersimpan di
basis data, gudang data, atau tempat penyimpanan informasi lainnya
(Han&Kamber, 2006).
Secara sederhana, penambangan data merupakan langkah-langkah dalam
menemukan pengetahuan (Han&Kamber, 2006). Proses KDD itu akan
ditunjukkan pada gambar 2.1 dan terdiri dari urutan -urutan sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Gambar 2.1 Langkah Penambangan Data(Data Mining)
Menurut : Han&Kamber(2006)
1. Pembersihan Data (data cleaning)
Pada langkah ini noise dan data yang tidak konsisten akan dihapus.
Langkah pertama yang dilakukan dalam proses pembersihan data (data
cleaning atau disebut juga data cleansing) adalah deteksi ketidakcocokan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Ketidakcocokan tersebut dapat disebabkan oleh beberapa faktor antara lain
gejala masukan data yang kurang lengkap sehingga menyebabkan
munculnya kesalahan, yang mana petugas rumah sakit kurang
memperhatikan kelengkapan dalam memasukkan data pasien.
2. Integrasi data(data integration)
Pada langkah ini akan dilakukan penggabungan data. Data dari bermacam -
macam tempat penyimpanan data akan digabungkan ke dalam satu tempat
penyimpanan data yang sesuai. Saat melakukan integrasi data, hal yang
perlu dipertimbangkan secara khusus adalah masalah struktur data.
Struktur data yang perlu diperhatikan ketika mencocokkan atribut dari satu
gejala ke gejala data lain.
3. Seleksi data (data selection)
Data yang relevan akan diambil dari bas is 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.
Yang termasuk dalam langkah transformasi data adalah penghalusan
(smooting) yaitu menghilangkan noise yang ada pada data, pengumpulan
(aggregation) yaitu mengaplikasikan kesimpulan pada data, generalisasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
(generalization) yaitu mengganti data level rendah menjadi data level
tinggi, (normalization) yaitu mengemas data atribut ke d alam 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 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 penting di mana akan di aplikas ikan
metode yang tepat untuk mengekstrak pola data.
6. Evaluasi pola (pattern evaluation)
Langkah ini berguna untuk mengidentifikasi pola yang benar dan menarik.
Pola tersebut akan direpresentasikan dalam bentuk pengetahuan
berdasarkan beberapa pengukuran yan g penting.
7. Presentasi pengetahuan(knowledge presentation)
Pada langkah ini informasi yang sudah ditambang akan divisualisasikan
dan direpresentasikan kepada pengguna.
Pada langkah 1 sampai dengan langkah 4 merupakan langkah praproses data
(preprocessing) di mana data akan disiapkan terlebih dahulu sel anjutnya
dilakukan penambangan. Sebagai catatan, dalam urutan pro ses diatas,
penambangan data hanya terdapat satu langkah. Meskipun penambangan data
hanya terdapat dalam satu langkah, penambangan data merupakan langkah yang
penting karena bisa menemukan pola tersembuny i yang nantinya akan dievaluasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Secara umum penambangan data adalah sekumpulan aktifitas yang
dilakukan untuk menggali pengetahuan dari sekumpulan data agar didapatkan
model yang berarti (Jiawei Han dan Micheline Kamber, 2006). Dua tujuan utama
yang diperoleh dari penambangan data yaitu menjelaskan (description) dan
memprediksi (prediction). Oleh karena itu ada kemungkinan aktifitas
penambangan data diarahkan ke dalam salah satu dari dua kategori berikut:
a. Data mining yang bersifat prediksi menghasilkan pemodelan dari sistem
yang diuraikan oleh keadaan data.
b. Data mining yang bersifat deskripsi menghasilkan informasi yang baru dan
bersifat penting berdasarkan pada data yang tersedia.
Tujuan-tujuan tersebut dapat tercapai dengan penggunaan teknik data
mining. Berdasarkan tugas data mining, metode -metode yang biasa dipakai terdiri
atas:
a. Classification adalah proses penemuan model yang bersifat prediksi dan
menggolongkan data item ke dalam beberapa kelas yang sudah dikenal.
b. Regression adalah proses penemuan model yang bersifat prediksi dan
mampu memetakan data item dengan sebuah angka nyata (real value) dari
nilai variabel ramalan.
c. Clustering adalah suatu tugas deskriptif umum yang dipakai orang untuk
mencari serta mengidentifikasi suatu himpunan yang terbatas untuk cluster
kategorial sehingga dapat menguraikan data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
d. Summarization adalah suatu tugas deskriptif tambahan yang melibatkan
metode untuk penemuan sebuah uraian ringkas dari keseluruhan atau
sebagian data.
e. Dependecy Modeling adalah menemukan perubahan dan penyimpangan
yang paling penting dalam data.
2.2 Metode Naïve Bayesian Classification
2.2.1 Teorema Bayes
Teorema Bayesian mengungkapkan bahwa hasil probabilitas posterior
sebanding dengan hasil perkalian antara likelihood dengan probabilitas prior.
Probabilitas posterior adalah probabilitas bersyarat dari sebuah hipotesis jika
diberikan data. Likelihood adalah probabilitas bersyarat dari sebuah data jika
diberikan hipotesis. Probabilitas prior adalah prob abilitas bahwa hipotesis itu
benar sebelum data terlihat. Pada saat klasifikasi, pendekatan Bayes akan
menghasilkan label kategori yang paling tinggi probabilitasnya (vMAP) dengan
masukan atribut (a1,a2, …. ,an ), (Budi Santosa, 2006).
vMAP = arg max vj €V P (vj | a1,a2, …. ,an) (2.1)
Teorema Bayes menyatakan :
)(
)()|()|(
DP
hPhDPDhP (2.2)
atau dengan kata lain persamaan diatas dapat digambarkan sebagai:
Posterior= (2.3)
D adalah himpunan training data.
h adalah hipotesis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
P(h | D) adalah posterior probability , Contoh : kondisi kemungkinan dari
hipotesis h setelah training data (evidence) muncul.
P(h) adalah prior probability dari hipotesis h. Kuantitas non-klassikal ini
sering ditemukan dengan melihat data dari masa lampau (atau dalam
training data).
P(D) adalah prior probability dari training data D. Kuantitas ini sering
berupa nilai yang konstan, )()|()()|()( hPhDPhPhDPDP ,
dimana dapat dikomputasi dengan mudah ketika kita menemukan bahwa
)|( DhP dan )|( DhP adalah 1.
P(D|h) adalah probabilitas dari D yang berasal dari hipotesis h, dan biasa
disebut dengan likelihood. Kuantitas ini mudah untuk dihitung selama
memberikan nilai 1 ketika D dan h konsisten, dan memberikan nilai 0
ketika tidak konsisten.
Bayesian Theorem adalah metode classifier yang berdasarkan probabilitas
dan Teorema Bayesian dengan asumsi bahwa setiap variabel bersifat bebas
(independence). Dengan kata lain, Naïve Bayesian Classifier mengansumsikan
bahwa keberadaan sebuah feature (atribut) tidak ada kaitannya dengan keberadaan
feature (atribut) yang lain.
menggunakan teorema Bayes ini, persamaan (2.1) ini dapat ditulis:
vMAP = arg max vj €V= (2.4)
P(a1,a2,….an) nilainya konstan untuk semua v j sehingga persamaan ini
dapat ditulis sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
vMAP = arg max vj€V P (a1,a2, …. ,an | vj) P(vj) (2.5)
Naïve Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut
secara conditional saling bebas jika diberikan nilai output. Atau dengan kata lain.
diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari
probabilitas individu atau P( a1, a2, a3, … ,an | vj ) = ∏i P( a1 | vj ). memasukan
persamaan ini akan didapat perdekatan yang dipakai dalam klasifier N aïve Bayes
(Budi Santosa, 2007).
P (a1,a2, …. ,an | vj) = ∏i P( a1 | vj ) (2.6)
substitusi persamaan ini dengan persa maan 2.5 akan menghasilkan:
vMAP = arg max vj€V P( vj ) ∏i P( a1 | vj ) (2.7)
akurasi dihitung dengan cara:
Akurasi = x 100% (2.8)
2.2.2 Naive Bayesian
Dengan asumsi Naive Bayesian dimana a tribut – atribut dari training data
dianggap terpisah dan independen maka rumus 2.1 berubah menjadi seperti
dibawah ini.
)(
)()|()...|()|()|( 21
DP
hPhDPhDPhDPDhP n (2.9)
D adalah himpunan training data
h adalah hipotesis
P(h | D) adalah probabilitas dari hipotesis h setelah evidence D muncul atau
sering disebut posterior probability .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
P(h) adalah probabilitas dari hipotesis h sebelum evidence D muncul atau
sering disebut prior probability.
P(D) adalah probabilitas dari evidence D, dimana P(D) bernilai irrelevant atau
sama dengan kelas yang lain.
P(D1|h), P(D2|h),P(Dn|h) adalah probabilitas dari setiap D 1,D2,Dn untuk
hipotesis h biasa disebut dengan likelihood.
Oleh karena P(D) bernilai irrelevant maka hanya persamaan
)()|()...|()|()|( 21 DPhDPHDPhDPDhP n yang perlu digunakan untuk mencari
suatu peluang.
Jika ada P(Dn|h) yang memiliki nilai = 0, maka P(h | D) = 0. Untuk
mencegah hal itu maka dilakukan penambahan nilai 1 ke setiap evidence dalam
perhitungan sehingga probabilitas tidak akan bernilai 0. Langkah ini sering
disebut Laplace Estimator.
Jika dalam memprediksi ada evidence pada test data yang tidak diketahui,
maka atribut itu tidak perlu dimasukan dalam proses perhitungan prediksi.
2.2.3 Naive Bayes Algorithm (Classification)
Classification adalah proses untuk menemukan model atau fungsi yang
menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model itu
sendiri bisa berupa aturan “jika -maka”. Dalam teknik classification terdapat
beberapa algoritma yang bisa digunakan antara lain Decision Tree, Naive Bayes,
Adaptive Naive Bayes, Logistic Regression dan Support Vector Machine.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Bayesian Classification didasarkan pada Teorema Bayesian. Konsep dasar
teori bayes itu pada dasarnya adalah peluang bersyarat P(H|X). Dimana dalam
Bayesian H adalah posterior dan X adalah prior. Prior adalah pengetahuan
tentang karakteristik suatu atribut (bisa diartikan sebagai pengalaman di masa lalu
atas suatu atribut atau juga bisa berdasarka n teori), sedangkan posterior adalah
karakteristik yang akan kita duga pada kejadian yang akan datang. Teorema
Bayesian berguna untuk melakukan kalkulasi probabilitas posterior, P(H|X), dari
P(H), dan P(X) dan P(X|H). Teori Bayes adalah sebagai berikut:
P(H|X)= (2.10)
Proses classification biasanya dibagi menjadi dua fase: learning dan test.
Pada fase learning, sebagian data yang telah diketahui kelas datanya diumpankan
untuk membentuk model perkiraa n. Kemudian pada fase test model yang sudah
terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari model
tersebut. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas
data yang belum diketahui.
Gambar 2.2 Ilustrasi Pemodelan teknik Classification untuk mengukurakurasi
Sumber: Han & Kamber (2006)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
2.3 K-fold Cross Validation
Cross Validation adalah salah satu metode yang bisa digunakan untuk
mengukur kinerja dari sebuah model prediktif. Dalam k-fold Cross
Validation,data akan dipartisi secara acak ke dalam k partisi, D1, D2, …Dk,
masing-masing D mempunyai jumlah yang sama. Pada iterasi ke – i partisi Di
digunakan sebagai data uji, sedangkan sisa partisi digunakan sebagai data
pelatihan. Maka dari itu pada iterasi pertama, D1 digunakan sebagai data uji dan
D2, D3, ….Dk digunakan sebagai data pelatihan. Pada iterasi kedua, D2 digunakan
sebagai data uji, sedangakan D1, D3, ….Dk digunakan sebagai data pelatihan. Pada
iterasi ketiga, D3 digunakan sebagai data uji, sedangkan D1, D2, …Dk digunakan
sebagai data pelatihan dan seterusnya. Setiap sample D, hanya digunakan sekali
sebagai data uji dan berkali-kali sebagai data pelatihan (Han&Kamber, 2006).
2.4 Penyakit Hepatitis
Penyakit hepatitis adalah penyak it yang disebabkan oleh beberapa jenis
virus yang menyerang dan menyebabkan peradangan serta merusak sel -sel organ
hati manusia. Hepatitis dikategorikan dalam beberapa golongan, diantaranya
hepatitis A, B, C, D, E, F dan G. di Indonesia penderita penyakit Hepatitis
umumnya cenderung lebih banyak mengalami golongan hepatitis B dan hepatitis
C. Namun dalam Tugas Akhir ini penulis hanya membahas pada fokus penyakit
Hepatitis A, B, dan C.
Istilah "Hepatitis" dipakai untuk semua jenis peradangan pada hati (liv er).
Penyebabnya dapat berbagai macam, mulai dari virus sampai dengan obat -obatan,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
termasuk obat tradisional. Virus hepatitis juga ada beberapa jenis, hepatitis A,
hepatitis B, C, D, E, F dan G. Manifestasi penyakit hepatitis akibat virus bisa akut
(hepatitis A) dapat pula hepatitis kronik (hepatitis B, C) dan adapula yang
kemudian menjadi kanker hati (Marzuki Suryaatmadja, 2010).
Penyakit hepatitis yang diambil oleh penulis terdiri atas hepatitis A, B dan
C. Untuk lebih jelasnya diuraikan sebagai berikut:
1. Penyakit Hepatitis A
Hepatitis A adalah golongan penyakit Hepatitis yang ringan dan jarang
sekali menyebabkan kematian, Virus hepatitis A (VHA=Virus Hepatitis A)
penyebarannya melalui kotoran/tinja penderita yang penularannya melalui
makanan dan minuman yang terkomtaminasi, bukan melalui aktivitas se ksual
atau melalui darah. Penyakit Hepatitis A memiliki masa inkubasi 2 sampai 6
minggu sejak penularan terjadi, barulah kemudian penderita menunjukkan
beberapa tanda dan gejala terserang penyakit Hepatitis A.
Untuk gejala penyakit Hepatitis A diantaranya yaitu pada minggu pertama,
individu yang dijangkiiti akan mengalami sakit seperti kuning, keletihan,
demam, hilang selera makan, muntah -muntah, pusing dan kencing yang
berwarna hitam pekat. Demam yang terjadi adalah demam yang terus menerus,
tidak seperti demam yang lainnya yaitu demam berdarah, TBC, thpyus, dll .
2. Penyakit Hepatitis B
Hepatitis B merupakan salah satu penyakit menular yang tergolong
berbahaya didunia, Penyakit ini disebabkan oleh Virus Hepatit is B (VHB) yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
menyerang hati dan menyebabkan peradangan hati akut atau menahun. Seperti
hal Hepatitis C, kedua penyakit ini dapat menjadi kronis dan akhirnya menjadi
kanker hati. Proses penularan Hepatitis B yaitu melalui pertukaran cairan tubuh
atau kontak dengan darah dari orang yang terinfeksi Hepatitis B.
Adapun beberapa hal yang menjadi pola penularan antara lain penularan
dari ibu ke bayi saat melahirkan, hubungan seksual, transfusi darah, jarum
suntik, maupun penggunaan alat kebersihan diri (sikat gigi, handuk) secara
bersama-sama. Hepatitis B dapat menyerang siapa saja, akan tetapi umumnya
bagi mereka yang berusia produktif akan lebih beresiko terkena penyakit ini.
Untuk gejala penyakit Hepatitis B Secara khusus tanda dan gejala
terserangnya hepatitis B yang akut adalah demam, sakit perut dan kuning
(terutama pada area mata yang putih/sklera). Namun bagi penderita hepatitis B
kronik akan cenderung tidak tampak tanda -tanda tersebut, sehingga penularan
kepada orang lain menjadi lebih beresiko.
3. Penyakit Hepatitis C
Penyakit Hepatitis C adalah penyakit hati yang disebabkan oleh virus
Hepatitis C (VHC). Proses penularannya melalui kontak darah seperti contoh
transfusi, jarum suntik (terkontaminasi) . Penderita Hepatitis C kadang tidak
menampakkan gejala yang jelas, akan tetapi pada penderita Hepatitis C kronik
menyebabkan kerusakan/kematian sel -sel hati dan terdeteksi sebagai kanker
(cancer) hati. Sejumlah 85% dari kasus, infeksi Hepatitis C menjadi kronis dan
secara perlahan merusak hati bertahun -tahun.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Untuk gejala penyakit Hepatitis C diantaranya yaitu penderita Hepatitis C
sering kali orang yang menderita Hepatitis C tidak menunjukkan gejala,
walaupun infeksi telah terjadi bertahun -tahun lamanya. Namun beberapa gejala
yang samar diantaranya adalah ; lelah, hilang selera makan, sakit perut, urin
menjadi gelap dan kulit atau mata menjadi kuning yang disebut "jaundice"
(jarang terjadi). Pada beberapa kasus dapat ditemukan peningkatan enzyme hati
pada pemeriksaan urine, namun demikian pada penderita Hepatit is C justru
terkadang enzyme hati fluktuasi bahkan normal.
Sekilas membahas ulang tentang penyakit h epatitis yaitu peradangan pada
sel-sel hati. Virus merupakan penyebab hepatitis yang paling sering, terutama
virus hepatitis A, B, dan C. pada umumnya pend erita hepatitis A dapat sembuh,
sebaliknya hepatitis B dan C menjadi kronis. Virus hepatitis D hanya dapat
menyerang penderita yang telah terinfeksi virus hepatitis B dapat memperparah
keadaan penderita.
Pemeriksaan laboratorium diperlukan untuk memastikan diagnosis hepatitis
karena penderita hepatitis sering tidak bergejala atau gejala tidak khas. Berikut ini
tahap-tahap pemeriksaan untuk hepatitis yag harus dilalui selain melihat dari sisi
gejala-gejala yang tampak dari luar (Marzuki Suryaatmadja, 2010).
1. Pemeriksaan untuk hepatitis akut:
Enzim GOT, GPT
Penanda hepatitis A (Anti HAV IgM)
Penanda hepatitis B (HbsAg, Anti HBc IgM)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Penanda hepatitis C (Anti HCV, HCV RNA)
2. Pemeriksaan untuk hepatitis kronis:
Enzim GOT, GPT
Penanda hepatitis B (HbsAg, Hbe, Anti H Bc, Anti Hbe, HBV DNA)
Penanda hepatitis C (Anti HCV, HCV RNA)
3. Penanda imunitas:
Anti HAV
Anti HbsAg
4. Sirosis Hati
Sirosis hati adalah keadaan penyakit yang sudah lanjut dimana fungsi hati
sudah sangat terganggu akibat banyaknya jaringan ikat didalam hati. Sirosis hati
dapat terjadi karena virus Hepatitis B dan C yang berkelanjutan, karena alkohol,
salah gizi, atau karena penyakit lain yang menyebabkan sumbatan saluran
empedu. Sirosis tidak dapat disembuhkan, pengobatan dilakukan untuk mengobati
komplikasi yang terjadi (seperti muntah dan berak darah, asites/perut membesar,
mata kuning serta koma hepatikum).
Pemeriksaan untuk mendeteksi sirosis hati : Enzim GOT, GPT (rasio
GOT/GPT>1), waktu Protombin, Protein Elektroforesis.
5. Kolestasis dan Jaundice
Kolestasis merupakan keadaan akibat kegag alan memproduksi dan atau
pengeluaran empedu. Lamanya menderita kolestasis dapat menyebabkan gagalnya
penyerapan lemak dan vitamin A, D, E, K oleh usus, juga adanya penumpukan
asam empedu, bilirubin dan kolesterol di hati. Adanya kelebihan bilirubin dalam
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
sirkulasi darah dan penumpukan pigmen empedu pada kulit, membran mukosa
dan bola mata disebut jaundice. Pada keadaan ini kulit penderita terlihat kuning,
warna urin menjadi gelap, sedangkan faeces lebih terang.
Pemeriksaan untuk kolestasis dan jaundice: Fosfatase Alkali, Gamma GT,
Bilirubin Total, Bilirubin Direk.
6. Terapi Albumin pada Asites Refraktori
Pemberian albumin pada tindakan paracentesis meningkatkan respon terhadap
pemberian diuretika pada pasien asites refraktori. T erapi paracentesis merupakan
pengobatan dini pertama untuk asites refraktori karena penerimaannya yang luas
dikalangan medis. Prosedur ini merupakan pengulangan pemberian large volume
paracentesis (LVP) ditambah albumin. Pemberian LVP 5L/hari dengan infus
albumin (6-8 g/l asites yang dibuang) lebih efektif mengeliminasi asites dan
menghasilkan komplikasi yang minimal jika dibandingkan dengan terapi
diuretika. Kombinasi paracentesis dengan infus albumin ini juga menyingkat masa
perawatan di rumah sakit. Tindakan paracentesis dapat dilakukan tiap 2 hingga 4
pekan tanpa keharusan opname. Namun tindakan ini tidak berarti menghilangkan
kebutuhan akan diuretic(spironolakton atau furosemida), karena kekambuhan
asites bisa ditunda pada pasien yang men erima diuretik pascaparacentesis.
Hipovolemia pascaparacentesis efektif bisa dicegah dengan pemberian albumin
dibandingkan pemberian plasma sintetik ekspander. Penggunaan albumin
dimaksudkan untuk memelihara colloid oncotic pressure (COP), mengikat dan
menyalurkan obat, dan sebagai penangkap radikal bebas. Albumin juga memiliki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
efek antikoagulan, efek prokoagulatori, efek permeabilitas vaskular, serta ekspansi
volume plasma.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
25
BAB III. Desain Sistem
Pada bab ini diuraikan desain sistem yang akan dibuat untuk sistem
diagnosa penyakit hepatitis menggunakan metode Naive Bayes sehingga
menghasilkan akurasi yang optimal.
3.1 Data
Setiap tahun Rumah Sakit Panti Rapih menerima pasien yang mengidap
penyakit hepatitis. Hepatitis itu sendiri merupakan peradangan pada sel-sel hati.
Virus merupakan penyebab hepatitis yang paling sering, terutama virus hepatitis
A, B, C, D dan E. Pada umumnya penderita hepatitis A & E dapat sembuh,
sebaliknya hepatitis B & C dapat menjadi kronis. Dalam Tugas Akhir ini penulis
membatasi pembahasan data hepatitis A, B dan C. Hati atau liver merupakan
organ vital dalam tubuh manusia. Maka jika terjadi kerusakan dalam fungsi hati,
akan menimbulkan penyakit pada hati s eperti hepatitis A, B dan C yang menjadi
kerisauan masyarakat. Untuk pendeteksian dini penya kit ini pasien dapat dikaji
dari gejala-gejala yang dialaminya, seperti menginputkan gejala otot, gejala perut,
gejala kulit, gejala mata dan gejala mirip flu. Selain dari pada itu pada hasil rekam
medis di rumah sakit Panti Rapih juga di simpan data hasi l laboratorium pasien
yang periksa. Tetapi peneliti hanya membatasi 5 gejala diatas, tidak dilengkapi
dengan data hasil laboratorium. S emua keterangan tentang status data pasien
tersebut dikumpulkan dan didokumentasikan oleh pihak rekam medis.
Data status pasien yang terdiri gejala otot, gejala perut, gejala kulit dan
gejala mata serta gejala mirip flu tersebut akan diteliti apakah mempengaruhi hasil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
diagnosa pasien yang bersangkutan. Untuk meneliti apakah ada keterkaitan antara
data pasien dengan hasil diagnosa akhir seorang pasien, akan dilakukan proses
penambangan data. Penambangan data akan menemukan informasi/ pengetahuan
yang mendeskripsikan pasien dengan data status pasien seperti apa yang memiliki
hasil diagnosa akhir baik hepatitis A, B maupun C.
Data status pasien rawat inap di rumah sakit panti rapih ini yang digunakan
adalah data pasien penyakit hepatitis A, B dan C tahun 2000 sampai dengan tahun
2010. (data seluruh pasien hepatitis terdapat pada halaman L1 sampai dengan L3.
Contoh data dapat dilihat pada tabel 3.1 dibawah ini.
Tabel 3.1 Data Gejala Hepatitis
feature
HepatitisNo. Gejala Otot Gejala Perut Gejala Kulit Gejala Mata Gejala Mirip Flu
1 Pegal Muntah Normal Kuning Demam A
2 Pegal Diare Normal Kuning Pusing A
3 Pegal Kencing Berwarna gelap Normal Normal Demam A
4 Pegal Nafsu makan berkurang Kuning Normal Lesu A
5 Pegal Muntah Kuning Normal Mialgia A
6 Nyeri Sendi Mual Kuning Normal Lelah A
7 Pegal Mual Kuning Normal Demam A
8 Nyeri Sendi Muntah Kuning Normal Pusing A
9 Nyeri Sendi Nyeri Perut sebelah kanan Normal Normal Demam A
10 Nyeri Sendi Nyeri Perut sebelah kanan Kuning Normal Menggigil A
11 Nyeri Sendi Illeus obstructiva Kuning Kuning Pusing B
12 Pegal Diare Normal Kuning Menggigil B
13 Pegal Kencing Berwarna gelap Kuning Normal Lelah B
14 Pegal Mual Kuning Kuning Demam B
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
15 Nyeri Sendi Nafsu makan berkurang Normal Kuning Pusing B
16 Pegal Mual Kuning Kuning Pusing B
17 Nyeri Sendi Muntah Kuning Kuning Pusing B
18 Nyeri Sendi Nyeri Perut sebelah kanan Kuning Kuning Pusing B
19 Nyeri Sendi Kencing Berwarna gelap Kuning Kuning Demam B
20 Nyeri Sendi Nyeri Perut sebelah kanan Kuning Kuning Lelah B
21 Pegal Nafsu makan berkurang Normal Kuning Pusing B
22 Nyeri Sendi Nafsu makan berkurang Normal Kuning Mialgia B
23 Pegal Nyeri Perut sebelah kanan Kuning Kuning Pusing C
24 Pegal Nafsu makan berkurang Kuning Kuning Pusing C
25 Pegal Nyeri Perut sebelah kanan Normal Demam C
26 Nyeri Sendi Diare Kuning Kuning Lesu C
27 Pegal Mual Kuning Kuning Mialgia C
28 Pegal Kencing Berwarna gelap Kuning Kuning Menggigil C
29 Nyeri Sendi Haemotom esis Kuning Kuning Lelah C
30 Nyeri Sendi Nafsu makan berkurang Kuning Kuning Demam C
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Pada sistem klasifikasi hepatitis ini, digunakan metode five fold untuk
membagi data menjadi 5 kelompok. Dimana 4 kelompok digunakan untuk data
training sedangkan 1 kelompok yang lain digunakan untuk data testing.
Untuk penelitian ini, jumlah data yang digunakan sebanyak 130 sample,
dimana terdiri dari:
a. 50 sample untuk data hepatitis A
b. 50 sample untuk data hepatitis B
c. 30 sample untuk data hepatitis C
Dari hasil perhitungan diperoleh data pembagian sample untuk setiap
kelompok.
Tabel 3.2 Pembagian Sample
Kelompok Hepatitis A Hepatitis B Hepatitis C1 10 sample 10 sample 6 sample
2 10 sample 10 sample 6 sample
3 10 sample 10 sample 6 sample
4 10 sample 10 sample 6 sample
5 10 sample 10 sample 6 sample
Karena menggunakan metode five fold, maka dilakukan percobaan untuk proses
training dan testing sebanyak 5 kali untuk setiap hepatitis. 4 kelompok (120
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
sample) digunakan untuk data training dan 1 kelompok (30 sample) digunakan
untuk data testing.
Tabel 3.3 Percobaan Hepatitis
Percobaan Training Testing1 Kelompok 1,2,3,4 Kelompok 52 Kelompok 1,2,3,5 Kelompok 43 Kelompok 1,2,4,5 Kelompok 3
4 Kelompok 1,3,4,5 Kelompok 25 Kelompok 2,3,4,5 Kelompok 1
Pada tabel 3.3 ditunjukkan banyaknya percobaan yang akan dilakukan dan
kelompok data yang digunakan sebagai data training dan data testing. Jika sample
kelompok 1, 2, 3, dan 4 digunakan untuk data training, maka sample kelompok 5
digunakan untuk data testing begitu seterusnya sesuai tabel 3.3. Percobaan
hepatitis pada tabel 3.3 ini berlaku untuk hepatitis A, B dan C.
Contoh perhitungan Naive Bayes telah disediakan data sebagai berikut:
Tabel 3.4 Sample hepatitis
Gejala Otot Gejala Perut Gejala Kulit Gejala Mata Gejala MiripFl u Hepatitis
Nyeri Sendi Diare Kuning Kuning Pusing ?
(Gejala Otot= nyeri sendi, Gejala Per ut= diare, Gejala Kulit=kuning, Gejala
Mata=kuning, Gejala Mirip Flu= pusing)
vNB = arg max vj€[hepatitis A, B, C ] P( vj ) ∏i P( a1 | vj )
= arg max vj€[hepatitis A, B, C ] P(Gejala Otot=nyeri sendi|v j)
P(Gejala Perut=diare|v j) P(Gejala Kulit=kuning|v j) P(Gejala
Mata=kuning|vj) (Gejala Mirip Flu=pusing|v j)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Pengujian atau testing model, dilakukan dengan pengenalan data baru.
Untuk mengenali suatu penyakit hepatitis apa yang diderita oleh pasien apakah
hepatitis A, B atau C, sistem akan menghitung berapa probabilitas data ini dengan
masing-masing model yang telah ada.
Tabel 3.5 Feature Gejala Otot
Hep A Hep B Hep C
P (pegal | A )=6/10 P(pegal | B)=5/12 P (pegal | C )=5/8
P (nyeri sendi | A )=4/10 P(nyeri sendi | B)=7/12 P(nyeri sendi | C)=3/8
Tabel 3.6 Feature Gejala Perut
Hep A Hep B Hep C
P(nyeri Perut sebelah
kanan | A ) = 2/10
P(nyeri Perut sebelah
kanan | B ) = 2/12
P(nyeri Perut sebelah
kanan | C)= 1/8
P( Nafsu makan
berkurang |A )=1/10
P(nafsu makan berkurang
| B )=3/12
P(nafsu makan
berkurang | C )=2/8
P(mual |A ) = 2/10 P(mual | B) = 2/12 P(mual | C) =1/8
P(muntah | A ) =3/10 P(muntah | B ) =1/12 P(muntah | C ) = 0
P(illeus Obstructiva | A )
= 0
P(illeus Obstructiva | B)
=1/12
P(illeus Obstructiva | C )
= 0
P (haematomesis | B ) =0 P (haematomesis | B ) =0 P (haematomesis | C )=
1/8
P (diare | A )=1/10 P(diare | B )=1/12 P(diare | C )=1/8
Tabel 3.7 Feature Gejala Kulit
Hep A Hep B Hep C
P (kuning | A ) = 6/10 P(kuning | B )=8/12 P (kuning | C ) =7/8
P (normal | A ) =4/10 P (normal | B )=4/12 P (normal | C) = 1/8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Tabel 3.8 Feature Gangguan Mata
Hep A Hep B Hep C
P (kuning | A ) = 2/10 P(kuning | B )=11/12 P (kuning | C ) =1
P (normal | A ) =8/10 P (normal | B )=1/12 P (normal | C) = 0
Tabel 3.9 Feature Gangguan Mirip Flu
Hep A Hep B Hep C
P(demam | A ) =4/10 P(demam | B ) =2/12 P(demam | C ) =2/8
P(pusing | A ) =2/10 P(pusing | B ) =6/12 P(pusing | C ) =2/8
P(lesu | A ) =1/10 P(lesu | B ) =1/12 P(lesu | C ) =1/8
P(mialgia | A) =1/10 P(mialgia | B) =1/12 P(mialgia | C) =1/8
P(menggigil | A )=1/10 P(menggigil | B )=1/12 P(menggigil | C )=1/8
P(lelah | A)=1/10 P(lelah | B)=1/12 P(lelah | C)=1/8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Tabel 3.10 Sampel Penyakit Hepatitis dengan nilai Probabilitas
Gejala Otot Gejala Perut Gejala KulitA B C A B C A B C
pegal 6 5 5 Muntah 3 1 0 Normal 4 4 0nyeri sendi 4 7 3 Diare 1 1 1 Kuning 6 8 7
Kencing berwarna gelap 1 2 1Nafsu makan berkurang 1 3 2Mual 2 2 1Nyeri Perut sebelah kanan 2 2 2Illeus Obstructiva 0 1 0Haemotom Esis 0 0 1
pegal 6/10 5/12 5/8 Muntah 3/10 1/12 0/8 Normal 4/10 4/12 0/8nyeri sendi 4/10 7/12 3/8 Diare 1/10 1/12 1/8 Kuning 6/10 8/12 7/8
Kencing berwarna gelap 1/10 2/12 1/8Nafsu makan berkurang 1/10 3/12 2/8Mual 2/10 2/12 1/8Nyeri Perut sebelah kanan 2/10 2/12 2/8Illeus Obstructiva 0/10 1/12 0/8Haemotom Esis 0/10 0/12 1/8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Gejala Mata Gejala Mirip Flu HepatitisA B C A B C A B C
Normal 8 1 0 Demam 4 2 2 10 12 8Kuning 6 11 8 Pusing 2 6 2
Lesu 1 0 1Mialgia 1 1 1Lelah 1 2 1Menggigil 1 1 1
Normal 8/10 1/12 0/8 Demam 4/10 2/12 2/8 10/30 12/30 8/30Kuning 6/10 11/12 8/8 Pusing 2/10 6/12 2/8
Lesu 1/10 0/12 1/8Mialgia 1/10 1/12 1/8Lelah 1/10 2/12 1/8Menggigil 1/10 1/12 1/8
Tabel 3.11 Sampel Penyakit Hepatitis (2)
Tabel Contoh:
Gejala Otot Gejala Perut Gejala Kulit Gejala Mata Gejala Mirip Flu Hepatitis
Nyeri Sendi Diare Kuning Kuning Pusing ?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
PROBABILITAS KEPUTUSAN
HEPATITIS A: 10/30 = 1/3
HEPATITIS B: 12/30 = 2/5
HEPATITIS C: 8/30 = 4/15
X=(NYERI SENDI, DIARE, KUNING, KUNING, PUSING)
MAKA:
P( X|A ) . P( A ) = P(NYERI SENDI |A). P(DIARE | A). P(KUNING | A ).
P(KUNING | A). P( PUSING | A). P(A)
=4/10. 1/10. 6/10. 2/10. 2/10 . 1/3
= 0,4 . 0,1 . 0,6 . 0,2 . 0,2 . 0,33
= 0,0003168 = 0,00032
P( X|B ) . P( B ) = P(NYERI SENDI |B). P(DIARE | B). P(KUNING | B).
P(KUNING | B). P(PUSING | B) . P(B)
=7/12. 1/12. 8/12. 11/12. 6/12 . 2/5
= 0,58 . 0,083 . 0,67 . 0,92 . 0,5 . 0,4
= 0,0059346992 = 0,0059347
P( X|C ) . P( C ) = P(NYERI SENDI |C). P(DIARE | C). P(KUNING | C).
P(KUNING | C). P( PUSING | C). P(C)
=3/8. 1/8. 7/8. 1. 2/8 . 4/15
= 0,375 . 0,125 . 0,875 . 1 . 0,25 . 0,267
= 0,0027377 = 0,00273
Sehingga dengan naïve bayes, penulis simpulkan pasien menderita
penyakit hepatitis b, berdasarkan estimasi probabilitas yang dipelajari dari data
training. dengan normalisasi, agar jumlah probabilitas sama dengan 1, maka kita
bisa menghitung probabilitas konditional untuk pil ihan penyakit hepatitis b jika
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
diberikan nilai-nilai atribut. untuk soal diatas , probabilitasnya adalah sebagai
berikut:
P total = 0,00032 + 0,00593 + 0,00273 = 0,00898
P Hepatitis A = (0,00032/0,00898) x 100% = 0,03563 x 100% = 3,563 %
P Hepatitis B = (0,00593/0,00898) x 100% = 0,6603 x 100% = 66,03 %
P Hepatitis B = (0,00273/0,00898) x 100% = 0,3040 x 100% = 3,04%
3.2 Desain Sistem
Gambar 3.1 Garis Besar Sistem Pengenalan
Pada gambar 3.1 dijelaskan mengenai tahapan -tahapan yang dilakukan
dalam sistem pengenalan hepatitis. Dimulai dari feature asli hepatitis sebagai data
mentah untuk proses binerisasi. Karena data mentah dari penyakit hepatitis terdiri
gejala-gejala yang terdiagnosa berupa gejala otot, gejala perut, gejala kuli t, gejala
mata dan gejala mirip flu. Gejala dari tiap pasien tersebut per gejalanya di
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
konversi menjadi nilai 0 sampai 1. Konversi dari sebuah file yang berbentuk teks
menjadi nilai 0-1 ini disebut binerisasi. Hasil binerisasi adalah berupa vektor baris
yang bernilai 0-1 untuk tiap elemennya. Sample yang telah direduksi dijadikan
data masukan dalam tahap training dan testing dengan metode Naive Bayes,
tahapan terakhir dalam sistem yang dibuat adalah pengenalan. Hasil pengenalan
berupa diagnosa pasien mengidap jenis penyakit hepatitis A, B atau C.
Pada sistem diagnosa penyakit hepatitis ini, digunakan metode five fold
untuk membagi data menjadi 5 kelompok. Dimana 4 kelompok digunakan untuk
data training sedang 1 bagian yang lain digunakan untuk data testing.
3.3 Tahap Pelatihan(Training)
Gambar 3.2 Skema Tahap Pelatihan.
Data training diperoleh dari perhitungan menurut metode five fold. Sample
hepatitis dari setiap pasien diambil 4 kelompok sample yang masing-masing
bagian berbeda-beda, dari hepatitis A terdiri 10 sample, hepatitis B terdiri 10
sample dan hepatitis B terdiri 6 sample.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Sebanyak 120 data hasil ekstraksi feature digunakan untuk membentuk
model hepatitis A. Dan Sebanyak 120 data hasil ekstraksi feature digunakan untuk
membentuk model hepatitis B. Sedangkan 72 sample. Dalam tahap ini penulis
menggunakan 2 percobaan yaitu percobaan per gejala dan percobaan kombinasi
gejala.
3.4 Tahap Pengujian (Testing)
Gambar 3.3 Skema Tahap Pengujian.
Data testing diperoleh dari perhitungan menurut metode five fold. Sample
hepatitis dari setiap pasien hepatitis diambil 1 kelompok sample yang masing-
masing bagian berbeda-beda, dari hepatitis A terdiri 10 sample, hepatitis B terdiri
10 sample dan hepatitis B terdiri 6 sample.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Dengan menggunakan 30 sample di hepatitis A, 30 sample di hepatitis B
dan 12 sample di hepatitis C yang merupakan hasil ekstraksi sample dilakukan
klasifikasi. Klasifikasi dilakukan dengan cara membandingkan model Naive
Bayesian yang telah terbentuk pada tahap training dengan data testing. Dari tahap
klasifikasi, dihasilkan hasil klasifikasi hepatitis yang berupa jumlah sample yang
dapat dikenali dengan dari setiap kelompok hepatitis.
3.5 Penghitungan Akurasi
Karena menggunakan metode five fold dalam pembagian data, maka
dilakukan 5 kali percobaan training dan testing. Hasil dari percobaan berupa
confusion matrix. Confusion matrix menunjukkan data yang dikenali sesuai
dengan kelompok data.
Dari hasil klasifikasi dilakukan penghitungan berupa gejala hepatitis pasien
ke-1 yang dikenali sebagai gejala hepatitis A, hepatitis B, hepatitis C; gejala
pasien ke-2 yang dikenali sebagai gejala hepatitis A, hepatitis B, hepatitis C;
gejala pasien ke-3 yang dikenali sebagai gejala hep atitis A, hepatitis B, hepatitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
C. Dan untuk pengukuran tingkat akurasi menggunakan confusion matrix dengan
tabel seperti dibawah ini:
Tabel 3.12 Confusion Matrix
A B C
A X
B X
C X
Dari confusion matrix dihitung besar akurasi. Penghitun gan akurasi
dilakukan untuk melihat seberapa optimal Naive Bayesian dalam mengenali gejala
penyakit hepatitis baik A, B maupun C.
Evaluasi ketepatan confusion matrix di atas dilakukan dengan cara
membandingkan output hasil identifikasi oleh sistem uji yang tersedia untuk data
tersebut. Perhitungan jumlah persentase model yang dikenal secara tepat sebagai
berikut:
data benar = jumlah angka pada diagonal matriks,
seluruh data= keseluruhan data yang digunakan untuk pengujian /testing
3.6 Desain User Interface
Berikut ini adalah contoh user interface dari sistem yang akan dibangun.
User interface dibuat sedemikian sederhana guna untuk memudahkan user dalam
pemakaiannya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
1. Tampilan Awal.
Gambar 3.4 Tampilan Awal.
Gambar 3.4 menunjukkan tampilan awal dar i aplikasi yang akan dibuat.
Terdapat 4 menu utama. Terdiri atas menu bantuan, uji sistem, klasifikasi dan
menu keluar dari aplikasi.
2. Halaman Bantuan
Gambar 3.5 Halaman Bantuan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
Pada gambar 3.5 menampilkan bantuan berupa langkah -langkah
penggunaan sistem. Untuk keluar dari halaman bantuan, tekan tombol ’Tutup’.
3. Halaman Pengujian Sistem
Gambar 3.6 Halaman Pengujian Sistem
Gambar 3.6 menunjukkan halaman pengujian sistem dia gnosa
menggunakan Naive Bayes. Kotak pilih gejala terdiri 5 gejala yang terdiri atas
gejala mata, mirip flu, otot, perut dan kulit. Dimana bisa dipilih lebih dari satu
gejala yang dinamakan pengujian kombinasi gejala, atau juga bisa pilih per -gejala
yang disebut pengujian per-gejala. Kemudian untuk mengetahui hasilnya tekan
tombol ‘PROSES’ maka pengujian per-gejala atau pengujian kombinasi gejala
sesuai pilihan tadi dapat dijalankan. Kotak hasil menampilkan tahapan yang
dilalui dalam pengujian yang terdiri atas confusion matrix dari proses pengujian,
jumlah data yang benar dan nilai akurasi per -fold. Untuk keluar dari halaman
pengujian sistem tekan tombol ‘ TUTUP’.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
4. Halaman Klasifikasi Sistem
Gambar 3.7 Halaman Klasifikasi Sistem
Gambar 3.7 menunjukkan halaman klasifikasi. Terdapat 5 kotak gejala yang
terdiri atas gejala otot, perut, kulit, mata dan mirip flu. User disini dapat memilih
semua gejala masing-masingnya lebih dari satu, kemudian untuk mengetahui user
menderita jenis penyakit hepatitis A, B, atau C, setelah menginputkan gejala -
gejala yang diderita maka selanjutnya tekan tombol ‘ PROSES’ untuk mengetahui
hasilnya. Kotak hasil akurasi menampilkan prosentase nilai akurasi untuk masing-
masing hepatitis, kemudian akan ditampilkan prosentase nilai akurasi yang
tertinggi. Dengan demikian nilai akurasi yang tertinggi tersebut merupakan hasil
jenis hepatitis yang diderita oleh user. Untuk keluar halaman klasifikasi tekan
tombol ‘TUTUP’.
Klasifikasi
Gejala Otot
Pegal
Nyeri Sendi
Normal
Linu-linu
Gejala Perut
MuntahDiareKencing berwarna gelap
MualNyeri Perut Sebelah Kanan
Nafsu makan berkurangPerut Acites
Gejala Kulit
Normal
Kuning
Lembab
Gatal
Kemerahan
Kering
Gejala Mata
Normal
Kuning
Gejala Mirip Flu
Demam
Pusing
Lesu
Mialgia
Lelah
Batuk
Klasifikasi Penyakit Hepatitis Menggunakan Naive Bayes
Hepatitis A Hepatitis B Hepatitis C% % %
Hasil Akurasi Output
Hepatitis TUTUPPROSES
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
3.7 Spesifikasi Software dan Hardware
Spesifikasi software dan hardware yang digunakan dalam implementasi
sistem diagnosa penyakit hepatitis menggunakan Naive Bayesian adalah sebagai
berikut:
1. Software :
Sistem Operasi : Microsoft Widows 7 Home Premium 32 -bit
Bahasa Pemrograman : Matlab R2010a
2. Hardware :
Processor : Intel(R) Core(TM) i3 CPU M370
@2.40GHz
Memory : 2 GB.
Hardisk : 320 GB
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
44
BAB IV. Implementasi dan Analisa Hasil
Pada bab ini dibahas mengenai hasil penelitian dan analisis hasil penelitian
dari implementasi sistem yang telah dibuat. Hasil penelitian yang terpenting
berupa perbandingan akurasi yang diperoleh dari serangkaian pengujian yang
telah dilakukan beberapa percobaan dengan metode Naive Bayesian yang telah
disebutkan pada bab 3. Pada bab ini juga dibahas mengenai user interface yang
dibangun berdasarkan algoritma yang telah dirancang.
4.1 Hasil Penelitian dan Analisa
Dalam penelitian yang telah dilakukan, penulis menggunakan 130 data
pasien hepatitis yang terdiri atas hepatitis A, B maupun C yang berasal dari
Rumah Sakit Panti Rapih Yogyakarta. Masing -masing pasien hepatitis jumlahnya
terdiri dari 50 data hepatitis A, 50 data hepatitis B dan 30 data hepatitis C. Setiap
pasien memiliki data gejala yang mendeteksi pasien tersebut mengarah ke
hepatitis A, B atau C. Gejala hepatitis yang digunakan oleh penul is merupakan
gejala yang tampak dari luar, yang terdiri dari gejala otot, gejala perut, gejala
kulit, gejala mata dan gejala mirip flu. Untuk masing -masing gejala terdiri atas
beberapa kriteria seperti yang ditunjukkan pada tabel 4.1 dibawah ini :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Tabel 4.1 Deskripsi Data Gejala Hepatitis
No Gejala Keterangan (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)
3. Kulit Normal, kuning, lembab, gatal, kemerahan, kering
4. Mata Normal, kuning
5. Mirip Flu Demam, pusing, lesu, mialgia, lelah, menggigil, batuk
Data pasien hepatitis ini berupa teks yang disimpan dalam format excel
(.xls); masing-masing disimpan secara terpisah baik data hepatitis A, B maupun
C. Terdiri 50 data hepatitis A, 50 data hepatitis B dan 30 data hepatitis C. 50 data
dari hepatitis A dan B dibagi menjadi 2 bagian, 10 data digunakan untuk data
testing sedangkan 40 sisa data digunakan u ntuk data training, begitu juga 30 data
hepatitis C dibagi menjadi 2 bagian, 6 data digunakan untuk data testing sedang
24 sisa data digunakan untuk data training. Hasil penelitian didasarkan pada 2
percobaan. Percobaan pertama dilakukan dengan pengujian s istem keseluruhan
data atau disebut single test dan percobaan kedua dilakukan dengan pengujian
sistem penggabungan gejala. Dari percobaan yang kedua ini kemudian akan di
visualisasikan ke dalam bentuk gambar grafik untuk melihat prosentase nilai
akurasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
4.2 Perancangan Naive Bayes
Data mentah yang digunakan untuk pelatihan ini adalah data status pasien
dan data hasil diagnosa akhir pasien hepatitis yang didapat dari Rekam Medis
Rumah Sakit Panti Rapih. Data diberikan dalam bentuk manual, yaitu berupa map
yang berisi lembaran data pasien, baik hasil pencatatan anamnesa/ gejala penyakit
dan hasil laboratorium serta data diagnosa keperawatan yang mana pasien telah
dirawat inap. Peneliti melakukan pencatatan data pasien dalam format ekstensi xls
yang terdiri dari 10 sheet. Sheet pertama menampung data -data pasien hepatitis
tahun 2010, sheet 2 sampai sheet 10 berturut -turut menampung data-data pasien
hepatitis A, B dan C tahun 2009, 2008, 2007, 2006, 2005, 2004, 2003, 2002,
2001 dan 2000. Data pasien ters ebut terdiri dari feature gejala otot, gejala perut,
gejala kulit , gejala kulit, gejala mata dan hasil diagnosa akhir.
Langkah-langkah Preprocessing yang dilakukan sebagai berikut:
1. Pembersihan Data
Pembersihan Data (data cleaning) merupakan tahap awal dalam pros es
penambangan data. Pada data mentah, terdapat beberapa record yang
mempunyai data yang tidak lengkap (missing value). Pada proses
pembersihan data, record yang mempunyai data yang tidak lengkap tersebut
dibuang. Data yang memenuhi kriteria ini mencakup 5 gejala hepatitis
tersebut, yaitu otot, perut, kulit, mata dan mirip flu. Jika terdapat pasien
yang tidak memenuhi kriteria akan dibuang. Sehingga sumber data mentah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
yang sebelumnya keseluruhan data terdapat 192 data, setelah dilakukan
pembersihan data menjadi 130 data.
2. Integrasi Data
Pada langkah ini, dilakukan proses penggabungan data. Data mentah yang
didapat disajikan secara terpisah untuk setiap hepatitis baik A, B dan C,
begitu pula dilakukan pemisahan data untuk setiap gejala (otot, perut, kulit,
mata dan mirip flu). Pada penelitian ini dilakukan 2 kali percobaan yang
pertama pengenalan masing-masing gejala hepatitis dan kombinasi. Hal
yang penting dilakukan pada pengenalan kombinasi yaitu penggabungan
data mentah dari gejala satu dengan yang lainny a, misalkan penggabungan
data gejala kulit dan gejala mata.
3. Seleksi Data
Data yang sudah diintegrasikan dikenai proses seleksi data. Pa da proses
seleksi data, dipilih atribut -atribut yang relevan untuk penelitian. Data
mentah yang diperoleh terdiri dari atribut-atribut berikut ini: Gejala Otot
terdiri atas pegal, nyeri sendi, linu-linu, normal. Gejala perut terdiri atas
muntah, mual, diare, kencing berwarna gelap, nafsu makan berkurang, nyeri
perut sebelah kanan, perut acites/perut kembung besar. Gejala Kulit terdiri
atas: normal, kuning, kering, gatal, kemerahan, l embab. Gejala mata terdiri
atas normal dan kuning. Gejala mirip flu terdiri atas demam, pusing, lesu,
mialgia, lelah, menggigil, batuk.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
4. Transformasi Data
Pada langkah transfomasi data, data st atus pasien penyakit hepatitis rawat
inap diklasifikasikan menjadi hepatitis A, hepatitis B dan h epatitis C. Data
mentah hepatitis yang semula merupakan data berbentuk file teks terdiri
gejala-gejala yang terdiagnosa berupa gejala otot, gejala perut, gejal a kulit,
gejala mata dan gejala mirip flu, sebagaimana tertulis pada tabel 4.2. Gejala
dari tiap pasien tersebut per gejalanya di konversi menjadi nilai 0 sampai 1.
Konversi dari sebuah file yang berbentuk nominal (teks) menjadi nilai 0 -1
ini disebut binerisasi. Hasil binerisasi adalah berupa vektor baris yang
bernilai 0-1 untuk tiap elemennya, setelah melewati proses transformasi data
teks dikonversikan menjadi binerisasi dapat dilihat pada tabel 4.3 dibawah
ini.
Tabel 4.2 Data Nominal Gejala Hepatitis
Feature
HepatitisNo.
GejalaOtot Gejala Perut
GejalaKulit
GejalaMata
GejalaMirip Flu
1 Pegal Muntah Normal Kuning Demam A
2 Pegal Diare Normal Kuning Pusing A
3 PegalKencing Berwarnagelap Normal Normal Demam A
4NyeriSendi Muntah Kuning Normal Pusing A
5NyeriSendi
Nafsu makanberkurang Normal Kuning Pusing B
6 Pegal Mual Kuning Kuning Pusing B
7NyeriSendi Muntah Kuning Kuning Pusing B
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Pada tabel 4.3 dibawah ini menunjukkan data binerisasi gejala hepatitis
yang berkaitan dengan tabel 4.2 diatas yang semula data asli yaitu data teks,
seperti menyatakan seseorang yang di identifikasi hepatitis A, dengan gejala yang
tampak yaitu gejala otot terdiagnosa pegal, gejala perut terdiagnosa muntah,
gejala kulit terdiagnosa normal serta gejala mata terdiagnosa kuning dan yang
terakhir gejala mirip flu terdiagnosa demam. Dengan melalui langkah
transformasi seperti yang diuraikan pada langkah preprocessing diatas yaitu
dengan mengkonversikan data teks menjadi binerisasi, maka bila dinyatak an
terdiagnosa nilainya dinyatakan ‘1’ sedangkan bila tidak terdiagnosa bernilai ‘0’
seperti yang dinyatakan pada tabel 4.3 berikut ini:
8NyeriSendi
Nyeri Perutsebelah kanan Kuning Kuning Pusing B
9 PegalNyeri Perutsebelah kanan Normal Kuning Demam C
10NyeriSendi Diare Kuning Kuning Lesu C
11 Pegal Mual Kuning Kuning Mialgia C
12 PegalKencing Berwarnagelap Kuning Kuning Menggigil C
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Tabel 4.3 Data Binerisasi Gejala Hepatitis
4.3 Seleksi Atribut
Pada penelitian ini dilakukan seleksi data, karen a tidak semua data
memenuhi kriteria menjadi data pasien hepatitis yang akurat. Dalam proses
seleksi data ini terdapat dua macam percobaan seperti berikut ini:
a. Percobaan per-gejala
Data yang semula utuh mencakup 5 gejala yang terdiri atas gejala otot,
gejala perut, gejala kulit, gejala mata dan gejala mirip flu. Dilakukan proses
pemisahan data dibagi menjadi per gejala. Tujuan dari percobaan per -gejala
ini untuk menentukan gejala/ feature yang paling berpengaruh pada
pengenalan jenis penyakit hepatitis baik A, B maupun C, berdasarkan 5
gejala/feature yang ada. Dalam percobaan ini akan tampak seberapa banyak
jumlah data yang dikenali untuk masing -masing gejala, kemudian akan
dilakukan sorting (pengurutan) akurasi dari prosentase akurasi tertinggi
hingga terendah.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
b. Percobaan Kombinasi Gejala (Penggabungan Gejala)
Pada percobaan ini merupakan proses pengenalan akan penyakit hepatitis
berdasarkan gabungan beberapa gejala/ feature hepatitis. Dalam
menggabungan gejala dilakukan berdasarkan gejala dengan akurasi te rbaik
yang ditunjukkan pada tabel akurasi percobaan kombinasi gejala. Yaitu
akurasi tertinggi dimiliki oleh gabungan gejala dengan urutan pertama
adalah mata dan yang kedua adalah gejala mirip flu, dan yang ketiga gejala
otot, maka gejala mata, mirip flu dan otot dikombinasikan, kemudian
dilakukan kembali proses pengenalan hepatitis ini seperti yang dilakukan
dalam percobaan per-gejala, yaitu diurutkan dari prosentase tertinggi hingga
rendah berdasarkan hasil akurasi dari percobaan kombinasi tersebut.
4.4 Hasil dan Akurasi
a. Grafik Akurasi
1. Percobaan per-gejala:
Pada Tabel 4.4 menunjukkan hasil percobaan per -gejala yang didalamnya
terdiri urutan gejala/feature hepatitis beserta hasil prosentase akurasi dari
pengenalan penyakit hepatitis. Berdasarkan Tabel 4.6 ini diperoleh
gejala/feature yang paling berpengaruh dalam pengenalan penyakit
hepatitis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Tabel 4.4 Hasil Akurasi Percobaan per-gejala
No Attribut / feature Akurasi (%)
1. Perut 44,44%
2. Kulit 37,78%
3. Mirip Flu 35,56%
4. Otot 33,33%
5. Mata 16,67%
Pada gambar 4.1 menunjukkan grafik akurasi percobaan per -gejala hepatitis
berdasarkan urutan data gejala dan prosentase hasil akurasi pada tabel 4. 4 hasil
percobaan per-gejala.
Gambar 4.1 Grafik Akurasi Percobaan per -gejala Hepatitis
b. Confusion Matriks Gejala Mata
Pada tabel 4.5 berikut ini menunjukkan confusion matrix gejala mata, ini
diambil berdasarkan prosentase hasil akurasi tertinggi dari percobaan per -gejala
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
diatas. Pada confusion matrix diketahui setiap kolom dari matriks mewakili gejala
hepatitis yang dikenal, sedangkan baris mewakili klasifikasi yang diberikan oleh
system untuk setiap hepatitis.
Tabel 4.5 Confusion Matrix Gejala Perut
A B C
A 26 4 0
B 25 5 0
C 17 4 9
c. Analisis
Dalam proses pengenalan hepatitis A, B dan C, dilakukan 2 percobaan yang
terdiri dari percobaan per-gejala dan percobaan kombinasi gejala, yang masing -
masingnya pertama diberlakukan langkah -langkah preprosesing dengan
menggunakan metode Naive Bayes dan diharapkan memperoleh akurasi yang
terbaik.
Pada tabel 4.7 diatas ditunjukkan hasil percobaan pengenalan hepatitis A, B
dan C menggunakan Naive Bayes. Dari hasil percobaan per-gejala yang telah
dilakukan, akurasi yang terbaik didapat pada percobaan pengenalan gejala perut
mencapai nilai akurasi sama sebesar 44,44%. Nilai akurasi yang diperoleh dari
percobaan per-gejala yang mencakup gejala otot, perut, kulit, mata dan mirip flu,
masing-masing nilai akurasi diurutkan dari nilai tertinggi sampai rendah . Dan
diperoleh urutan prosentase nilai akurasi percobaan per-gejala yaitu gejala perut,
gejala kulit, gejala mirip flu, gejala otot dan gejala mata. Pada tabel 4.7 ini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
ditunjukkan hasil pengenalan terbaik terdapat pada pengenalan hepatitis A, 26
data A dikenal sebagai hepatitis A, sedangkan pengenalan terburuk terdap at pada
pengenalan hepatitis B dan C, karena hanya 5 data B dikenal sebagai hepatitis B,
begitu pula untuk 9 data C yang dikenal sebagai hepatitis C.
2. Percobaan Kombinasi gejala
Pada tabel 4.8 menunjukkan hasil percobaan kombinasi gejala yang
didalamnya terdiri urutan percobaan kombinasi gejala /feature hepatitis beserta
hasil prosentase akurasi dari pengenalan penyakit hepatitis . Sehingga
berdasarkan tabel 4.6 ini diperoleh gejala/feature yang paling berpengaruh
dalam pengenalan penyakit hepatitis, sehi ngga dapat diperoleh prosentase hasil
akurasi yang terbaik pada kombinasi gejala mata, mirip flu dan otot.
Tabel 4.6 Hasil Akurasi Percobaan kombinasi gejala
Attribut / feature Keterangan Attribut / feature Akurasi (%)
1. Perut, Kulit & Otot 51,11%
2. Perut, Otot, Mirip Flu & Mata 48,89%
3. Perut, Kulit, Mirip Flu & Mata 47,78%
4. Perut, Mirip Flu & Otot 46,67%
5. Perut, Kulit & Mata 45,56%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
a. Grafik Akurasi
Pada gambar 4.2 menunjukkan grafik akurasi percobaan kombinasi gejala
hepatitis berdasarkan urutan data kombinasi gejala dan prosentase hasil akurasi
pada tabel 4.8 hasil percobaan kombinasi gejala.
Gambar 4.2 Grafik Akurasi Percobaan Kombinasi Gejala Hepatitis
b. Confusion Matriks kombinasi gejala otot,perut dan kulit
Pada tabel 4.9 berikut ini menunjukkan confusion matrix kombinasi gejala
mata, mirip flu dan otot ini diambil berdasarkan prosentase hasil akurasi tertinggi
dari percobaan kombinasi gejala tabel 4.8 diatas. Pada confusion matrix diketahui
setiap kolom dari matriks mewakili geja la hepatitis yang dikenal, sedangkan baris
mewakili klasifikasi yang diberikan oleh s istem untuk setiap hepatitis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Tabel 4.7 Confusion Matrix Kombinasi Gejala
A B C
A 29 1 0
B 18 7 5
C 14 6 10
c. Analisis
Pada tabel 4.7 diatas ditunjukkan hasil percobaan pengenalan hepatitis A, B
dan C menggunakan Naive Bayes. Dari hasil percobaan kombinasi gejala yang
telah dilakukan, maka akurasi yang terbaik diperoleh pada percobaan pengenalan
gejala perut, kulit dan otot sebesar 51,11%. Nilai akurasi yang diperoleh dari
percobaan kombinasi gejala yang mencakup kombinasi gejala pertama yaitu
gejala mata, mirip flu dan otot, yang kedua kombinasi gejala perut, otot, mirip flu
dan mata, yang ketiga kombinasi gejala perut, kulit, mirip flu, dan mata, yang
keempat kombinasi gejala perut, mirip flu dan otot, yang kelima kombinasi gejala
perut, kulit dan mata. Masing-masing nilai akurasi diurutkan dari prosentase hasil
akurasi tertinggi sampai rendah . Pada tabel 4.7 ini ditunjukkan hasil pengenalan
terbaik terdapat pada pengenalan hepatitis A, 29 data A dikenal sebagai hepatitis
A, sedangkan pengenalan terburuk terdapat pada pengenalan hepatitis B dan C,
karena hanya 7 data B dikenal sebagai hepatitis B, begitu pula untuk 10 data C
yang dikenal sebagai hepatitis C.
Dari percobaan yang telah dilakukan maka dapat disimpulkan bahwa untuk
mencapai nilai akurasi yang lebih baik lagi, dibutuhkan tambahan feature atau
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
atribut untuk tahap pengenalan penyakit hepatitis menggunakan Naive Bayes,
yang perlu diperhatikan mungkin untu k penambahan feature hasil laboratorium
seorang pasien penyakit hepatitis, yang mencakup hasil tes darah yang terdiri atas
bilirubin, SGOT dan albumin.
4.5 Implementasi User Interface
Implementasi sistem diagnosa penyakit hepatitis dengan menggunakan
Naive Bayesian ini dibangun dengan menggunakan program matlab R2010.
Source code program terdapat pada halaman Lampiran.
4.5.1 Menu Utama
Gambar 4.3 Menu Utama.
Gambar 4.3 ditunjukkan halaman menu utama sistem yang telah dibuat.
Pada halaman menu utama di tampilkan judul dari sistem yang dibuat dan nama
dari pembuat sistem.terdapat 4 menu pilihan, yaitu:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
1. Bantuan
Menu bantuan fungsinya untuk penuntun langkah bagi pengguna yang
hendak menjalankan aplikasi ini. Didalam menu bantuan terdiri langkah
untuk menjalankan operasi Uji Sistem dan operasi Klasifikasi.
2. Uji Sistem
Menu pilihan uji sistem digunakan untuk menampilkan halaman Pengujian
Sistem Diagnosa Penyakit Hepatitis dengan menggunakan Naive Bayesian.
3. Klasifikasi
Menu pilihan klasifikasi digunakan untuk s i pengguna bila ingin
mengetahui menderita penyakit hepatitis berjenis A, B atau C, dengan cara
menginputkan gejala-gejala hepatitis terlebih dahulu.
4. Keluar
Pilihan ‘ Keluar’ digunakan untuk keluar dari sistem.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
4.5.2 Bantuan
Gambar 4.4 Halaman Bantuan
Pada gambar 4.4 ditunjukkan halaman bantuan yang berisi petunjuk
penggunaan sistem, yang terdiri atas petunjuk menjalankan sistem baik dengan
tahap pengujian maupun tahap klasifikasi sistem diagnosa penyakit hepatitis
dengan menggunakan metode Naive Bayes.
4.5.3 Uji Sistem
Gambar 4.5 Halaman Pengujian Sistem
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Pada gambar 4.5 ditunjukkan halaman pengujian sistem diagnosa penyakit
hepatitis dengan menggunakan metode Naive Bayesian. Jumlah keseluruhan data
adalah 50 data hepatitis A, 50 data hepatitis B dan 30 data hepatitis C. 50 data dari
hepatitis A dan B dibagi menjadi 2 bagian, 10 data digunakan untuk data testing
sedangkan 40 sisa data digunakan untuk data training, begitu juga 30 data
hepatitis C dibagi menjadi 2 bagian, 6 data digunakan untuk data testing sedang
24 sisa data digunakan untuk data training.
Tombol proses digunakan un tuk memulai proses training. Pada layar hasil
ditampilkan 5 hasil tahapan training karena sistem menggunakan metode five-fold
dalam pembagian data. Oleh karena itu ditampilkan juga confusion matrix dari ke-
5 fold tersebut, kemudian disertai jumlah data benar yang dikenali oleh sistem dan
hasil prosentase dari jumlah data benar tersebut. Dan yang terakhir ditampilkan
juga untuk hasil total yang ditunjukkan hasil total data benar beserta prosentase
data benar secara keseluruhan . Jika pengguna atau user belum memilih gejala
yang ada kemudian menekan tombol ‘ Proses’ maka akan tampil dialog error
seperti yang ditunjukkan pada gambar 4. 6 dibawah ini. Untuk melanjutkan proses
dan memilih gejala dapat dilakukan dengan menekan tombol ‘OK‘.
Gambar 4.6 Error Handling
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
Untuk keluar dari halaman pengenalan sistem diagnosa hepatitis digunakan
tombol ‘TUTUP’.
4.5.4 Klasifikasi
Gambar 4.7 Halaman Klasifikasi Sistem
Pada gambar 4.7 ditunjukkan halaman klasifikasi sistem diagnosa penyakit
hepatitis dengan menggunakan metode Naive Bayesian. Di halaman ini user dapat
memasukkan data gejala sesuai dengan yang sedang dialami, gejala dapat dipilih
lebih dari satu dari masing-masing gejala, baik gejala otot, perut, kulit, mata dan
mirip flu, olehkarena itu penulis menggunakan checkbox agar sub gejala dapat
dipilih lebih dari satu. Setelah sudah memilih gejala, tekan tombol ‘PROSES’
untuk menjalankan program pengenalan data masukan yang baru untuk
mengetahui informasi lebih dini pasien memiliki resiko penyakit hepatitis A, B
atau C setelah diuji karakteristik gejala yang ada. Selanjutnya akan ditampilkan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
pada Hasil Akurasi yang menampilkan prosentase masing -masing hepatitis baik
hepatitis A,B dan C, untuk ha sil akhir akan ditampilkan pada layar ‘OUTPUT’
yang akan menampilkan jenis hepatitis yang dimiliki oleh pasien tersebut, ini
berdasarkan nilai prosentase tertinggi dari ketiga hepatitis yang sudah ditampilkan
nilainya setelah program dijalankan. Jika user belum memasukkan atau memilih
gejala kemudian menekan tombol ‘Proses’ maka akan ditampilkan informasi yag
menyatakan “Selamat Anda Tidak Terdeteksi Hepatitis”, seperti dinyatakan pada
gambar 4.8 dibawah ini.
Untuk keluar dari halaman pengenalan sistem dia gnosa hepatitis digunakan
tombol ‘TUTUP’.
Gambar 4.8 Halaman Klasifikasi Sistem(2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
63
Bab V. Penutup
5.1 Kesimpulan
Penerapan algoritma Naive Bayesian telah digunakan untuk
mengklasifikasikan hepatitis A, B dan C berdasarkan data gejala - gejala yang
mendeteksi pasien mengidap penyakit hepatitis. Berdasarkan hasil 2 percobaan
dapat ditarik kesimpulan sebagai berikut
1. Pengujian dilakukan pada data 130 sample dengan menggunakan metode
k-fold cross validation khususnya fivefold cross validation . Dilakukan 2
percobaan dengan hasil sebagai berikut
percobaan per-gejala yang dipilih berdasarkan akurasi tertinggi yaitu
gejala perut menghasilkan tingkat keakuratan sebesar 44,44%
percobaan kombinasi gejala nilai akurasi mencapai 5 1,11, akurasi
tersebut merupakan hasil akurasi pengujian kombinasi gejala perut,
kulit dan otot.
2. Hasil dengan tingkat keakuratan tersebut belum bisa dikatakan baik.
Diperkirakan kurangnya jumlah sample, khususnya untuk data hepatitis C,
dan kurangnya feature/atribut untuk klasifikasi tersebu t berpengaruh pada
tingkat keakuratan klasifikasi , mengingat pentingnya feature / atribut hasil
tes laboratorium dalam penentuan ada tidaknya motif penyakit hepatitis
kiranya diperlukan untuk menaikkan prosentase nilai akurasi dari
pengenalan sistem diagnosa penyakit hepatitis ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
5.2 Saran
Saran yang diperlukan untuk perbaikan dan pengembangan program lebih
lanjut adalah:
1. Untuk meningkatkan akurasi, dapat ditambahkan feature/ atribut hasil
laboratorium yang mendeteksi masing -masing pasien penyakit hepatitis
baik A, B dan C, ini dilakukan saat penelitian dan pengambilan data di
Rekam Medis Rumah Sakit yang bersangkutan.
2. Program bisa menerima masukan tambahan gejala/ feature dari pengguna.
3. Program bisa menampilkan informasi cara pencegahan dan pengobatan
penyakit hepatitis, baik hepatitis A, B dan C.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
DAFTAR PUSTAKA
Away, Gunaidi Abdia, (2006), The Shortcut Of MATLAB
Programming,Informatika Bandung, Bandung.
J.Han dan M. Kamber, (2006), Data Mining Concept and Techniquies, Second
Edition, Morgan Kaufman Publishers, San Francisco, USA.
Kantardzic Mehmed,(2003), Data Mining -Concept, Models, and Algorithms. New
Jersey: Penerbit IEEE.
Santosa, Budi, (2007), Data Mining Teknik Pemanfaatan Data Untuk Keperluan
Bisnis, Graha Ilmu, Yogyakarta,5 ,75-86.
Suryaatmadja, Marzuki, Diagnosis Laboratorium Hepatitis Virus dengan Penanda
Virus Hepatitis.
http://info@abclab.co.id. Diakses tanggal 28 November 2011
Witten, Ian. H., Data Mining Practical Machine Learning Tools and Technique
with Java, Morgan Kaufmann, 2000.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 66
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 67
Tabel 3.12 Gejala Hepatitis AGejalaOtot Gejala Perut
GejalaKulit
GejalaMata Gejala Mirip Flu Hepatitis
normalmuntah,mual,
npsk,nmb normal kuning demam,batuk A
normalmuntah,mual,
nmb normal normal demam,pusing batuk A
normalmuntah,mual,
npsk,nmb kering kuning demam,pusing A
normalmuntah,mual,
npsk,nmb kuning kuning lesu,batuk Anyerisendi
muntah,mual,npsk,nmb normal normal pusing A
normalkbg,mual,npsk
,nmb normal normal demam A
normal
Ml,npsk,nmb normal normal demam,pusing,batuk A
normal mual,npsk kuning kuning demam A
normalmual,npsk,
nmb kuning normal pusing,lesu Anormal mual,nmb normal normal pusing,lesu,lelah A
normalmual,npsk,
nmb normal normaldemam,pusing,meng
gigil,batuk A
pegalmuntah,kbg,
mual kuning kuning pusing,batuk A
normalmual,npsk,
nmb kuning kuning demam,pusing Anyerisendi
muntah,diare,nmb normal normal demam,batuk A
normalmuntah,mual,
nmb normal normal demam,lesu Anormal mual kuning kuning pusing A
normalmuntah,mual,
nmb normal normal demam,pusing A
normalmuntah,mual,
nmb kuning kuning demam,pusing,lesu Anormal mual normal kuning lesu Anyerisendi diare,mual normal normal demam,pusing,lesu A
normal muntah,diare normal kuning demam,batuk A
normalmuntah,diare,
kbg,mual normal normal pusing, lesu,batuk A
normalmuntah,kbg,mual,nmb, normal normal pusing,lelah,batuk A
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 68
npsk
nyerisendi
muntah,kbg,mual,nmb
,npsk normal kuning demam,pusing,batuk Anormal muntah,nmb kuning kuning batuk A
normal
muntah,kbg,mual,nmb
,npsk normal normal pusing A
normalmuntah,mual,
nmb normal kuning demam,pusing Anormal mual,npsk normal normal pusing,batuk A
normalmuntah,diare,
mual normal normal pusing,lesu A
normalmuntah,kbg,mual,nmb kuning kuning demam A
normalmual,npsk,
nmb normal kuningdemam,pusing,lesu,b
atuk A
pegal npskkemerah
an kuning pusing,batuk A
normal
muntah,diare,mual,npsk
,nmb normal kuning demam,pusing,batuk A
normalmuntah,kbg,mual,nmb normal normal demam,pusing,lesu A
normal muntah,mual kuning kuning demam,pusing A
normalmuntah,diare,
mual,npsk normal normaldemam,pusing,lelah,
batuk A
normal
muntah,kbg,mual,npsk,
nmb normal normal batuk Anormal kbg,mual,npsk normal kuning pusing,lelah,batuk A
normalmual,npsk,nm
b normal kuning demam,pusing,lesu Anyerisendi
muntah,mual,npsk normal kuning demam,batuk A
pegal muntah,mual kuning kuning demam,lesu Apegal diare kuning kuning demam,batuk A
normal kbg,mual, kuning kuning demam,lesu A
normalmuntah,mual,
npsk,nmb normal normal demam,pusing,lesu A
normalmuntah,mual,
npsk normal normal demam,lesu,batuk Anyeri muntah,mual normal normal demam,lesu A
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 69
sendi
normal mual normal normal demam,pusing Anormal mual normal kuning demam A
normalmual,npsk,
nmb normal normal demam,pusing,batuk A
normalmual,npsk,
nmb normal normal demam,pusing,batuk A
Tabel 3.13 Gejala Hepatitis BGejalaOtot Gejala Perut
GejalaKulit
GejalaMata
Gejala MiripFlu Hepatitis
normalmuntah,kbg,mual,
npsk,nmb gatal kuningdemam,pusing,
lesu,batuk Bpegal mual,npsk normal normal lesu,batuk B
normalmuntah,mual,npsk
,nmb normal normal lesu B
nyeri sendi muntah,mual,nmb normal kuningdemam,pusing,
lesu B
normaldiare,kbg,mual,
nmb normal normal lesu B
pegalmuntah,mual,npsk
,nmb normal kuning lesu B
nyeri sendi muntah,mual normal normaldemam,pusing,
batuk Bpegal,nyeri
sendi diare,mual,npsk kuning kuning demam,batuk Bnormal mual kuning kuning demam,pusing Bnormal mual lembab kuning pusing,lesu Bnormal muntah,npsk normal normal batuk Bnormal mual,nmb normal normal demam,pusing, B
normalmuntah,kbg,mual,
npsk kuning kuning pusing B
normal muntah,mual,nmb kuning kuningdemam,pusing,
lesu,batuk Bpegal muntah,diare,kbg normal normal demam,batuk Bpegal muntah,mual,nmb kuning kuning pusing,lesu Bpegal muntah,mual normal kuning lesu,batuk B
normal diare kuning kuning lesu Bnormal diare kuning kuning lesu Bnormal kbg kuning kuning lesu Bnormal mual normal kuning demam B
normal npskkemera
han normal lesu B
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 70
normal mual,nmb kuning kuning pusing,lesu Bnyeri sendi kbg,mual normal kuning batuk B
normal kbg,npsk lembab kuning pusing,lesu Bnormal mual,nmb normal kuning lesu,lelah Bnormal mual,nmb normal kuning lesu,lelah B
nyeri sendi mual,npsk gatal kuning pusing,batuk Bnyeri sendi npsk normal normal demam B
normalmuntah,kbg,mual,
npsk,nmb normal kuning lesu Bnyeri sendi kbg lembab kuning demam,pusing, B
normal mual lembab normal lesu,lelah B
normal kbg,npskkemera
han kuning pusing,batuk Bnormal kbg,mual,npsk kuning kuning pusing B
nyeri sendi muntah,mual,kemera
han normaldemam,lesu,
lelah,menggigil Bnormal muntah,mual,npsk normal kuning demam,lesu B
nyeri sendi muntah,npsk lembab normal lesu Bnyeri sendi muntah,kbg,mual lembab kuning demam B
normal kbg,mual,npsk kering kuning lesu Bnormal diare,kbg kering kuning lesu,lelah B
nyeri sendi mual,npsk lembab kuning lesu B
normal mualkemera
han normal lelah B
normalmuntah,diare,mual
,npsk lembab kuning lesu Bnormal npsk normal normal lesu Bnormal muntah,kbg,mual normal kuning pusing B
pegal muntah,nmb gatal normaldemam,menggi
gil Bnormal mual kuning kuning demam,pusing B
linu-linu nmb normal normal demam,pusing Bnormal kbg,nmb kuning kuning lesu Bnormal muntah,kbg,mual normal kuning pusing B
Tabel 3.14 Gejala Hepatitis CGejalaOtot Gejala Perut
GejalaKulit
GejalaMata
Gejala MiripFlu Hepatitis
normalmuntah,kbg,nmb,
Perut_acites normal normal lesu Cnormal npsk, normal normal demam, C
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 71
pusing,lesulinu-linu
muntah,mual,nmb,Perut_acites normal normal
demam,pusing,batuk C
nyerisendi muntah,mual
kemerahan normal demam C
nyerisendi mual normal normal pusing,batuk Cpegal kbg,npsk,nmb normal normal lesu,lelah C
normal mual,Perut_acites lembab kuninglesu,
menggigil C
pegalkbg,mual,nmb,
Perut_aciteskemerah
an kuning lesu,batuk Clinu-linu mual,nmb normal normal lesu C
pegal Perut_acites lembab kuningdemam,pusing C
normalmuntah,diare,
mual normal normal mialgia Cnormal mual,Perut_acites normal normal lesu,lelah Cnormal npsk,nmb normal normal pusing,lesu Clinu-linu mual,nmb lembab normal lelah Clinu-linu mual,nmb normal normal pusing,batuk C
pegal mual normal normal pusing,lesu Cnormal muntah,diare normal normal demam Cnyerisendi
muntah,npsk,Perut_acites normal normal
demam,pusing C
normal mual normal normaldemam,
pusing,lesu Cnormal npsk,nmb normal normal pusing C
normalmuntah,mual,
npsk normal normal lesu Cnyerisendi mual
kemerahan kuning lesu C
normal mual,nmb normal normal lesu,lelah Cnyerisendi npsk normal kuning
demam,pusing,batuk C
nyerisendi muntah,mual lembab normal pusing C
normal mual,Perut_aciteskemerah
an pusing C
pegal Perut_acites normal kuningdemam,pusing C
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 72
normal muntah,npsk normal normal pusing,lesu Cnormal mual normal normal lesu,lelah Cnormal muntah,mual normal normal pusing,lesu C
Tabel 3.15 Binerisasi Gejala Hepatitis A
Tabel 3.16 Binerisasi Gejala Hepatitis B
Tabel 3.17 Binerisasi Gejala Hepatitis C
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 73
Tabel 4.10 Hasil Percobaan Per -Gejala HepatitisGejala Perut Gejala Kulit Gejala Mirip Flu
26 4 0 29 1 0 30 0 025 5 0 19 4 7 29 0 117 4 9 22 4 4 28 4 2Akurasi =44,44% Akurasi=37,78% Akurasi = 35,56%
Gejala Otot Gejala Mata30 0 0 2 11 1730 0 0 0 7 2330 0 0 1 23 6Akurasi = 33,33% Akurasi = 16,67%
Tabel 4.11 Hasil Percobaan Kombinasi Gejala HepatitisGejala Otot, Perut
& KulitGejala Otot,
Mirip Flu, Perut& Kulit
Gejala Perut &Kulit
29 1 0 28 1 1 29 1 018 7 5 15 5 10 18 7 514 6 10 16 4 10 14 6 10Akurasi = 51,11% Akurasi = 47,77% Akurasi = 51,11%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 74
Gejala Mata,Mirip Flu, Otot,Perut & Kulit
Gejala Mata,Mirip Flu, Otot &
Perut
Gejala Mirip Flu,Otot & Perut
28 1 1 28 0 2 30 0 015 5 10 20 6 4 26 3 116 4 10 11 9 10 19 2 9Akurasi = 47,77% Akurasi = 48,89% Akurasi = 46,67%
Gejala Mirip Flu,Otot, Perut &
Kulit
Gejala Mata,Perut & Kulit
Gejala Mata,Mirip Flu & Perut
29 1 0 25 2 3 28 0 221 5 4 13 6 11 20 6 418 2 10 13 7 10 11 9 10Akurasi = 48,89% Akurasi = 45,56% Akurasi = 48,89%
Gejala Mata,Otot, Perut &
Kulit
Gejala Otot &Perut
Gejala Mata,Mirip Flu & Kulit
25 2 3 26 4 0 23 2 513 6 11 25 5 0 8 5 1713 7 10 17 4 9 12 13 5Akurasi = 45,56% Akurasi = 44,44% Akurasi = 36,67%
Gejala Mata, Otot& Perut
Gejala Mata,Mirip Flu, Otot &
Kulit
Gejala Mata &Perut
22 5 3 22 2 0 22 5 318 6 6 8 5 17 18 6 65 15 10 12 13 5 5 15 10
Akurasi = 42,22% Akurasi = 35,56% Akurasi = 42,22%
Gejala Mirip Flu& Otot
Gejala Mirip Flu& Kulit
Gejala Mirip Flu,Perut & Kulit
30 0 0 29 1 0 30 0 030 0 1 19 3 8 30 0 128 0 2 21 4 5 28 0 2Akurasi = 35,56% Akurasi = 41,11% Akurasi = 35,56%
Gejala Otot &Kulit
Gejala Mata,Mirip Flu & Kulit
Gejala Mata,MiripFlu & Otot
29 1 0 30 0 0 18 6 619 3 8 29 0 1 11 6 1321 4 5 21 0 2 6 19 5Akurasi = 41,11% Akurasi = 35,56% Akurasi = 32,22%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L A M P I R A N | 75
Gejala Mata &Mirip Flu
Gejala Mata &Kulit
Gejala Mata, Otot& Kulit
16 6 8 2 12 16 2 12 1611 6 13 0 6 24 0 6 246 19 5 0 24 6 0 24 6Akurasi = 30% Akurasi = 15,56% Akurasi = 15,56%
Gejala Mata &Otot
2 11 170 7 231 23 6
Akurasi = 16,67%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
top related