klasifikasi diagnosa diabetes mellitus dengan · pdf filesampai saat ini dengan penuh kasih...

i

KLASIFIKASI DIAGNOSA DIABETES MELLITUS

DENGAN PENERAPAN METODE NAÏVE BAYESIAN CLASIFIER

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Thomas Wiga Heru Prasetya

(125314074)

Teknik Informatika

Fakultas Sains Dan Teknologi

Universitas Sanata Dharma Yogyakarta

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

Naive Bayesian Classifier Method Implementation for Diabetes

Melitus Diagnose Classification

Thesis

Present as Partial Fullfillment of the Requirements

To Obtain Sarjana Komputer Degree

In Departement of Informatics Engineering

By :

Thomas Wiga Heru Prasetya

(125314074)

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017


iii

HALAMAN PERSETUJUAN


iv

HALAMAN PENGESAHAN SKRIPSI


v

MOTO

“Terang itu bercahaya di dalam kegelapan dan kegelapan itu tidak

menguasainya. ”

( Yohanes 1:5)

“Your Future is Created by What Yo Do Today, Not Tomorrow!”

“Musuh yang Paling Berbahaya adalah Penakut dan Bimbang. Teman yang

Paling Setia adalah Keberanian dan Keyakinan Untuk Mau Maju.”

(Andrew Jackson)


vi

HALAMAN PERSEMBAHAN

Kupersembahkan kripsi ini untuk :

1. Tuhan Yesus Kristus yang senantiasa memberikan berkat

karunia-Nya.

2. Orangtuaku, Ignatius Sukemi dan Anna Supariyem yang tak

lelah berjuang memberikan dukungan moral maupun materiil

sampai saat ini dengan penuh kasih sayang dan cinta

kasihnya.

3. Kakakku Dominikus Nanang Purwanto, Christine Herninta,

Stevanus Widuri Nursusanto dan Andi Fransisca Natasha yang

selalu memberikan motivasi, semangat dan doa.

4. Angela Krista Juliandari yang senantiasa menemani dan

selalu memberikan semangat serta doa untuk menyelesaikan

skripsi ini.

5. Para sahabatku yang saling memberi semangat untuk

menyelesaikan skripsi.


vii

PERNYATAAN KEASLIAN KARYA


viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS


ix

ABSTRAK

Kesehatan manusia bisa sangat bergantung dari banyak faktor, antara lain

karena faktor lingkungan tempat tinggal ataupun karena faktor keturunan/genetikal.

Kesehatan inilah yang menjadi kekuatan utama manusia untuk melaksanakan

aktivitas hidupnya. Salah satu penyakit yang menjadi mesin pembunuh adalah

Diabetes Mellitus(DM). Pemeriksaan kesehatan yang berkaitan dengan DM dalam

dunia medis dapat dilakukan dengan cara pendiagnosaan penyakit yang

menghasilkan data hasil uji laboratorium dan rekam medis gejala sakit. Guna

menekan angka kematian dari penyakit DM ini, para pakar kesehatan harus

melakukan pendiagnosaan penyakit sedini mungkin.

DM yang banyak berasal dari penyakit keturunan nyatanya memiliki banyak

cabang penyakitnya. Pengklasifikasian DM dan terhadap gejala lain yang timbul

dari DM ini ternyata dapat dilakukan secara otomatis menggunakan cabang ilmu

teknologi informasi yaitu dengan pemanfaatan suatu metode kerja penambangan

data (data mining) dengan penerapan metode Naive Bayesian Clasifier. Metode

Naive Bayesian Clasifier akan menghitung nilai probabilitas untuk setiap kejadian

dari atribut target pada setiap kasus melalui penghitungan dari data rekam medis

Diabetes Mellitus tersebut.

Keluaran dari sistem ini adalah suatu identifikasi/diagnosa tentang prediksi

penyakit DM seseorang yaitu klasifikasi DM yang diderita, murni DM atau ada

penyakit lain yang diderita. Penelitian ini menggunakan data sebanyak 258 data dan

menerapkan nilai fold sebanyak 3, 5, 7, dan 9. Hasil pengujian yang dilakukan

sebanyak 4 kali dengan rata-rata tertinggi sebesar 83.89%.

Kata Kunci : Diabetes Mellitus, Klasifikasi, Healthcare Informatics,

Naive Bayesian Clasifier


x

ABSTRACT

The health of human beings can be so depended on many factors, such as

because of the factor of circumstances or because of the factor of genetics. The

health becomes the human’s main power to do their lives’ activities. One of diseases

which becomes a killer machine is Diabetes Mellitus (DM). Medical checkup

related to DM in medical world can be conducted by the diagnosis of the disease

which results laboratory examination data and the ill symptoms medical record. In

order to push the mortal rate from this DM disease, health experts must conduct the

diagnosis of the disease from the early beginning stage.

DM which is originated from inheritance disease in fact has many branches.

The classification of DM and toward other symptoms which arises from it, actually

can be conducted automatically using the branch of information and technology

science i.e. by the use of data mining working method and the application of Naïve

Bayesian Classifier methods. Naïve Bayesian Classifier method would count the

probability value for every event from attributive target on every case by means of

the counting from Diabetes Mellitus medical data record.

The output from this system was an identification/diagnosis about the

prediction of DM disease to a subject i.e. the classification of DM possessed by the

patient, it was purely DM or any other diseased possessed. The research used data

sum up to 258 data and applied fold value sum up to 3, 5, 7 and 9. The result of the

examination conducted summed to 12 times with the highest average was 83.89 %.

Key words : Diabetes Mellitus, classification, Healthcare Informatics,

Naive Bayesian Clasifier


xi

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus, yang telah

memeberikan rahmat dan karunia yang berlimpah sehingga penulis dapat

menyelesaikan tugas akhir yang berjudul Klasifikasi Diagnosa Diabetes Mellitus

dengan Penerapan Metode Naive Bayesian Clasifier dengan baik. Sebagaimana

disyaratkan dalam Kurikulum Program Studi Teknik Informatika (TI), Fakultas

Sains dan Teknologi (FST), Universitas Sanata Dharma (USD) Yogyakarta.

Penulis menyadari bahwa pada saat penulisan dan pengerjaan tugas akhir ini

penulis menyadari bahwa mendapatkan banyak sekali bantuan dari berbagai pihak,

baik berupa dukungan, perhatian, kritik dan saran, serta doa yang sangat dibutuhkan

penulis guna kelancaran pengerjaan dan mendapatkan hasil yang baik. Pada

kesempatan ini secara khusus penulis akan menyampaikan terimakasih kepada :

1. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma Yogyakarta

2. Dr. Anastasia Rita Widiarti, M.Kom. selaku Ketua Program Studi Teknik

Informatika yang selalu memberikan dukungan dan perhartian serta saran

kepada mahasiswa tugas akhir dalam pengerjaan tugas akhir.

3. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing

akademik dan pembimbing tugas akhir yang telah dengan sabar dan penuh

perhatian membimbing penulis dalam penyususnan tugas akhir mulai dari awal

pengerjaan, pertengahan dan pada akhir penulisan.

4. Segenap dosen Program Studi Teknik Informatika Sanata Dharma yang dengan

penuh dedikasi mendidik, membimbing, memberikan dukungan, bantuan, dan

arahan yang sangat bermanfaat dari awal kuliah sampai selesai.

5. Staff personalia, rekam medis, dan seluruh staff yang berada di Rumah Sakit

Panti Nugroho, Pakem, Yogyakarta yang telah memberikan waktu dan

kesempatannya untuk melakukan penelitian serta pengambilan data rekam

medis tentang diabetes mellitus.

6. Kedua orang tua, Bapak Ignatius Sukemi dan Ibu Anna Supariyem yang telah

memberikan cinta, doa, dan dukungan baik secara moral maupun material bagi

penulis selama menjalani masa perkuliahan sampai selesai ini.


xii

7. Kakakku, Dominikus Nanang Purwanto, Stevanus Widuri Nursusanto,

Christine Herninta, dan Andi Fransisca Natasha, keponakanku Gabriel Alfa

Tanaputra serta adik-adikku Wanda, Aden, Enggar, Yora, dan Varel yang

sudah memberikan dukungan, doa, dan perhatian dalam menyelesaikan skripsi

ini.

8. Engelbert Eric dan Laurencius Echo yang selalu memberikan masukan dan

saran dalam pengerjaan skripsi ini.

9. Angela Krista Juliandari yang tida henti memberikan support, doa dan motivasi

pada proses pengerjaan skripsi.

10. Selutuh anggota Keluarga Mahasiswa/i dan Pelajar Katolik Sumatra bagian

Selatan (KMPKS) , paduan suara Senandung Nafiri dan para Frater-frater serta

Romo SCJ yang telah memberikan doa, semangat, motivasi dan tempat

berkeluh kesah dari awal proses perkuliahan sampai disaat penulis mengalami

kesusahan pada pengerjaan skripsi.

11. Teman-teman mahasiswa Teknik Informtika 2012 Alvin, Alex, Anjar, Cahyo,

Danil, Eva, Nada, Hugo, Henri, Maryadi, Wisnu, Xave, Yosua, Dhesa dan yang

tidak dapat disebutkan satu per satu. Terimakasih atas dinamika belajar yang

pernah dimulai dari awal perkuliahan hingga penulis selesai menyelesaikan

tugas akhir ini.

12. Egidius Gala Pratama, Anjar Nugraha Jati, Yuhacim Tito, Boni, Dona, Sri

Lestari, Dingo, Luna, Misti, dan Choco yang selalu memberikan inspirasi dan

semangat di rumah tinggal kepada penulis dalam perkuliahan hingga

penyelesaian tugas akhir ini.

13. Teman Genus da Music : Dolok, Novan, Teki, Bima, Yoga, Danil, Gilang,

Rino, Puput, Rani, dan Nindi yang selalu memberikan support dan semangat

dalam menyelesaikan skripsi ini.

Penulis juga menyadari bahawa banyak pihak lainnya yang berperan dan

mendukung dalam keseluruhan proses pendidikan di Universitas Sanata Dharma

Yogyakarta in. Tanpa mengurangi rasa hormat kepada seluruh pihak tersebut

namanya tidak sempat disebutkan satu per satu di dalam tulisan ini, sekali lagi

penulis mengucapkan terimakasih.


xiii


xiv

DAFTAR ISI

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN SKRIPSI ................................................................ iv

MOTO ..................................................................................................................... v

HALAMAN PERSEMBAHAN ............................................................................ vi

PERNYATAAN KEASLIAN KARYA ............................................................... vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH viii

ABSTRAK ............................................................................................................. ix

ABSTRACT ............................................................................................................ x

KATA PENGANTAR ........................................................................................... xi

DAFTAR ISI ........................................................................................................ xiv

DAFTAR GAMBAR ......................................................................................... xvii

DAFTAR TABEL .............................................................................................. xviii

DAFTAR LAMPIRAN ........................................................................................ xix

BAB I ...................................................................................................................... 1

1.1. Latar Belakang ......................................................................................... 1

1.2. Rumusan Masalah .................................................................................... 2

1.3. Tujuan ....................................................................................................... 3

1.4. Batasan Masalah ....................................................................................... 3

1.5. Metodologi Penelitian .............................................................................. 3

1.6. Sistematika Pembahasan .......................................................................... 4

BAB II ..................................................................................................................... 6

2.1. Pengertian Diabetes Mellitus .................................................................... 6

2.2. Tipe Diabetes Mellitus ............................................................................. 8

2.3. Klasifikasi Diabetes Milletus tipe 2 ......................................................... 9

2.4. Diagnosis dan Pemeriksaan Diabetes Milletus ...................................... 10

2.5. Teori Penambangan Data ....................................................................... 11

2.5.1. Definisi Data Mining ........................................................................... 11


xv

2.5.2. Proses Penambangan Data .............................................................. 11

2.6. Generalisasi Data .................................................................................... 13

2.6.2. Diskretisasi pada Naive Bayes Clasifier ......................................... 14

2.7. Pengelompokan pada Data Mining ........................................................ 15

2.8. Teorema Naive Bayesian ........................................................................ 17

2.8.1. Pengertian Teorema Bayesian ......................................................... 17

2.8.2. Naive Bayesian Classifier ............................................................... 18

2.8.3. Evaluasi/Validasi Data .................................................................... 19

2.8.4. Akurasi Klasifikasi (Confution Matrix) .......................................... 20

BAB III ................................................................................................................. 22

3.1. Data Penelitian ....................................................................................... 22

3.1.1. Data Diabetes .................................................................................. 22

3.1.2. Skenario Pengambilan Data ............................................................ 26

3.2. Analisa Pengolahan Data ........................................................................ 27

3.2.1. Seleksi Data dan Integrasi Data ...................................................... 27

3.2.2. Cleaning Data .................................................................................. 27

3.2.3. Transformasi ................................................................................... 28

3.2.4. Penerapan Teknik Mining ............................................................... 30

3.2.5. Evaluasi Data .................................................................................. 37

3.3. Desain Pengujian .................................................................................... 37

3.4. Spesifikasi Alat ....................................................................................... 40

3.4.1. Hardware ......................................................................................... 40

3.4.2. Software .......................................................................................... 40

BAB IV ................................................................................................................. 41

4.1. Analisa Hasil Akurasi Klasifikasi .......................................................... 41

4.2. Kelebihan dan Kekurangan Sistem ........................................................ 43

4.2.1. Kelebihan ........................................................................................ 43

4.2.2. Kekurangan ..................................................................................... 43

4.3. User Interface ......................................................................................... 44

4.3.1. Halaman Utama ............................................................................... 44

4.3.2. Menu Import Data ........................................................................... 44

4.3.3. Menu Proses Klasifikasi .................................................................. 45

4.3.4. Menu Grafik Data ........................................................................... 46

4.3.5. Menu Confution Matrix dan Akurasi .............................................. 46


xvi

4.3.6. Uji Data Tunggal ............................................................................. 47

BAB V ................................................................................................................... 48

5.1. Kesimpulan ............................................................................................. 48

5.2. Saran ....................................................................................................... 49

DAFTAR PUSTAKA ........................................................................................... 50

LAMPIRAN ...................................................................................................................... 51


xvii

DAFTAR GAMBAR

Gambar 2. 1 Data Mining dan proses KDD (Source: Fayyad, et.al., 1996) ......... 11

Gambar 2. 2 Proses Diskretisasi............................................................................ 13

Gambar 3. 1 Alur Pengolahan Data ..................................................................... 27

Gambar 3. 2 Alur Kerja Naive Bayes .................................................................. 31

Gambar 3. 3 Alur Kerja Desain Pengujian .......................................................... 38

Gambar 4. 1 Grafik Perbandingan Akurasi .......................................................... 42

Gambar 4. 2 Halaman Sistem............................................................................... 44

Gambar 4. 3 Menu Import dan Tabel Data .......................................................... 45

Gambar 4. 4 Menu Proses Klasifikasi .................................................................. 45

Gambar 4. 5 Menu Grafik Data............................................................................ 46

Gambar 4. 6 Menu Confution Matrix dan Akurasi .............................................. 46

Gambar 4. 7 Menu Uji Data Tunggal................................................................... 47


xviii

DAFTAR TABEL

Tabel 2. 1 Tipe Diabetes Mellitus ........................................................................... 8

Tabel 2. 2 Klasifikasi Diabetes Milletus tipe 2 ....................................................... 9

Tabel 2. 3 Cross Validation ................................................................................... 20

Tabel 3. 1 Pengelompokan Data Mentah ............................................................. 22

Tabel 3. 2 Contoh EWD ....................................................................................... 28

Tabel 3. 3 Menghitung n ...................................................................................... 29

Tabel 3. 4 Tabel Interval ...................................................................................... 30

Tabel 3. 5 Hasil Diskretisasi ................................................................................ 30

Tabel 3. 6 Contoh Tabel Training ........................................................................ 31

Tabel 3. 7 Contoh Data Tabel Testing ................................................................ 35

Tabel 3. 8 Confution Matrix ................................................................................ 37

Tabel 3. 9 Data dengan 3 Fold ............................................................................. 38

Tabel 3. 10 Data dengan 5 Fold ........................................................................... 38



Tabel 4. 1 Hasil Percobaan Klasifikasi ................................................................ 41


xix

DAFTAR LAMPIRAN

Lampiran 1 TrainingData.fit ................................................................................ 51

Lampiran 2 Listing preData ................................................................................. 51

Lampiran 3 Listing Cleaning ............................................................................... 52

Lampiran 4 Listing EWD ..................................................................................... 53

Lampiran 5 Listing freqTable .............................................................................. 54

Lampiran 6 Listing kFold .................................................................................... 55

Lampiran 7 Listing prediction (NBC) .................................................................. 56

Lampiran 8 Data Diabetes Mellitus ..................................................................... 57

Lampiran 9 Keterangan Nama Kolom ................................................................. 68


1

BAB I

PENDAHULUAN

Pada bab pertama ini akan dibahas tentang latar belakang, rumusan masalah,

tujuan dan manfaat penelitian, batasan masalah, metodologi penelitian, dan

sistematika penulisan.

1.1. Latar Belakang

Kerusakan pada kinerja organ tubuh manusia sangatlah merugikan dan

menjadi sumber masalah terbesar dewasa ini. Salah satu penyakit yang menjadi

pembunuh nomer satu di dunia adalah Diabetes Mellitus (DM). Diabetes

Mellitus merupakan salah satu penyakit metabolik yang ditandai dengan

hiperglikemia yang disebabkan karena adanya suatu gangguan sekresi insulin,

dari kerja insulin ataupun keduanya. Hiperglekemia kronis pada Diabetes

Mellitus akan menyebabkan banyak kerusakan pada oragan tubuh manusia,

contohnya ginjal, mata, saraf, jantung dan pembuluh darah (ADA, 2012).

Diabetes Mellitus dibagi menjadi beberapa tipe. Diabetes Melitus tipe

I biasanya menimbulkan gejala sebelum usia pasien 30 tahun, walaupun gejala

dapat muncul kapan saja. Pasien Diabetes Melitus tipe I memerlukan insulin

dari luar tubuhnya untuk kelangsungan hidupnya. Diabetes Melitus tipe

II biasanya dialami saat pasien berusia 30 tahun atau lebih, dan pasien tidak

tergantung dengan insulin dari luar tubuh, kecuali pada keadaan-keadaan

tertentu. Tipe Diabetes Mellitus lainnya adalah Diabetes Melitus gestasional,

yakni Diabetes Mellitus yang terjadi pada ibu hamil, yang disebabkan oleh

gangguan toleransi glogosa pada pasien tersebut.

Penyakit ini merupakan penyakit yang menurun yang bisa di turunkan

orang tua kepada anaknya, dan sangat disayangkan bila diusia yang masih

muda sudah mengalami diabetes. Setiap tahunnya penderita diabetes di

Indonesia terus bertambah. Seperti yang dilansir dari Tempo.co pada tahun

2014 penderita diabetes terkhusus di Indonesia melonjak 500 ribu orang dari

tahun sebelumnya.


2

Akibat lonjakan tersebut, Indonesia mendapatkan peringkat ke lima

dunia penderita diabetes. Tingkat kesadaran masyarakat Indonesia yang rendah

juga menjadi salah satu unsur peyebab diabetes terus-menerus merenggut

kehidupan masyarakat luas ini tanpa disadari.

Penentuan seseorang terserang Diabetes Mellitus amat sulit untuk

ditentukan. Melalui rekam medis dan uji laboratorium akan menghasilkan data

yang valid. Data yang diperoleh dari hasil rekam medis itu nantinya akan

diberikan adanya cabang dari penyakit ini, atau murni hanya diabetes saja.

Kurangnya penanganan dalam menentukan penyakit inilah yang mendorong

dunia teknologi informasi, khususnya dengan penerapat ilmu mining akan ikut

andil di dalamnya, agar mempermudah dunia medis khususnya dokter ahli

menentukan suatu klasifikasi Diabetes Mellitus kepada pasien.

Guna mendapatkan klasifikasi tentang DM dan penelitian tentang

klasifikasi dengan kasus ini, maka penulis mencoba mengaitkan kasus dengan

menggunakan metode Naive Bayes Clasifier. Metode ini pertama kali

dikenalkan oleh ilmuan Inggris bernama Thomas Bayes, yang mana metode ini

berhasil untuk menjawab permasalahan-permasalahan di bidang probabilitas

dan statistik, yang akan diterapkan untuk menjawab persoalan keterjangkitan

Diabetes Mellitus di masyarakat dewasa ini.

1.2. Rumusan Masalah

Berdasarkan paparan latar belakang di atas, masalah yang dipecahkan

dalam penelitian ini adalah:

a) Apakah metode Naive Bayesian Clasifier mampu secara otomatis

melakukan klasifikasi dari diabetes yang diderita pasien secara tepat,

dan bagaimana bentuk aplikasi untuk menentukannya?

b) Berapa besar tingkat akurasi klasifikasi dengan metode Naive

Bayesian Clasifier, jika dipakai untuk pengklasifikasian tipe Diabetes

Mellitus?


3

1.3. Tujuan

Sesuai dengan latar belakang dan rumusan masalah di atas, tujuan

penelitian ini secara umum adalah membangun sistem tentang klasifikasi

Diabetes Mellitus dengan penerapan metode Naive Bayesian Clasifier

sehingga mampu mempermudah dunia medis guna menentukan klasifikasi

seseorang terkena diabetes. Sementara itu, secara khusus tujuan penelitian ini

dirinci sebagai berikut :

Membangun sistem berdasarkan pendekatan Naive Bayesian

yang secara otomatis mampu mengklasifikasikan jenis-jenis dari

penyakit diabetes.

1.4. Batasan Masalah

1. Penelitian kerja berada di ranah kesehatan yang membahas Diabetes

Mellitus.

2. Penelitian terhenti bila sudah dapat menentukan klasifikasi Diabetes

Mellitus dan memberikan jawaban tipe Diabetes Mellitus.

3. Sistem yang dibangun hanya digunakan untuk membantu membuat suatu

keputusan tentang jenis diabetes militus yang diderita, bukan untuk

memberikan solusi (cara penanganan).

4. Memanfaatkan metode Naive Bayes Clasifier sebagai acuan kerja sistem.

1.5. Metodologi Penelitian

Metodologi penelitian dapat dilakukan dengan penerapan proses KDD

(Knowledge Discovery in Databases) melalui beberapa tahapan sebagai

berikut:

1. Pembersihan dan penghilangan noise pada data yang inkonsisten.

2. Melakukan integrasi data dari hasil riset yang dilakukan.

3. Menyeleksi dan mentransformasi data guna menentukan kwalitas

data dari hasil mining, sehingga memudahkan untuk ditranformasi

ke bentuk data mining.


4

4. Penerapan konsep data mining, yaitu dengan menerapkan konsep

naive bayesian clasifier.

5. Evaluasi data hasil mining

Tahapan inilah yang akan menjadi tolok ukur keberhasilan

penerapan mining dari data yang tersedia dan akan menjadi

pengukuran akurasi untuk menentukan hipotesa data.

6. Presentasi pengetahuan.

Presentasi pengetahuan yang didapatkan dari hasil evaluasi yang

dijadikan pola untuk menentukan tahapan akhir mining yang

membantu guna menentukan keputusan dari analisa hasil

sebelumnya.

1.6. Sistematika Pembahasan

Bab I : Pendahuluan

Dalam bab ini berisi tentang pemahaman dasar tentang bagaimana latar

belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah,

metodologi penelitian yang dipakai dan sistematika penulisan.

Bab II : Landasan Teori

Dalam bab II berisi tentang teori yang digunakan guna menunjang penelitian

dan menjadi dasar atau sumber tertulis dari apa yang akan dilakukan, yaitu

berupa pengertian dan klasifikasi dari Diabetes Mellitus, teori penambangan

data, proses penambangan data, klasifikasi dan pengertian algoritma Naive

Bayesian.

Bab III : Metodologi Penelitian

Bab III berisi tentang penerapan dari konsep di bab II untuk menganalisis dan

merancang sistem sesuai dengan tahapan penyelesaian masalah dengan

penerapan algoritma yang telah ditentukan.


5

Bab IV : Analisa Hasil Dan Implentasi Sistem

Dalam bab ini, akan berisi tentang implementasi dari sistem (komputerisasi

sistem) berdasarkan hasil perancangan yang telah dibuat, dan akan dijelaskan

tentang analisis sistem yang telah dibuat serta kelebihan dan kekurangan dari

sistem.

Bab V : Penutup

Dalam bab ini berisi tentang kesimpulan dan juga saran-saran yang terkait

dengan seluruh proses dan penulisan tugas akhir.


6

BAB II

LANDASAN TEORI

Pada bab ini, akan dijelaskan tentang pengertian Diabetes Mellitus,

klasifikasi dari diabetes, diagnosa dan pemeriksaan diabetes, teori

penambangan data, proses penambangan data, pengelompokan penambangan

data dan teorema Naive Bayesian Clasifier.

2.1. Pengertian Diabetes Mellitus

World Health Organization (WHO) menyatakan bahwa Diabetes

Mellitus tidak dapat didefinisikan secara singkat dan jelas namun dapat

dikatakan sebagai kumpulan permasalahan yang kompleks tentang

anatomi dan kimiawi akibat beberapa faktor dimana terdapat defisiensi

insulin absolut (Purnamasari, 2009)

Diabetes Mellitus merupakan salah satu penyakit metabolik yang

ditandai dengan hiperglikemia disebabkan karena adanya suatu gangguan

sekresi insulin, dari kerja insulin ataupun keduanya. Hiperglekemia kronis

pada Diabetes Mellitus akan menyebabkan banyak kerusakan pada oragan

tubuh manusia, contohnya ginjal, mata, saraf, jantung dan pembuluh darah

(American Diabetes Association/ADA, 2012).

Menurut Dorland Diabetes Mellitus (DM) adalah kelainan yang

ditandai dengan ekskresi urine (pengeluaran air kencing) yang berlebihan.

Selain itu, Diabetes mellitus atau penyakit kencing manis merupakan

suatu penyakit menahun yang ditandai dengan kadar glukosa darah (gula

darah) melebihi nilai normal yaitu kadar gula darah sewaktu sama atau

lebih dari 200 mg/dl. Diagnosis khas DM pada umumnya yaitu polyuria

(banyak kencing), polydipsia (banyak minum), polifagia (banyak makan),

dan penurunan berat badan yang tidak jelas sebabnya (Misnadiarly,2006).

Hypercalcemia adalah peningkatan yang berlebihan pada kalsium

dalam darah (Dorland). Menurut Dorland Hypertension adalah tingginya


7

tekanan darah arteri secara persisten, penyebabnya mungkin tidak

diketahui (essential, idiopatic, primary) atau mungkin disebabkan oleh

penyebab lain ( secondary). Ulcus atau ulcer adalah defek lokal atau

ekskavasi permukaan suatu organ atau jarinagn, akibat pengelupasan

jaringan radang yang nekrotik (Dorland edisi 28, 2002). Selain itu Ulcus

atau ulcer merupakan penyakit lambung (penyakit maag) yang terjadi

apabila dinding lambung rusak akibat mucus yang menyelimutinya rusak.

Enzim yang dihasilkan didalam mucus memakan bagian-bagian kecil pada

lapisan permukaan lambung. Neuropathy adalah gangguan fungsional atau

perubahan patologis pada sistem saraf tepi, kadang-kadang

penggunaannya dibatasi hanya untuk lesi noninflamasi sebagai lawan dari

lesi neuritis (Dorland).

Diabetes dan hypercalcemia adalah kadar gula darah yang rendah.

Kadar gula darah yang normal 60-100 mg% . Diabetes dan hypertension

adalah penyakit yang saling berkaitan, karena penderita harus

mengendalikan tekanan darah yang berpengaruh pula pada kadar gula

yang meningkat. Diabetes dan ulcus adalah penyakit yang menyebabkan

kaki luka tak kunjung sembuh. Diabetes dan neuropathy adalah beberapa

bentuk klinis neuropati perifer (sensoris motorik, otonom, dan campuran)

yang ditemukan pada penderita diabetes mellitus, jenis yang sering terjadi

adalah polineuropati sensoris simetris kronik yang pertama kali

menyerang saraf-saraf ekstremitas bawah dan sering sekali mengenai saraf

otonom. Selain itu Diabetic Neuopaty adalah kerusakan saraf sebagai

komplikasi serius akibat diabetes. Kadar gula darah yang tinggi dapat

mencederai serat-serat saraf, umumnya pada kaki.


8

2.2. Tipe Diabetes Mellitus

Tipe Diabetes Melitus menurut Perkumpulan Endokrinologi Indonesia

(PERKENI) 2006 meliputi :

Tabel 2. 1 Tipe Diabetes Mellitus

Jenis

Diabetes

Etiologi

Tipe 1 Destruksi sel β, umumnya menjurus ke defisiensi

insulin absolut, yaitu :

• Autoimun

• Idiopatik

Tipe 2 Bervariasi, mulai dari resistensi insulin yang disertai

defisiensi insulin relatif hingga defeksekresi insulin

yang dibarengi resistensi insulin.

Tipe Lain • Defek genetik fungsi selβ

• Defek genetik kerja insulin

• Penyakit eksokrin pankreas

• Endokrinopati

• Karena obatatau zat kimia

• Infeksi

• Sebab imunologi (jarang)

• Sindrom genetik lain yang berkaitan dengan

Diabetes Mellitus

Diabetes

Melitus

gestasional

Intoleransi glukosa yang timbul atau terdeteksi pada

kehamilan pertama dan gangguan toleransi glukosa

setelah terminasi kehamilan.


9

2.3. Klasifikasi Diabetes Milletus tipe 2

Tabel 2. 2 Klasifikasi Diabetes Milletus tipe 2

Jenis tipe 2 Keterangan dan ciri

Diabetes Milletus Mati rasa

Sering mengeluarkan urine

Berat badan berkurang

Nafsu makan meningkat

Penglihatan mulai kabur atau buram

Bermasalah dengan kulit (biasanya

terdapat luka)

Mudah lelah dan emosi

Mudah merasakan haus

Terjadi gangguan di gusi

Infeksi jamur

Diabetes Milletus

dengan Hiperglikemia

Kadar gula meningkat

Jantung berdebar

Mual

Kelemahan pada otot

Diabetes Milletus

dengan Hipertensi

Detak jantung berdebar

Sering terjadi mimisan

Sakit kepala yang berlebihan

Sesak nafas

Sering buang air kecil

Mengalami kesemutan hingga mati rasa

Diabetes Milletus

dengan Ulkus

Kehilangan keseimbangan atau

koordinasi

kram pada otot

Obesitas

Hipertensi


10

Diabetes Milletus

dengan Neuropaty

Penurunan berat badan

Mual muntah berwarna hitam

Perubahan warna tinja menjadi hitam

Nyeri pada bagian kaki

Luka yang tidak sembuh-sembuh

2.4. Diagnosis dan Pemeriksaan Diabetes Milletus

Menurut Perkumpulan Endokrinologi Indonesia (PERKENI)

berbagai keluhan dapat ditemukan pada penyandang Diabetes Mellitus.

Kecurigaan adanya Diabetes Mellitus perlu dipikirkan apabila terdapat

keluhan klasik Diabetes Mellitus, antara lain :

a) Keluhan klasik Diabetes Mellitus berupa : poliuria, polifagia, dan

penurunan berat badan yang tidak dijelaskan sebabnya.

b) Keluhan lain dapat berupa: lemah badan (mudah capai), kesemutan,

gatal, mata kabur dan disfungsi ereksi pada laki-laki serta pruritus

vulva pada perempuan.

Selain dengan keluhan, diagnosa Diabetes Mellitus harus ditegakkan

berdasarkan pemeriksaan kadar glukosa darah dengan cara enzimatik

dengan bahan darah plasmavena. Penggunaan bahan darah utuh

(wholeblood), vena ataupun kapiler sesuai kondisi dengan memperhatikan

angka-angka kriteria diagnostik yang berbeda sesuai pembakuan World

Heald Organization (WHO). Sedangkan untuk tujuan pemantauan hasil

pengobatan dapat dilakukan dengan menggunakan pemeriksaan glukosa

darah kapiler (Gustaviani, 2006; PERKENI, 2006).

Dengan pemanfaatan diagnosa dan juga data laboratorium, dunia

teknologi informasi memberikan solusi guna pemecahan masalah

klasifikasi Diabetes Mellitus ini. Cabang ilmu data mining yaitu Healtcare

Informatics adalah cabang ilmu dari dunia mining yang secara khusus

berurusan dengan penyimpanan, penarikan, dam penggunaan data,

informasi serta pengetahuan biomedik secara optimal untuk tujuan

memecahkan permasalahan dan pengambilan keputusan yang berasal dari

dunia medis.


11

2.5. Teori Penambangan Data

2.5.1. Definisi Data Mining

Data mining adalah suatu proses untuk mencari informasi dari

database atau KDD (Knowledge Discovery in Database). Dari proses

pengolahan data tersebut akan menemukan korelasi penuh arti, pola

dan informasi yang dapat digunakan sebagai pengambilan keputusan

atau decision making (Han and Kamber, 2006).

Data mining adalah mengenai pemecahan masalah dengan

menganalisa data yang ada di dalam database dan sering juga

didefinisikan sebagai proses menemukan pola dalam data, dimana

proses tersebut harus otomatis atau semi-otomatis dan pola yang

ditemukan harus bermakna (Chakrabarti, et al., 2009).

2.5.2. Proses Penambangan Data

Di bawah ini adalah gambar alur kerja data mining untuk

menentukan suatu knowledge :

Gambar 2. 1 Data Mining dan proses KDD (Source: Fayyad, et.al., 1996)

1. Selection :

2. Data Selection merupakan penyeleksian data dimana data yang

relevan dikembalikan ke dalam database yang memiliki tugas

untuk analisis data (Fadli,2011).


12

3. Cleaning :

Data Cleaning merupakan pembersihan atau penghilangan

missing value pada data. Pembersihan data ini akan

mempengaruhi performasi dari teknik mining sendiri karena

data yang ditangani akan diberikan nilai untuk setiap data yang

kosong yang mengacu pada mean tiap atributnya. Mean adalah

rata-rata dari data yang diperoleh berupa angka yang didapat

dari nilai-nilai dibagi dengan jumlah individu (Sutrisno Hadi,

1998), dengan rumusan :

𝑀 =∑ 𝑋

𝑁...............................................................................(2.1)

𝑅𝑎𝑡𝑎𝑎𝑛 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 = ∑ 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑛𝑖𝑙𝑎𝑖 𝑝𝑎𝑑𝑎 𝑎𝑡𝑟𝑖𝑏𝑢𝑡

𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑏𝑎𝑟𝑖𝑠 𝑎𝑡𝑟𝑖𝑏𝑢𝑡

4. Transformation :

Data Transformation merupakan cara untuk

mentransformasikan data yang diubah ke bentuk yang tepat

untuk diproses pada proses mining.

5. Data mining :

Data mining merupakan langkah terpenting dimana akan

diaplikasikannya metode kerja yang paling tepat untuk

mengekstrasi data.

6. Interpretation / Evalution :

Proses ini yang nantinya kana berguna untuk mengidentifikasi

dan mengevaluasi pola yang benar dan menarik. Pola inilah

yang akan mewakili pengetahuan berdasarkan atas beberapa

tindakan mining yang menarik.

7. Knowledge Presentation :

Dalam tahap ini hasil dari mining yang berupa pola-pola

tersebut direpresentasikan kepada pengguna(user) dan dari

langkah ini akan ditemukannya sebuah pengetahuan yang akan

dijadikan acuan guna pengambilan keputusan.


13

2.6. Generalisasi Data

Generalisasi data adalah ketika data level rendah (low-level data)

diganti dengan konsep yang lebih tinggi, yaitu dengan melakukan

diskretisasi. Teknik diskretisasi dapat digunakan untuk mereduksi

sekumpulan nilai yang terdapat pada atribut continuous, dengan

membagi range dari atribut ke dalam interval (Hartanto Junaedi, 2011).

Berikut ini merupakan proses kerja dari diskretisasi :

Gambar 2. 2 Proses Diskretisasi

Proses diskretisasi secara umum terdiri dari empat tahapan pada gambar

di atas, yaitu :

1. Sorting, melakukan sorting nilai atribut continuous yang akan

didiskretisasi.

2. Melakukan “cut-point”, banyak fungsi evaluasi yang dapat

digunakan seperti binning dan pengukuran entropy.

3. Splitting, dilakukannya evaluasi poin ke dua yang ada dan pilih

satu yang terbaikdan lakukan split range nilai atribut kontinu ke

dalam dua partisi. Diskretisasi berlanjut untuk tiap partisi sampai

kondisi berhenti tercapai.

4. Stopping criterion, dilakukan untuk menghentikan proses

diskretisasi.


14

Terdapat lima metode untuk melakukan diskretisasi pada data kontinu,

yaitu binning, cluster analysis, histogram analysis, entropy-based

discretization, dan segmentation by “natural partitioning”. Pada kasus data

medis yang menjadi pusat bahasan ini (penerapan Naive Bayesian Clasifier),

diskretisasi yang akan dilakukan adalah dengan metode histogram analysis

sesuai dengan bahasan dari Ying Yang dan Geoffrey I.Web di tahun 2005

tentang diskretisasi umtuk Naive-Bayes-Learning.

2.6.2. Diskretisasi pada Naive Bayes Clasifier

Diskretisasi pada Naive Bayes Clasifer ada beberapa pilihan antara

lain dengan menghitung jarak dan frekuensi, ada juga dengan

perhitungan entropi dan diskretisasi yang dilakukan setelah adanya

tes data. Berikut ini adalah dua diantara banyak metode diskretisasi

yang bisa diterapkan pada metode Naive Bayesian Clasifier.

1. Equal Width Discretization

Equal Width Discretization (EWD) pertama kali

dikemukanakan oleh Catlett pada tahun 1991 dan

dikembangkan oleh Kerber dan Dougherty. Metode ini

memungkinkan untuk menentukan interval berdasarkan

perhitungan range dari nilai minimum dan maksimum

data pada atributnya untuk didiskretisasi. Pada EWD,

pengguna metode diminta untuk menentukan besaran

jenis kelas bagian pada setiap atribut (k) sebagai

parameter. Cara hitung untuk menentukan hasil

diskretisasinya adalah nilai tiap data kontinu yang akan

didiskretisasi cari bilangan maksimum dan minimumnya

setelah itu bagi dengan nilai interval yang telah ditentukan

sebelumnya, dengan rumusan sebagai berikut :

𝑛 =(𝑚𝑎𝑥−𝑚𝑖𝑛)

𝑘............................................................(2.2)

Untuk n adalah nilai diskretisasi yang dicari dan min-

max adalah data min dan max pada setiap atribut yang

akan didiskretisasi. Setelah n ditemukan, dapat


15

menentukan jarak interval untuk membagi datanya ke

bentuk yang lebih sederhana.

2. Equal Frequency Discretization

Equal Frequency Discretization(EFD) dikemukanan

oleh Catlett di tahun 1991 dan Kerber 1992. Jika EWD

menghitung n menggunakan nilai min-max tiap atribut,

EFD menggunakan banyaknya baris (i) pada atribut yang

dibagi oleh k, dengan rumusan sebagai berikut :

𝑛 =𝑖

𝑘...........................................................................(2.3)

2.7. Pengelompokan pada Data Mining

1. Klasifikasi

Di dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,

penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah

(Kusrini, 2009).

Klasifikasi akan menggunakan data dengan target (class/label) yang

berupa nilai diskrit/kontinu. Menurut Goronescu, proses klasifikasi

didasarkan pada empat elemen penting yang sangat mendasar, yaitu :

a) Kelas

Variabel dependen dari model, merupakan variabel

kategorikal yang merepresentasikan label pada objek

setelah klasifikasinya. Contohnya adalah adanya kelas

penyakit diabetes yang diderita seseorang, kelas gempa

bumi dan banyak lainnya.

b) Prediktor

Variabel dependen dari model, yang direpresentasikan

oleh karakter khas atribut dari data yang akan

diklasifikasikan. Contohnya adalah data gejala dan hasil uji

lab.

c) Training dataset

Kumpulan dari data yang berisi nilai dari kedua

komponen di atas dan digunakan untuk melatih model


16

dalam mengenali kelas yang sesuai berdasarkan prediktor

yang tersedia.

d) Testing dataset

Berisi data baru yang nantinya akan diklasifikasikan

oleh model yang telah dibangun sebelumnya, sehingga akan

menghasilkan akurasi klasifikasi dan dapat dievaluasi.

2. Klastering

Klustering merupakan pengelompokan record, pengamatan atau

memperhatikan dan membentuk kelas objek yang memiliki kemiripa-

kemiripan (Kusrini, 2009). Klustering berbeda dengan klasifikasi

karena tidak adanya variabel target dalam pengklusteran.

3. Deskripsi

Terkadang peneliti dan analisa secara sederhana ingin mencoba

mencari cara untuk menggambarkan pola dan kecenderungan yang

terdapat dalam data. Sebagai contoh, petugas pengumpulan suara

mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa

yang tidak cukup profesional akan sedikit didukung dalam pemilihan

presiden. Deskripsi dari pola dan kecenderungan sering memberikan

kemungkinan penjelasan untuk suatu pola.

4. Estimasi

Estimasi hampir sama dengan klasifikasi, keculai variabel target

estimasi lebih ke arah numerik daripada ke arah kategori. Model

dibangun menggunakan record lengkap yang menyediakan nilai dari

variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan

berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai

variabel prediksi (Kusrini, 2009).

5. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa

dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa

metode dalam klasifikasi dan estimasi dapat diterapkan pada prediksi

(Kusrini, 2009).


17

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang

muncul dalam satu waktu (Kusrini, 2009). Asosiasi lebih kental

dengan suatu analisis kebutuhan.

2.8. Teorema Naive Bayesian

2.8.1. Pengertian Teorema Bayesian

Bayesian Classifier adalah pengklasifikasian statistik yang

dapat digunakan untuk memprediksi probabilitas keanggotaan suatu

class (Kusrini, 2009). Bayesian classifier didasarkan pada teorema

Bayes yang memiliki kemampuan klasifikasi serupa dengan

decision tree dan neural network. Pendekatan teorema ini

didasarkan pada kuantifikasi trade-off antara berbagai keputusan

klasifikasi dengan menggunakan probabilitas dan nilai yang muncul

dalam suatu keputusan.

Teorema ini mampu diaplikasi pada database dengan data

yang besar dan memiliki tingkat akurasi dan kecepatan yang tinggi.

Teorema Bayesian memiliki bentuk umum sebagai berikut :

𝑃(𝐻|𝐸) =𝑃(𝐸|𝐻)𝑃(𝐻)

𝑃(𝐸) ........................................(2.4)

Keterangan :

E = data dengan class yang belum diketahui

H = hipotesis data E merupakan suatu class spesifik

P(H|E) = probabilitas hipotesis H berdasarkan kondisi E

(posteriori probability)

P(H) = pobabilitas hipotesis H (prior probability)

P(E|H) = probabilitas E berdasaerkan kondisi pada hipotesis H

P(E) = probabilitas dari E

Menurut buku dari Eko Prasetyo, ide dasar dari aturan Bayes

adalah bahwa hasil dari hipotesis atau peristiwa (H) dapat

diperkirakan berdasarkan bukti (E) yang diamati. Ada beberapa hal

penting yang perlu diperhatikan yaitu :


18

1) Sebuah probabilitas awal/prior H atau P(H) adalah

probabilitas dari suatu hipotesis sebelum bukti diamati.

2) Sebuah probabilitas akhir H atau P(H|E) adalah probabilitas

dari suatu hipotesis setelah bukti diamati.

Dalam Bayes (terutama Naive Bayes), maksud independensi

yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data

tidak berkaitan dengan ada atau tidaknya fitur lain dalam data yang

sama (Eko Prasetyo, 2012).

2.8.2. Naive Bayesian Classifier

Metode Naive Bayes merupakan algoritma machine learning

yang bertipe supervised learning yang menerapkan teorema Bayes

yang “naif” dimana asumsinya adalah tiap fitur atribut datra

dianggap independen, satu dan lainnya terpisal dan memiliki nilai

sendiri (Zhang, 2004). Metode ini dianggap memiliki peforma yang

handal dan kompetitif dalam proses pengklasifikasian karena asumsi

independen atribut yang dimiliki sebuah data sangat sesuai dengan

pengaplikasiaan di dunia nyata.

Kaitan antara Naive Bayes dengan klasifikasi, korelasi

hipotesis, dan bukti dengan klasifikasi adalah bahwa hipotesis dalam

teorema Bayes merupakan label kelas yang menjadi target pemetaan

dalam klasifikasi, sedangkan bukti merupakan fitur-fitur yang

menjadi masukan dalam model klasifikasi (Eko Prasetyo, 2012).

Jika X adalah vektor masukan yang berisi fitur dan Y adalah label

kelas, Naive Bayes dituliskan dengan P(Y|X). Notasi tersebut berarti

probabilitas label Y didapatkan setelah fitur dari X diamati. Notasi

ini disebut juga dengan probabilitas akhir (posterior probability)

untuk Y, sedangkan P(Y) disebut probabilitas awal (prior

probability).

Klasifikasi Naive Bayesian yang memiliki nilai atribut yang

terpisah atau independen ini dapat dinyatakan dengan rumus sebagai

berikut :


19

𝑃(𝑌|𝑋) =𝑃(𝑌)𝜋𝑖=1

𝑞𝑃(𝑋𝑖|𝑌)

𝑃(𝑋) ............................................(2.5)

Keterangan :

P(Y|X) : Probabilitas data dengan vektor X pada kelas Y

P(Y) : Probabilitas awal kelas Y

𝜋𝑖=1𝑞 𝑃(𝑋𝑖|𝑌): Probabilitas independen kelas Y dari semua fitur

vektor X

Pada umumnya, Bayes mudah dihitung untuk fitur bertipe

kategories seperti pada kasus diskrit. Namun untuk fitur numerik

(data kontinu)ada perlakuan khusus sebelum dimasukkan dalam

Naive Bayes. Cara tersebut meliputi :

1) Melakukan diskretisasi pada setiap fitur kontinu dan

mengganti nilai fitur kontinu tersebut dengan nilai interval

diskret. Pendekatan ini dilakukan dengan

mentransformasikan fitur kontinu ke dalam fitur ordinal.

2) Mengasumsikan bentuk tertentu dari distribusi dengan data

penelitian. Distribusi Gausian biasanya dipilih untuk

merepresentasikan probabilitas bersyarat dari fitur kontinu

pada sebuah kelas P(Xi|Y), sedangkan distribusi Gausian

dikarakterisasikan dengan dua parameter yaitu mean, µ, dan

varian, σ2.

2.8.3. Evaluasi/Validasi Data

Pada proses evaluasi/validasi, setiap data digunakan dalam

jumlah sama untuk data training dan testing. Bentuk pendekatan ini

disebut dengan k-fold cross validation, yang mana data akan dipecah

kebeberapa bagian dari tentuan banyaknya k, dengan pembagian

yang rata dari setiap kelompok data. Setiap kali proses berjalan,satu

pecahan berperan sebagai data uji sedangakan pecahan lain menjadi

data latih. Total error yang diperoleh dapat dijumlahkan semuanya

dan akan memperlihatkan skema validasi benar dan salah (Prasetyo,

2014).


20

2.8.4. Akurasi Klasifikasi (Confution Matrix)

Metode ini hanya menggunakan tabel matriks terdapat pada

proses jika dataset memiliki kelas yaitu kelas yang dianggap positif

dan kelas lainnya merupakan kelas negatif (Bramer, 2007).

Evaluasi dengan confution matrix ini menghasilkan nilai

akurasi, precison, dan recall terhadap klasifikasi yang telah

dilakukan. Akurasi dalam klasifikasi adalah presentase ketetapan

record data yang diklasifikasikan secara benar setelah dilakukan

pengujian pada hasil klasifikasi (Han & Kamber, 2006). Sedangkan

precision atau confidence adalah proporsi kasus yang diprediksi

positif yang juga positif benar pada data yang sebenarnya. Recall

atau sensitivitas adalah proporsi kasus positif yang sebenarnya yang

diprediksi positif secara benar (Powers, 2011).

Correct

Clasification

Classified as

+ -

+ True positives False negative

- False positive True negative

Tabel 2. 3 Cross Validation

True positive dan false positive adalah jumlah record positif

dan negatif yang diklasifikasikan sebagai positif, sedangkan false

negative dan true negatif adalah jumlah record positif dan negatif

yang diklasifikasikan sebagai negatif. Lalu masukkan data uji,

setelah itu hitung nilai yang telah dimasukkan tersebut untuk

dihitung sensitivitinya, spesifikasinya, presisinya dan akurasinya.

Berdasarkan isi matriks pada tabel tersebut maka dapat

diketahui jumlah data dari masing-masing kelas yang dipredikasi

secara benar yaitu (True positives + True negatives) dan data yang

diklasifikasikan secara salah adalah (False positive + False

negatives).


21

Kuantitas matriks dapat diringkas menjadi dua nilai yaitu

akurasi dan laju error. Dua nilai ini digunakan sebagai matriks

kinerja dengan formula sbb (Hann & Kamber, 2006) :

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖

=𝑡𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓

𝑡𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓+𝑡𝑟𝑢𝑒 𝑛𝑒𝑔𝑎𝑡𝑖𝑓+𝑓𝑎𝑙𝑠𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓+𝑓𝑎𝑙𝑠𝑒 𝑛𝑒𝑔𝑎𝑡𝑖𝑓


22

BAB III

METODOLOGI PENELITIAN

Pada bab ke tiga ini, akan dijelaskan tentang analisa kebutuhan, data

penelitian, skenario pengambilan data, analisa pengolahan data, analisa

kebutuhan pengguna, spesifikasi hardware dan software yang digunakan serta

beberapa user interface awal.

3.1. Data Penelitian

3.1.1. Data Diabetes

Data diabetes yang digunakan nantinya adalah data gejala penyakit

diabetes sebanyak 274 data kotor, yang diperoleh dari studi kasus di

rumah sakit di Rumah Sakit Panti Nugroho Pakem, Daerah Istimewa

Yogyakarta.

Data tersebut nantinya akan dikelompokkan menjadi 26 atribut

termasuk atribut kelas.

Tabel 3. 1 Pengelompokan Data Mentah

No Nama

Atribut Keterangan Bobot

1. No. RM Nomer kode pasien Nomor ID

2. SEX

Jenis kelamin pasien Laki-laki /

Perempuan (1..2)

3. Umur Umur pasien 1..n

4.

Faktor

Keturunan

Atribut ini

menentukan adanya

sifat penyakit turunan

atau tidak tentang

riwayat penyakit yang

diderita pasien

Penyakit turunan

atau bukan (1...2)


23

5.

Gangguan

pada sistem

Pernafasan

Atribut ini

menentukan adanya

gangguan atau tidak

pada sistem

pernafasan pasien

(dada)

Bermasalah-tidak

bermasalah

(1..2)

6. Gangguan

pada sistem

kerja

Jantung dan

Darah

Atribut ini

menentukan adanya

gangguan atau tidak

pada sistem kerja

jantung dan darah

pasien

Bermasalah-tidak

bermasalah

(1..2)

7.

Gangguan

pada sistem

Integumen

Atribut ini

menentukan adanya

gangguan atau tidak

pada sistem

integumen pasien

Bermasalah-tidak

bermasalah

(1..2)

8.

Gangguan

pada sistem

saraf

Atribut ini

menentukan adanya

gangguan atau tidak

pada sistem saraf

pasien

Bermasalah-tidak

bermasalah

(1..2)

9.

Gangguan

pada sendi

Atribut ini

menentukan adanya

gangguan atau tidak

pada sistem kerja

sendi pasien

Bermasalah-tidak

bermasalah

(1..2)

10.

Gangguan

pada sistem

penglihatan

Atribut ini

menentukan terganggu

atau tidaknya sistem

penglihatan(indra)

pasien

Bermasalah-tidak

bermasalah

(1..2)


24

11. Gangguan

pada sistem

pendengara

n

Atribut ini



pendengaran pasien

Bermasalah-tidak

bermasalah

(1..2)

12. Gangguan

pada sistem

penciuman

Atribut ini



penciuman pasien

Bermasalah-tidak

bermasalah

(1..2)

13. Gangguan

pada sistem

pencernaan

Atribut ini



pencernaan pasien

Bermasalah-tidak

bermasalah

(1..2)

14.

Gula darah

saat puasa

Atribut ini

mendapatkan

informasi tentang

tingginya gula darah

pasien saat puasa

0..n

15.

Gula darah

2 jam PP

Atribut ini

mendapatkan

informasi tentang

tingginya gula darah

pasien setelah 2 jam

makan

0..n

16.

Creatine

Atribut ini

mendapatkan

informasi tentang

tingginya kadar

creatine dalam tubuh

0..n

17.

Urea

Atribut ini

mendapatkan

informasi tentang

tingginya kadar urea

dalam tubuh

0..n


25

18.

Hemoglobin

Atribut ini

mendapatkan

informasi tentang

tingginya kadar HMG

dalam tubuh

0..n

19.

Hematokrit

Atribut ini

mendapatkan

informasi tentang nilai

tingginya kadar

hematokrit dalam

tubuh

0..n

20.

Leukosit

Atribut ini

mendapatkan


tingginya kadar

leukosit dalam tubuh

0..n

21.

Neutrosit/

neutrofil

Atribut ini

mendapatkan


tingginya kadar

neutrofil dalam tubuh

0..n

22.

Trombosit

Atribut ini

mendapatkan


tingginya kadar

trombosit dalam tubuh

0..n

23.

Eritrosit

Atribut ini

mendapatkan


tingginya kadar

eritrosit dalam tubuh

0..n

24. RDW-SD

Atribut ini

mendapatkan 0..n


26


RDW-SD dalam

tubuh

25.

MPV

Atribut ini

mendapatkan


MPV dalam tubuh

0..n

26.

Kelas

Atribut ini

menentukan

klasifikasi diabetes

yang diderita pasien

(2) DM

(3)

DM_Hiperglikemia

(4) HT_DM

(5) Ulkus_DM

(6) DM_Neuropati

Dari data-data tersebut, didapatkan 258 data bersih, yang mana data

itu akan masuk ke proses selanjutnya. Dan pada saat melakukan proses

mining, yang dipakai adalah 25 atribut yaitu menghilangkan no.RM.

3.1.2. Skenario Pengambilan Data

1. Pengambilan data diambil dengan studi kasus di Rumah Sakit

Panti Nugroho berdasarkan tipe gejala penyakit diabetes

milletus dari dokumen rekam medis perorang yang menderita

penyakit DM.

2. Data dikelompokkan menjadi 25 atribut berdasarkan sifat-

sifatnya.

3. Data diolah sedemikian rupa dengan meminimalkan/

menghilangkan missing value.

4. Data disimpan dalam file berekstensi .xlsx atau .xls. (data

terlampir pada tabel lampiran 1 ).


27

3.2. Analisa Pengolahan Data

Berikut ini merupakan langkah-langkah dari analisa pengolahan data yang

akan dilakukan

Gambar 3. 1 Alur Pengolahan Data

3.2.1. Seleksi Data dan Integrasi Data

Pada tahap ini akan dilakukan penyeleksian terhadap data

gejala terhadap data yang kurang relevan terhadap penelitian

(menghilangkan atau menghapus data gejala yang memiliki missing

value sangat banyak sehingga sulit untuk dikenali gejala ataupun

data labnya). Setelah diseleksi, dilakukan penggabungan seluruh

data yang telah diperoleh atau dilakukannya integrasi data. Setelah

itu data akan disimpan dalam satu file dengan ekstensi .xlsx atau .csv

berdasarkan atribut dari tiap gejala sesuai dengan kriteria atributnya.

3.2.2. Cleaning Data

Pada tahap ini dilakukan pembersihan data atribut uji lab.

yang kurang atau tidak relevan terhadap penelitian (pengisian

missing value), yaitu dengan melakukan pengisian nilai missing

value dengan memberikan nilai rata-rata atribut tertentu disetiap

daerah kosong dengan mengacu pada atributnya.


28

3.2.3. Transformasi

Pada tahap ini akan dilakukan perubahan data menjadi data

numerik semua untuk mempermudah penghitungan pada proses

mining nanti. Yaitu mengubah nilai pada atribut sex, diagnosa

penyakit dan atribut kelas. Perubahan itu dengan melakukan

transformasi sebagai berikut ini dan hasilnya terdapat pada

lampiran tabel contoh data pada contoh kolom K1 dan K25:

1. Transformasi pada kolom K1 :

a. L = 1

b. P = 2

2. Transformasi pada kolom K3 sampai kolom K12 :

a. T = 1

b. Y = 2

3. Transformasi pada kolom data kontinu dilakukannya

proses diskretisasi dengan EWD.

a. Pilih atribut yang akan didiskretisasi, sebagai contoh

atribut umur (K3) dan gula darah (K13), data diambil

secara acak.

Tabel 3. 2 Contoh EWD

K3 K13

83 360

69 312

51 352

30 125

40 222

b. Data tersebut akan dicari nilai n untuk interval dari

tiap data pada atributnya. Cari nilai minimal dan

maksimal dari tiap atribut

K3 nilai minimal 30, nilai maksimal 83

K13 nilai minimal 125, nilai maksimal 360

c. Hitung besarnya nilai n (interval) yaitu dengan

rumusan EWD yang telah dibahas pada pembahasan


29

2.6.2 poin 1. Nilai n tersebut dapat ditentukan dengan

mencari nilai standar deviasi dari tiap atribut.

Tabel 3. 3 Menghitung n

K3 K32 K13 K132

83 6889 360 129600 69 4761 312 97344 51 2601 352 123904 30 900 125 15625 40 1600 222 49284

∑ 273 16751 1371 415757

𝑆 = √∑ 𝑦2−(∑ 𝑦)2

𝑛

𝑛−1 ................................................(3.1)

𝑆(𝑛𝐾3) = √16751−(273)2

5

5−1= √

1845.2

4= √461.3 =

21.4779 = 22

𝑆(𝑛𝐾13) = √415757−(1371)2

5

5−1= √

39828.8

4=

√7965.76 = 89.2511 = 89

Setelah nilai n pada K3 dan K13 sudah ditemukan,

langkah selanjutnya cari nilai k dengan penerapan

rumus EWD.

𝑘 = 𝑚𝑎𝑥−𝑚𝑖𝑛

𝑛 ..................................................(3.2)

𝑘𝐾3 = 83−30

22 =

53

22= 2.4 = 2

𝑘𝐾3 = 360−125

89 =

235

89= 2.64 = 3

Selanjutnya, masukkan nilai k kedalam pembagian

interval sebanyak k bagian.


30

Tabel 3. 4 Tabel Interval

nK3 nK13 k

𝑥 < 52 𝑥 < 214 1

𝑥 > 74 214 ≤ 𝑥 < 303 2

𝑥 > 392 3

....

d. Setiap nilai atribut akan dicocokkan dengan nilai

interval yang telah dibuat di tabel 3.4 di atas.

Masukkan data pada varibel x, maka ditemukanlah

hasil diskretisasi datanya sebagai berikut :

Tabel 3. 5 Hasil Diskretisasi

K3 K13

menjadi

dK3 dK13

83 360 2 2

69 312 2 2

51 352 1 2

30 125 1 1

40 222 1 2

4. Transformasi pada kolom K25 :

a. DM = 2

b. DM_Hiperglikemia = 3

c. HT_DM = 4

d. Ulkus_DM = 5

e. DM_Neuropati = 6

3.2.4. Penerapan Teknik Mining

Pada tahap ini data yang telah ditransformasi dan menjadi

data yang sangat relevan (data setelah cleaning), data gejala

Diabetes Millitus tersebut akan diklasifikasikan ke tipe dari diabetes

tersebut dengan algoritma naive bayes. Data-data tersebut akan

diolah dengan variabel input dan output, variabel input meliputi


31

atribut gejala sakit dan data lab. dan outputya adalah kelas dari

diabetes yang diderita.

Gambar 3. 2 Alur Kerja Naive Bayes

Berikut ini merupakan pengerjaan metode Naive Bayes pada

data Diabetes Milletus :

a) Setelah melakukan preprosesing pada data, selanjutnya

lakukan mining terhadap data. Yang pertama-tama

dikerjakan adalah membuat kelas training pada langkah-

langkah dibawah ini.

b) Hitung jumlah kelas/label. Untuk percontohan

pengerjaan gunakan data sbb, yang mana data diambil

secara acak dan memakai data berdasarkan hasil

transformasi data :

Tabel 3. 6 Contoh Tabel Training

K1 K2 K3 K14 K15 K25

1 1 2 3 1 2

2 3 2 4 2 2

2 3 2 3 1 2

2 2 2 3 1 2

2 2 1 4 1 3


32

2 3 1 4 1 3

1 3 1 3 1 3

2 3 1 4 1 3

1 3 2 3 3 4

1 3 1 4 1 4

2 3 2 5 1 4

1 2 2 4 1 4

2 3 1 5 1 5

2 2 2 5 1 5

1 3 2 5 2 5

2 2 2 4 3 5

2 4 2 5 1 5

1 3 1 5 1 6

1 4 1 5 1 6

2 2 1 5 1 6

𝑃(𝑃) =𝑃(𝑋|𝐻)𝑃(𝐻)

𝑃𝑋

Probabilitas kelas :

𝑃(𝐾25 = 2) =4

20= 0.2 ,

𝑃(𝐾25 = 3) =4

20= 0.2,

𝑃(𝐾25 = 4) =4

20= 0.2,

𝑃(𝐾25 = 5) =5

20= 0.25 ,

𝑃(𝐾25 = 6) =3

20= 0.15

Probabilitas K1 banding K25

𝑃(𝐾1(1)|2) =1

4= 0,25 , 𝑃(𝐾1(2)|2) =

3

4= 0,75

𝑃(𝐾1(1)|3) =1

4= 0,25 , 𝑃(𝐾1(2)|3) =

3

4= 0,75

𝑃(𝐾1(1)|4) =3

4= 0,75 , 𝑃(𝐾1(2)|4) =

1

4= 0,25

𝑃(𝐾1(1)|5) =1

5= 0,2 , 𝑃(𝐾1(2)|5) =

4

5= 0,8


33

𝑃(𝐾1(1)|6) =2

3= 0,67 , 𝑃(𝐾1(2)|6) =

1

3= 0,33


𝑃(𝐾2(1)|2) =1

4= 0,25 ,𝑃(𝐾2(2)|2) =

1

4= 0,25

𝑃(𝐾2(3)|2) =2

4= 0,5 , 𝑃(𝐾2(4)|2) = 0

𝑃(𝐾2(5)|2) = 0

𝑃(𝐾2(1)|3) = 0 ,𝑃(𝐾2(2)|3) =1

4= 0,25

𝑃(𝐾2(3)|3) =3

4= 0,75 , 𝑃(𝐾2(4)|3) = 0

𝑃(𝐾2(5)|3) = 0

𝑃(𝐾2(1)|4) = 0 , 𝑃(𝐾2(2)|4) =1

4= 0,25

𝑃(𝐾2(3)|4) =3

4= 0,75 , 𝑃(𝐾2(4)|4) = 0

𝑃(𝐾2(5)|4) = 0

𝑃(𝐾2(1)|5) = 0 ,𝑃(𝐾2(2)|5) =2

5= 0,4

𝑃(𝐾2(3)|5) =2

5= 0,4 , 𝑃(𝐾2(4)|5) =

1

5= 0,2

𝑃(𝐾2(5)|5) = 0

𝑃(𝐾2(1)|6) = 0 ,𝑃(𝐾2(2)|6) =1

3= 0,33

𝑃(𝐾2(3)|6) =1

3= 0,33 , 𝑃(𝐾2(4)|6) =

1

3= 0,33

𝑃(𝐾2(5)|6) = 0


𝑃(𝐾3(1)|2) = 0 ,𝑃(𝐾3(2)|2) =4

4= 1

𝑃(𝐾3(1)|3) =4

4= 1 ,𝑃(𝐾3(2)|3) = 0

𝑃(𝐾3(1)|4) =1

4= 0,25 ,𝑃(𝐾3(2)|4) =

3

4= 0,75

𝑃(𝐾3(1)|5) =1

5= 1 ,𝑃(𝐾3(2)|5) =

4

5= 0,8

𝑃(𝐾3(1)|6) =3

3= 1 ,𝑃(𝐾3(2)|6) = 0


34


𝑃(𝐾14(1)|2) = 0 ,𝑃(𝐾14(2)|2) = 0

𝑃(𝐾14(3)|2) = 0.75 , 𝑃(𝐾14(4)|2) =1

4= 0.25 ,

𝑃(𝐾14(5)|2) = 0

𝑃(𝐾14(1)|3) = 0, 𝑃(𝐾14(2)|3) = 0

𝑃(𝐾14(3)|3) =1

4= 0.25 , 𝑃(𝐾14(4)|3) = 0.75

𝑃(𝐾14(5)|3) = 0

𝑃(𝐾14(1)|4) = 0 ,𝑃(𝐾14(2)|4) = 0

𝑃(𝐾14(3)|4) =1

4= 0.25 , 𝑃(𝐾14(4)|4) = 0.5

𝑃(𝐾14(5)|4) = 0.25

𝑃(𝐾14(1)|5) = 0 ,𝑃(𝐾14(2)|5) = 0

𝑃(𝐾14(3)|5) = 0 , 𝑃(𝐾14(4)|5) = 0.2

𝑃(𝐾14(5)|5) = 0.8

𝑃(𝐾14(1)|6) = 0 ,𝑃(𝐾14(2)|6) = 0

𝑃(𝐾14(3)|6) = 0 , 𝑃(𝐾14(4)|6) = 0

𝑃(𝐾14(5)|6) = 1


𝑃(𝐾15(1)|2) =3

4= 0,75

𝑃(𝐾15(2)|2) =1

4= 0,25

𝑃(𝐾15(3)|2) = 0 , 𝑃(𝐾15(4)|2) = 0

𝑃(𝐾15(5)|2) = 0

𝑃(𝐾15(1)|3) =4

4= 1 , 𝑃(𝐾15(2)|3) = 0

𝑃(𝐾15(3)|3) = 0 , 𝑃(𝐾15(4)|3) = 0

𝑃(𝐾15(5)|3) = 0

𝑃(𝐾15(1)|4) =3

4= 0,75 , 𝑃(𝐾15(2)|4) = 0

𝑃(𝐾15(3)|4) =1

4= 0,25, 𝑃(𝐾15(4)|4) = 0

𝑃(𝐾15(5)|4) = 0

𝑃(𝐾15(1)|5) =3

5= 0,6 , 𝑃(𝐾15(2)|5) =

1

5= 0,2


35

𝑃(𝐾15(3)|5) =1

5= 0,2, 𝑃(𝐾15(4)|5) = 0

𝑃(𝐾15(5)|5) = 0

𝑃(𝐾15(1)|6) =3

3= 1 , 𝑃(𝐾15(2)|6) = 0

𝑃(𝐾15(3)|6) =1

5= 0,2, 𝑃(𝐾15(4)|6) = 0

𝑃(𝐾15(5)|6) = 0

c) Setelah data training selesai diolah, dilakukanlah

suatu testing terhadap data. Data testing disini

penulis mencoba membuat suatu data baru. Setelah

itu lakukan penghitungan probabilitas dari masing-

masing kelas dan ditentukan bahwa probabilitas

terbesarlah yang menjadi jawaban dari kelas yang

dicari.

Tabel 3. 7 Contoh Data Tabel Testing

K1 K2 K3 K14 K15 K25

1 1 2 1 1 ?

Cari probabilitas pada hitungan dengan mencocokkan

pada tabel 3.7

𝑃(𝐾1(1)|2) = 0,25 , 𝑃(𝐾1(1)|3) = 0,25 ,

𝑃(𝐾1(1)|4) = 0,75 , 𝑃(𝐾1(1)|5) = 0,2 ,

𝑃(𝐾1(1)|6) = 0,67

𝑃(𝐾2(1)|2) = 0,25

𝑃(𝐾2(1)|3) = 0, 𝑃(𝐾2(1)|4) = 0,

𝑃(𝐾2(1)|5) = 0 , 𝑃(𝐾2(1)|6) = 0 ,

𝑃(𝐾3(2)|2) = 1 ,𝑃(𝐾3(2)|3) = 0,


36

𝑃(𝐾3(2)|4) = 0,75 , 𝑃(𝐾3(2)|5) = 0,8,

𝑃(𝐾3(2)|6) = 0 ,

𝑃(𝐾14(1)|2) = 0.75 , 𝑃(𝐾14(1)|3) = 0.25

𝑃(𝐾14(1)|4) = 0.25 , 𝑃(𝐾14(1)|5) = 0

𝑃(𝐾14(1)|6) = 0

𝑃(𝐾15(1)|2) = 0,75 , 𝑃(𝐾15(1)|3) = 1

𝑃(𝐾15(1)|4) = 0,75 , 𝑃(𝐾15(1)|5) = 0,6

𝑃(𝐾15(1)|6) = 1

Lalu semua hasil dikalikan terhadap hasil

probabilitas berdasarkan pengelompokan kelasnya.

𝑃(2) = 0,25×0,25×1×0.75×0,75 = 0,03516

𝑃(3) = 0,25×0×0×0.25×1 = 0

𝑃(4) = 0,75×0×0,75×0.25×0,75 = 0

𝑃(5) = 0,2×0×0,8×0×0,6 = 0

𝑃(6) = 0,67×0×0×0×1 = 0

Setelah itu bandingkan keenam nilai tersebut, cari

nilai terbesarnya. Dan dapat diketahui nilai

probabilitas terbesar terdapat pada P(2) dengan nilai

probabilitas 0,03516. Maka dapat disimpulkan

bahwa data test tersebut termasuk kelas 2 yang

artinya pasien yang bersangkutan menderita

Diabetes Mellitus saja, tanpa ada penyakit

komplikasinya.


37

3.2.5. Evaluasi Data

Setelah dilakukannya proses modeling, maka akan dilakukan

proses menghitung akurasi dari kebenaran data dengan metode

confution matrix, yaitu dengan menjumlahkan data yang benar dan

membaginya dengan semua data yang benar maupun data salah dan

dikalikan dengan 100%. Berikut ini contoh dari confution matrix-

nya.

Tabel 3. 8 Confution Matrix

Kelas DM DM_Hiper-

glikemia

HT_DM Ulkus_DM DM_Neu-

ropati

DM T F F F F

DM_Hiperglike

mia

F T F F F

HT_DM F F T F F

Ulkus_DM F F F T F

DM_Neuropati F F F T

Berdasarkan tabel 3.8 diatas, jumlah akurasi dari tiap

percobaan dapat dihitung dengan rumusan berikut :

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =∑ 𝑇

∑ 𝑇 + ∑ 𝐹∗ 100%

∑ 𝑇, dapat dicari dengan menjumlahkan semua T yang terdapat

pada tabel 3.8. Sementara itu ∑ 𝐹 diperoleh dari semua nilai F pada

tabel. Setelah ∑ 𝑇 dihitung, dibagikan dengan ∑ 𝑇 + ∑ 𝐹 dan

setelah itu dapat dikalikan dengan 100%.

3.3. Desain Pengujian

Langkah ini adalah proses untuk membagi data yang akan diuji

pada proses modeling terhadap metode yang dipakai yaitu Naive

Bayesian Clasifier. Berikut ini merupakan tahapan pengujiannya :


38

Gambar 3. 3 Alur Kerja Desain Pengujian

Pengujian ini dilakukan sebanyak k yang dimasukkan (jumlah k-

fold). Berikut merupakan tabel pengujian dengan menggunakan data

training dan testing sesuai dengan jumlah masukan k yang ditentukan

pengguna.

Tabel 3. 9 Data dengan 3 Fold

Pengujian Training Testing

1 1,2 3

2 1,3 2

3 2,3 1

Tabel diatas merupakan pembagian data dengan 3 fold, yaitu semua

data akan dibagi menjadi 3 bagian yang sama rata dan data-data tersebut

akan secara bergantian digunakan sebagai training dan testing.



1 1,2,3,4 5

2 1,2,3,5 4

3 1,2,4,5 3

4 1,3,4,5 2

5 2,3,4,5 1

Tabel 3.10 diatas merupakan pembagian data dengan 5 fold, yaitu

semua data akan dibagi menjadi 5 bagian yang sama rata dan data-data

tersebut akan secara bergantian digunakan sebagai training dan testing.


39



1 1,2,3,4,5,6 7

2 1,2,3,4,5,7 6

3 1,2,3,4,6,7 5

4 1,2,3,5,6,7 4

5 1,2,4,5,6,7 3

6 1,3,4,5,6,7 2

7 2,3,4,5,6,7 1






1 1,2,3,4,5,6,7,8 9

2 1,2,3,4,5,6,7,9 8

3 1,2,3,4,5,6,8,9 7

4 1,2,3,4,5,7,8,9 6

5 1,2,3,4,6,7,8,9 5

6 1,2,3,5,6,7,8,9 4

7 1,2,4,5,6,7,8,9 3

8 1,3,4,5,6,7,8,9 2

9 2,3,4,5,6,7,8,9 1





40

3.4. Spesifikasi Alat

3.4.1. Hardware

Adapun hardware yang digunakan adalah :

Processor Intel Core I3

RAM 4 GB

3.4.2. Software

Adapun software yang digunakan adalah :

Sistem operasi : Microsoft Windows 10 Pro

Tools Data mining : Matlab 2012


41

BAB IV

ANALISA HASIL DAN IMPLEMENTASI SISTEM

Pada bab ini akan dibahas berbagai hal yang berkaitan dengan implementasi

dari sistem dan hasil yang telah didapat dari beberapa pengujian yang dilakukan,

serta analisa dari hasil penghujian.

4.1. Analisa Hasil Akurasi Klasifikasi

Berdasarkan hasil dari pengujian yang telah dilakukan dengan

menggunakan Naive Bayesian Clasifier dan juga menggunakan k-fold

validation, akan diperoleh hasil pada tabel di bawah ini dengan ketentuan

pengaruh besar kecilnya nilai k untuk penentuan interval EWD. Berikut

merupakan hasil akurasi dari klasifikasi yang telah dilakukan :

Tabel 4. 1 Hasil Percobaan Klasifikasi

Banyak

Fold

Akurasi

Perbagia

n Data

Grafik akurasi fold Akurasi Akhir

3

0.6854

0.8000

0.7024

=2.1878

3∗ 100

= 0.72926 ∗ 100

= 72.93%

5

0.6852

0.8491

0.8824

0.8627

0.6531

=3.9325

5∗ 100

= 0.7865 ∗ 100

= 78.65%

0,65

0,7

0,75

0,8

1 2 3

0,65

0,7

0,75

0,8

0,85

0,9

0,95

1 2 3 4 5


42

7

0.6410

0.9211

0.8378

0.8889

0.8611

0.8611

0.8611

=5.8721

7∗ 100

= 0.8388 ∗ 100

= 83.89%

9

0.5806

0.9000

0.8667

0.9000

0.8621

0.8214

0.8571

0.8462

0.8077

=7.4418

9∗ 100

= 0.8268 ∗ 100

= 82.69%

Dari hasil percobaan tersebut, ditemukan dan dapat diketahui bahwa

hasil akurasi terbaik terdapat pada pembagian data dengan 7 fold yaitu

dengan persentase sebesar 83.89%.. Hasil akurasi yang hampir sama

adalah pada pembagian 9 fold. Nilai akurasi di atas menjadi sangat

bervariatif karena peranan dari pembagian diskretisasi oleh EWD, juga

dibentuk karena besar/kecilnya nilai k dari EWD-nya.

Gambar 4. 1 Grafik Perbandingan Akurasi

0,64

0,69

0,74

0,79

0,84

0,89

0,94

1 2 3 4 5 6 7

0,55

0,6

0,65

0,7

0,75

0,8

0,85

0,9

0,95

1 2 3 4 5 6 7 8 9

72,93

78,65

83,8982,69

72

74

76

78

80

82

84

86

3 5 7 9

Per

sen

tase

fold

Perbandingan Persentase Akurasi


43

Gambar 4.1 merupakan grafik perbandingan rata-rata akurasi.

Percobaan dilakukan berdasarkan nilai hasil diskretisasi menggunakan

EWD. Hasil diskretisasi akan dilakukan empat kali percobaan yang

terdapat pada setiap fold. Hasil dari akurasi di tiap fold akan dirata-rata

untuk mencari nilai akurasi yang paling besar/maksimal dari percobaan

berdasarkan hasil klasifikasinya. Berdasarkan hasil beberapa percobaan

yang telah dilakukan rata-rata terbesar terdapat pada hasil dengan nilai fold

ke 7. Hal ini terjadi karena pembagian data pada fold ke 7 lebih banyak

data yang masuk dalam kategori klasifikasi benar secara

pembagian/persebaran data, nilai errornya lebih sedikit dibanding dengan

nilai fold lainnya.

Hasil klasifikasi dari data diabetes ini sangat berpengaruh dari

bagaimana pengolahan data sebelum klasifikasinya (preprosesing).

Dengan melakukan diskretisasi terhadap data kontinu, tentu saja akan

mendapatkan perhitungan atau menjalankan proses mining dengan lebih

mudah dan hasil klasifikasi lebih jitu.

4.2. Kelebihan dan Kekurangan Sistem

4.2.1. Kelebihan

Sistem ini mampu menangani data yang butuh pengolahan secara

khusus, yang tidak mampu dilakukan metode NaiveBayes.fit pada

fitur pilihan Matlab.

Sistem ini mampu menganalisa dan menentukan luaran diabetes

yang ingin diketahui.

4.2.2. Kekurangan

Data diabetes ini, tidak dapat diolah langsung menggunakan

metode Naive Bayes yang disediakan oleh Matlab, harus ada

metode pembersihan data terlebih dahulu.


44

4.3. User Interface

4.3.1. Halaman Utama

Guna mempermudah proses klasifikasi pada penelitian ini, dibuatlah

suatu user interface. User interface ini akan mempermudah dalam

proses preprosesing data dan pengklasifikasian juga untuk menguji

suatu hasil klasifikasi untuk menentukan penyakit diabetes yang diderita

seseorang. Berikut merupakan user interface yang telah dibangun

dengan menggunakan satu muka interface :

Gambar 4. 2 Halaman Sistem

4.3.2. Menu Import Data

Menu ini berfungsi untuk mengimport data training. Untuk

melakukan proses pengimportan data, klik button “Cari Data” lalu

sistem akan mengarahkan untuk memilih direktori yang akan dipakai

menjadi data training, lalu pilih open. Maka, data akan diimport dengan

otomatis dan data akan langsung di transformasi lalu akan ditampilkan

pada tabel yang telah tersedia di menu. Tabel juga berperan untuk

menampilkan data-data pada proses preprosesing selanjutnya.


45

Gambar 4. 3 Menu Import dan Tabel Data

4.3.3. Menu Proses Klasifikasi

Menu ini berfungsi untuk melakukan proses preprosesing data

dan juga melakukan klasifikasi data. Setelah data diimport, data akan

masuk proses cleaning dan transformasi klik button “Cleaning &

Transformasi” pada menu proses klasifikasi, maka data akan diubah ke

bentuk transformasi data.

Setelah itu tentukan banyaknya fold dan klik button “Klasifikasi”

untuk memulai proses klasifikasi. Setiap proses yang telah dilakukan,

perubahan data akan tersaji pada tabel utama dan akan dapat dilihat

persebaran data pada menu grafik data.

Gambar 4. 4 Menu Proses Klasifikasi


46

4.3.4. Menu Grafik Data

Menu ini berfungsi untuk melihat/memfisualisasikan persebaran

data dari proses preprosesing hingga pengklasifikasian termasuk nilai

fold yang digunakan untuk penghitungan akurasi.

Gambar 4. 5 Menu Grafik Data

4.3.5. Menu Confution Matrix dan Akurasi

Menu Confution Matrix pada bagian kiri, berfungsi untuk

menampilkan hasil perhitungan Confution Matrix akhir yang didapat

dari hasil percobaan klasifikasi. Lalu, menu “Akurasi Data” (kanan

atas), berfungsi untuk melihat akurasi dari tiap bagian data setelah

dilakukan fold yang didapat dari proses klasifikasi. Dan, menu “Akurasi

Akhir” (kanan bawah), berfungsi untuk melihat akurasi akhir dari

penjumlahan nilai akurasi di tiap bagian fold.

Gambar 4. 6 Menu Confution Matrix dan Akurasi


47

4.3.6. Uji Data Tunggal

Menu ini berfungsi untuk melakukan proses pengujian data

secara tunggal (testing). Masukkan data acak yang akan dilihat hasil

klasifikasinya pada sub-sub menu yang telah disedikan pada menu ini

(masukan berupa data sex, data umur, data gejala dan data lab., bila

masukan pada data gejala tidak diketahui berilah angka 0). Untuk data

lab, sudah terdapat contoh masukannya pada menu tersebut, yaitu

berupa range angka masukan. Setelah itu klik test, maka sistem akan

memberitahu hasil uji klasifikasinya berupa angka kelas diabetesnya

pada kotak field sebelah button “Test”.

Gambar 4. 7 Menu Uji Data Tunggal


48

BAB V

PENUTUP

5.1. Kesimpulan

Identifikasi klasifikasi diabetes mellitus dengan menggunakan

metode Naive Bayesian Clasifier dengan melakukan penelitian terhadap

data diagnosa dan data laboratorium, dapat diambil kesimpulan sebagai

berikut :

1. Metode Naive Bayesian Clasifier dapat melakukan dan

menentukan secara otomatis klasifikasi Diabetes Mellitus

dengan Hiperglikemia, Diabetes Mellitus dengan Hipertensi,

Diabetes Mellitus dengan Ulkus, Diabetes Mellitus dengan

Neuropati atau Diabetes Mellitus saja.

2. Metode Naive Bayesian Clasifier dibutuhkan perhatian khusus

bila menggunakan data yang sangat kompleks, karena disaat

data diskret dan numerik disajikan bersamaan, metode ini

cenderung lemah dan harus diberikan data yang lebih simpel

yaitu dengan melakukan normalisasi dalam hal ini memakai

diskretisasi terhadap data. Distribusi data akan sangat

berpengaruh terhadap hasil klasifikasi. Dan dari pengujian

sebanyak 4 kali, dihasilkan rata-rata akurasi terbaik yaitu

sebesar 83.89% dari hasil klasifikasi Naive Bayesian Clasifier

menggunakan EWD.


49

5.2. Saran

Berdasarkan hasil analisa dan pengujian tugas akhir ini, penulis

memberikan saran untuk perbaikan dalam pengembangan penelitian dan

sistem secara lebih lanjut, antara lain :

1. Penambahan data training untuk setiap kelas klasifikasi

terutama pada kelas Diabetes Mellitus dengan Neuropaty.

2. Menambahkan jenis kelas klasifikasi, yaitu dengan pemilihan

masukan berdasarkan data diagnosa/lab namun menghasilkan

keluaran yang lebih.

3. Hasil prediksi dapat dikembangkan ke dalam bentuk hasil uji

sistem dengan luaran berupa laporan hasil tes medis beserta

hasil uji laboratorium.


50

DAFTAR PUSTAKA

Guestrin, Carlos. 2006. Naive Bayes with Continues Logistic Regression. Carnegie

Mellon University.

Kusrini. 2009. Algoritma Data Mining. Penerbit Andi. Yogyakarta.

Lavrenko, Victor and Nigel Goddard. 2014. Introductory Applied Machine

Learning : Naive Bayes. Scholl of Informatics.

Misnadiarly. 2006. Diabetes Mellitus Gangren, Ulcer, Infeksi, Mengenali Gejala,

Menanggulangi, dan Mencegah Komplikasi. Jakarta: Pustaka Obor

Populer.

Prasetyo, Eko. 2012. Data Mining Konsep & Aplikasi Menggunakan Matlab.

Penerbit Andi, Yogyakarta.

Syawli, Almira dkk. Diagnosa Penyakit Diabetes Mellitus dengan Metode Naive

Bayes Berbasis Dekstop Application. Universitas Brawijaya, Malang.

WHO. 2006. Definition, Diagnosis and Classification of Diabetes Mellitus and its

Complication. WHO.

Yang, Ying dan Geoffrey I. Webb. 2005. Discretization for Naive-Bayes Learning

: Managing Discretization Bias and Variance.


51

LAMPIRAN

Lampiran 1 TrainingData.fit

Lampiran 2 Listing preData


52

Lampiran 3 Listing Cleaning


53

Lampiran 4 Listing EWD


54

Lampiran 5 Listing freqTable


55

Lampiran 6 Listing kFold


56

Lampiran 7 Listing prediction (NBC)


57

Lampiran 8 Data Diabetes Mellitus

K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 K17 K18 K19 K20 K21 K22 K23 K24 K25

P 49 T T T Y T Y Y Y T T 257 260 0,42 12 13 37,8 4,34 49,3 243 4,48 42,8 DM

L 46 T T T T T Y Y T T T 1,21 19 16,7 46,9 11,53 10,13 250 5,2 38,2 DM

L 49 T Y T Y T Y Y T Y T 257 260 0,83 24,4 15,1 43,6 18,1 77,1 203 4,8 10,5 DM

P 52 T Y T Y Y T Y T T Y 258 300 0,99 12,7 8 22 12,18 83 350 2,61 11,4 DM_HIPERGLIKEMIA

L 45 T Y Y Y T Y T T T Y 208 230 1,38 37,8 15,3 45,9 18,6 15,5 125 4,44 12,4 7,5 DM

L 49 T T T T T Y T T T T 222 203 1,49 84,2 11,8 34,4 3,7 51,7 104 4,26 14,3 8 DM

P 61 T Y T Y Y T Y T T Y 258 300 0,99 12,7 8 22 12,18 83 350 2,61 11,4 DM_HIPERGLIKEMIA

P 62 T Y T Y Y Y Y T Y Y 317 278 1,2 21,1 10,2 36,5 9,2 65,2 355 4,3 13,4 DM_HIPERGLIKEMIA

L 61 T T T Y T T Y T T T 402 400 1,53 13,4 14,2 41,1 7,41 83,9 363 5,15 10,3 DM_NEUROPATI

P 65 Y T Y T T Y Y Y Y Y 256 258 1,01 15,3 12,9 37,6 19,58 91,9 179 4,17 11,3 DM

P 69 T T T Y T Y Y T T Y 260 266 1,64 75 10,8 32,1 6,1 67,5 359 3,37 39,2 DM_HIPERGLIKEMIA

P 52 Y Y T Y T Y Y T Y Y 258 261 0,75 26,1 10,9 32,9 61,7 46,7 9,4 DM_HIPERGLIKEMIA

L 50 Y Y T Y Y Y Y T T Y 315 280 1,05 84 11,1 31,1 21,7 8 DM_HIPERGLIKEMIA

L 69 Y Y T Y Y Y Y T T Y 332 280 1,05 84 11,1 31,1 21,7 8 DM_HIPERGLIKEMIA

L 49 Y T T Y T Y T Y Y Y 257 260 0,8 24,1 15,4 46,4 9,76 67,7 249 4,6 9,8 DM

P 58 Y Y T Y T Y Y Y T Y 100 210 0,76 24,4 11,4 32,8 13,12 78,7 172 3,61 11,5 DM

P 58 T Y T Y Y Y Y T T Y 258 266 1,1 58,7 11,3 33,6 7,22 63 356 4,09 9,3 DM_HIPERGLIKEMIA

P 58 T Y T Y Y Y Y T T Y 258 300 1,1 58,7 11,3 33,6 7,22 63 356 4,09 9,3 DM_HIPERGLIKEMIA

L 63 Y Y T Y Y Y Y T T Y 260 261 0,9 58,1 11,4 33,1 8,74 80,8 352 3,6 7,4 DM_HIPERGLIKEMIA

P 52 Y Y T Y Y Y Y Y Y Y 258 283 11,6 34,5 10,8 89,8 352 3,95 8,7 DM_HIPERGLIKEMIA

L 71 T T T Y Y Y Y T T T 410 399 0,92 17,6 14,3 43,1 8,73 87,4 363 4,94 9,1 DM_NEUROPATI

P 41 Y Y Y Y T Y Y Y Y T 0,83 33,19 10,6 31,4 25,47 95,4 215 3,95 10,2 DM


58

L 49 Y T Y Y T Y Y Y T T 1,28 33,9 14,4 41,6 10,33 86,1 225 4,6 11 DM

P 60 T Y T Y Y T Y T T Y 314 1,32 33,7 11,7 34,3 16,98 79,9 350 3,83 11,4 DM_HIPERGLIKEMIA

P 58 Y Y T Y Y Y Y Y Y Y 262 353 1,95 109 11,8 35,3 15,26 89,9 357 4,29 38,7 DM_HIPERGLIKEMIA

L 66 T T T Y Y T Y T T Y 333 263 2,52 54,9 12,1 35,3 10,1 83,1 362 4,37 13,3 8,4 DM_HIPERGLIKEMIA

L 60 T T T Y Y T Y T T Y 278 273 1,47 38 12,9 37,9 7,6 77,6 359 4,53 12,5 7,4 DM_HIPERGLIKEMIA

L 49 Y Y Y Y T Y Y T Y T 210 230 0,8 38,9 13,3 40 13,68 89,5 250 4,95 8,7 DM

P 46 Y T T T T Y T T T T 1,02 39,6 11,6 34,1 9,58 70,9 120 4,51 8,7 DM

L 66 Y Y T Y Y T Y T T Y 332 300 1,34 26,4 13,3 40,2 12,68 82,6 350 4,43 9,9 DM_HIPERGLIKEMIA

L 46 Y Y T Y T Y Y Y T T 254 226 1,53 52,5 16,4 45,2 2,07 63,3 104 5,61 10,6 DM

L 55 Y Y Y T T Y T Y T Y 1,53 60,5 14,1 42,1 5,33 73,5 110 4,93 10,9 DM

P 49 Y Y Y T T Y T T Y Y 254 260 1,89 66,6 8,7 26,8 19,1 90,5 249 3,37 10,2 DM

P 52 T T T Y Y T Y T T Y 319 283 13,5 38,6 24,7 23,3 355 4,54 12,7 4,7 DM_HIPERGLIKEMIA

L 60 Y Y T Y T Y Y Y T Y 230 1,8 67,9 16,9 31,6 8,96 49,8 110 4,19 8,3 DM

L 60 T T T Y Y Y Y T T Y 277 288 1,19 51 14,8 41,3 21,1 95,2 355 5,2 12,8 9,5 DM_HIPERGLIKEMIA

P 45 Y T T Y T Y Y Y T Y 181 224 0,79 69,2 10,3 30,7 22,5 87,3 140 3,74 12 DM

L 65 Y Y Y Y T Y T T Y T 100 108 1,86 73,8 9,2 26,6 0,33 90,7 110 3,12 9,8 DM

L 49 Y Y T Y T Y T Y Y Y 225 253 1,07 75,59 12,6 36,3 9,86 51,3 182 4,04 9,3 DM

P 45 Y T T Y T Y Y Y T Y 160 203 1,16 87,6 11,5 35,4 12,2 94,8 201 4,26 11,7 DM

P 54 T T T Y Y T Y T T Y 265 300 0,85 47,1 14,9 43,4 27 68,7 359 45,2 15,6 DM_HIPERGLIKEMIA

L 52 T T T Y Y T Y T T Y 300 274 1,38 37,8 15,3 45,9 18,6 83,4 361 6,96 12,4 7,5 DM_HIPERGLIKEMIA

P 45 Y Y Y T T Y T Y T Y 256 260 1,04 108 9,6 27,9 4,03 59 109 3,14 11,7 DM

L 58 Y Y Y Y T Y T T Y Y 194 197 2,34 109,1 14 38,1 6,6 12,8 6,1 DM

L 49 Y T T Y T Y Y Y Y Y 225 210 2,1 111,9 11,3 33 15,7 3,7 DM

P 49 Y T T Y T Y T T T Y 7,57 195,7 7,6 22,5 79,7 55,7 8,6 DM

L 57 Y Y T T T Y T Y Y Y 142 210 13,8 38,4 12,98 86,6 137 4,37 10,4 DM


59

P 49 T T T Y T Y Y T T Y 257 260 0,7 11,4 15,2 44 6,7 67,7 203 5,63 13,1 7,9 DM

L 52 Y Y T Y Y T Y Y Y Y 262 283 0,6 25,3 16,1 49,3 7,4 47,5 350 5,97 5,97 DM_HIPERGLIKEMIA

L 51 Y Y T Y Y Y Y T Y Y 1,15 54,7 8,8 25,3 10,27 89,3 350 2,97 9,6 DM_HIPERGLIKEMIA

L 47 T Y Y Y T Y Y T T Y 140 195 0,78 21 11,2 33,8 20,02 85 105 3,63 38,3 DM

P 69 T T T Y T T Y T T Y 265 261 8,55 171 8,9 26,2 7,49 82,4 360 2,99 9,6 DM_HIPERGLIKEMIA

L 41 T Y Y T T Y Y T T T 111 217 0,89 24,7 13,3 37,1 12 8,5 249 4,87 12 5,2 DM

P 64 T Y T Y Y Y Y T Y Y 258 265 1,28 37,7 10,3 30,5 6,5 59 355 3,5 12,4 7 DM_HIPERGLIKEMIA

P 64 T Y T Y Y Y Y T Y Y 258 265 1,28 37,7 10,3 30,5 6,5 59 355 3,5 12,4 7 DM_HIPERGLIKEMIA

P 62 Y Y T Y Y T Y T Y Y 300 343 1,7 76,4 10,6 30,2 62,4 61 355 3,54 9,8 DM_HIPERGLIKEMIA

P 36 T Y T T T Y Y T T Y 144 161 0,62 25,8 13,3 37,9 9,6 8,5 250 4,67 12,6 5,4 DM

L 49 T T Y Y T Y Y T T Y 257 242 1,79 31,4 13,8 39,2 11,6 77,9 186 4,54 12,1 9,3 DM

P 62 Y Y T Y Y T Y T Y Y 300 343 1,7 76,4 10,6 30,2 62,4 61 355 3,54 9,8 DM_HIPERGLIKEMIA

L 45 T Y T Y T Y T T T Y 208 230 1,38 37,8 15,3 43,9 18,6 125 6,98 12,4 7,5 DM

P 49 T Y T Y T Y Y Y T Y 117 163 0,84 38,4 10,2 31,8 7 87,8 249 4,2 14,4 7,5 DM

P 57 T T Y Y T Y T T T Y 224 222 1,17 40,1 12,6 36,6 3,9 70,1 160 4,45 12,4 8,2 DM

P 53 T T T T T T Y T Y T 403 399 0,78 27,45 11,6 35,1 9,37 80 452 6,19 10,7 DM_NEUROPATI

P 49 T Y T Y T Y Y T T T 174 183 0,98 43,1 13,5 41,5 7,84 58,8 110 4,54 9,9 DM

P 47 T T Y Y T Y T T T Y 257 210 1,09 45 11 34,3 8,4 59,9 250 4,07 12,6 10,6 DM

P 49 T T T Y T Y T T T Y 100 202 1,52 73,6 8,6 25,4 6,1 19,9 6,6 DM

L 49 T Y Y Y T Y T Y T Y 257 260 2,1 111,9 11,3 13,3 DM

P 45 Y T T Y T Y T T T Y 183 165 0,8 12,2 13,7 40,8 12,09 77,4 111 4,74 8,9 DM

L 53 T T T T T T Y T Y T 403 335 0,78 29 11,6 35,1 9,37 80 452 6,19 10,7 DM_NEUROPATI

P 48 Y Y T Y T T Y Y Y Y 0,68 26,8 10,8 33 8,59 74,1 350 4,41 8,8 DM_HIPERGLIKEMIA

P 44 Y T T Y T Y T T Y Y 256 260 0,74 12,4 11,8 34,8 8,58 81,8 249 4,07 10 DM

P 50 Y Y T Y Y Y Y Y Y Y 258 288 5,07 187,5 10,8 65,2 52,2 10,8 DM_HIPERGLIKEMIA


60

P 69 Y Y T Y Y T Y Y T Y 312 266 8,56 175 11 25 8,1 82,4 360 3,02 10 DM_HIPERGLIKEMIA

P 69 T T T Y Y T Y Y T Y 313 261 1,1 22,4 11,1 31,1 4,4 70,2 360 3,62 12,6 5,7 DM_HIPERGLIKEMIA

P 42 Y Y Y Y T Y Y T T Y 177 253 0,84 14,5 9,7 29,7 9,3 6,5 110 4,54 15 7,1 DM

L 49 Y Y T Y T Y T Y Y Y 171 253 0,77 19 13,9 40,9 9,37 38,8 249 4,35 10,2 DM

P 65 Y Y Y T T Y Y T Y Y 256 260 1,39 20,3 13,5 38,3 9,6 49,2 249 4,83 12,4 7,9 DM

L 69 T T T Y Y T Y Y T Y 265 261 8,56 172 11,3 27,2 7,5 82,4 360 3,02 13,7 9,2 DM_HIPERGLIKEMIA

L 69 T Y T Y Y T Y Y T Y 265 261 8,56 172 11,3 27,2 7,7 82,4 360 3,02 13,7 10 DM_HIPERGLIKEMIA

P 55 Y T T Y T Y Y T T Y 225 260 0,53 22,1 14,5 42,3 7,01 67,1 114 5,04 10,6 DM

L 49 Y Y T Y T Y Y Y Y Y 234 191 0,83 22,8 14,6 41,7 8,2 65,5 110 4,82 9,4 DM

L 67 Y Y Y T T Y Y T T Y 188 220 1,68 23,6 11,8 34,5 5,34 62,1 125 3,97 8 DM

L 67 Y Y Y T T Y Y T T Y 188 220 1,68 23,6 11,8 34,5 5,34 62,1 125 3,97 8 DM

P 61 Y T T Y T T Y T T Y 316 300 1,37 17,1 11,5 32,6 8,36 73,9 362 3,72 9,5 DM_HIPERGLIKEMIA

L 49 Y T Y T T Y Y T T Y 254 260 1,79 24 14,8 42,7 72,4 1,6 49,4 9 DM

P 49 Y T Y T T Y Y T T Y 254 260 1,79 24 14,8 42,7 72,4 1,6 49,4 9 DM

P 61 Y T T Y T T Y T T Y 1,37 17,1 11,5 32,6 8,36 73,9 361 3,72 9,5 DM_HIPERGLIKEMIA

L 59 Y Y T Y Y T Y T T Y 260 283 1,1 30 11,9 34,1 25,56 90 352 4,08 7,5 DM_HIPERGLIKEMIA

L 66 Y T T Y Y T Y Y Y Y 314 265 2,52 54,9 12,1 35,3 10,1 83,1 362 4,37 13,3 8,4 DM_HIPERGLIKEMIA

P 56 Y Y Y T T Y T T T Y 256 260 1,07 24,6 13 38,4 5,85 50,5 249 4,5 10,1 DM

P 55 T Y T Y Y T Y Y Y Y 300 297 1,05 14,9 12,1 32,6 9,37 82,4 362 4,54 DM_HIPERGLIKEMIA

P 55 T Y T Y T T Y Y T Y 265 288 0,82 44,89 12,4 37,4 7,06 56 350 4,43 9 DM_HIPERGLIKEMIA

L 49 Y T T Y T Y T T T Y 103 108 0,64 24,9 12,7 35,8 8,4 81,7 221 4,38 13 4,9 DM

P 49 Y Y Y Y T Y Y T Y T 119 148 0,75 26,1 10,9 32,9 61,7 46,7 9,4 DM

P 48 Y Y T Y T Y Y T T Y 138 260 0,68 26,8 16,9 33 8,59 74,1 111 4,41 8,8 DM

L 43 T T T Y T T Y T T Y 403 402 0,82 35 17 49,5 6,14 68 374 5,36 11,2 DM_NEUROPATI

L 49 Y T Y Y T Y Y T Y Y 226 260 0,98 26,9 16,9 53,3 12,33 65,7 110 5,84 85 DM


61

P 60 Y T T T T Y T Y Y Y 198 258 1,19 27 13,4 40,5 5,71 49,2 249 4,95 9,4 DM

P 68 Y T Y Y T Y Y T T Y 249 258 1,14 27,3 13,3 39,4 6,51 38,2 232 4,31 9,9 DM

L 47 Y Y T Y T Y Y T T T 122 205 1,25 27,4 13,2 40,4 2,53 61,4 142 5,24 9,8 DM

L 56 Y Y Y T T Y T Y T Y 142 262 0,88 27,6 14,4 43,9 9,4 60,3 206 4,63 9,8 DM

L 58 Y T Y Y T Y Y Y T Y 256 260 0,85 28,6 11,5 32,6 6,5 61,5 124 4,21 12 9,3 DM

L 64 Y T T Y T T Y T T Y 265 266 0,8 36,4 12,7 39,3 11,01 83,7 355 4,58 7,8 DM_HIPERGLIKEMIA

L 49 Y Y Y Y T Y Y Y Y Y 211 1,27 29,8 16,9 50,1 5,99 56,2 161 5,42 9,9 DM

P 69 T Y T Y Y T Y Y Y Y 0,65 40,1 13 36,6 7,39 78,7 356 4,16 9,3 DM_HIPERGLIKEMIA

P 45 Y Y Y T T Y T Y Y Y 222 260 0,94 31,4 15 43,6 87,9 8,96 126 5,14 11,4 DM

L 41 Y Y T Y T Y Y Y Y Y 251 1,18 32,8 14,9 42,5 13 75,7 236 4,71 8,8 DM

P 52 Y Y T Y Y Y Y Y Y Y 0,76 42,53 13,1 37,3 4,13 32,9 350 4,43 9,6 DM_HIPERGLIKEMIA

L 70 T T T T T T Y T T Y 415 392 0,99 37 12,5 35,3 10,35 65 452 3,89 8,3 DM_NEUROPATI

L 58 T Y T Y T Y Y Y T Y 310 270 0,86 20,2 13,4 40,2 6,66 48,7 356 4,89 9,5 DM_HIPERGLIKEMIA

P 46 Y Y Y Y T Y Y T T T 142 154 0,6 33,9 11,2 32,4 7,09 86,3 186 3,77 8,2 DM

P 58 Y T Y T T Y Y T T Y 257 260 1,12 34,7 12,5 37 90,2 249 52,4 8,9 DM

L 69 T Y T Y T Y Y Y T Y 310 270 0,86 20,2 13,4 40,2 6,66 48,7 356 4,89 9,5 DM_HIPERGLIKEMIA

P 52 Y Y T Y T T Y T Y Y 265 277 0,6 12 13,8 40,6 1,93 71,3 350 4,68 12,3 DM_HIPERGLIKEMIA

L 68 Y Y T T T Y Y T T Y 256 259 1,22 34,7 12,5 37 90,2 249 52,4 8,9 DM

L 43 Y T Y Y T Y T T T Y 257 260 1,34 34,9 14,4 41,3 9,8 7,2 163 5,1 13,3 7,3 DM

L 52 Y Y T Y T Y Y Y Y Y 262 270 1,28 33,9 14,1 41,6 10,33 86,1 359 4,6 11 DM_HIPERGLIKEMIA

L 52 Y Y T Y T Y Y Y Y Y 262 270 1,28 33,9 14,1 41,6 10,33 86,1 359 4,6 11 DM_HIPERGLIKEMIA

L 46 Y Y T T T Y T T T Y 202 209 1,55 35,3 13,6 12,9 5,7 DM

L 47 Y Y T Y T Y T T T Y 233 0,9 35,4 13,1 39,8 60,7 45,9 8,2 DM

P 62 T T T Y Y Y Y Y Y Y 333 351 0,61 23,5 14,3 40 15,75 80 351 4,3 10 DM_HIPERGLIKEMIA

L 50 Y T T Y Y T Y T T Y 333 283 1,79 24 14,9 43 72,4 359 1,5 49,5 10 DM_HIPERGLIKEMIA


62

L 49 Y Y Y Y T Y T T T Y 100 130 1,44 36 12,1 38,3 5 192 3,66 13,7 6,4 DM

L 47 Y Y Y Y T Y Y Y Y Y 140 195 1,54 36 11,2 33,8 105 3,63 38,3 DM

P 57 Y Y T Y T Y Y T Y Y 173 129 1,01 36,8 12,5 36,7 6,73 71,8 250 4,35 7,2 7,2 DM

L 48 Y Y T Y T Y T Y T Y 257 254 1,48 36,8 13,5 38,9 7,6 50 207 4,6 12,8 7,9 DM

P 55 Y Y Y T T Y Y T T Y 223 260 1,09 37,4 12,6 37,5 15,45 94,3 249 4,23 9,8 DM

L 58 T Y T Y Y Y Y Y Y Y 262 274 2,02 108 15 41,9 3,16 65 350 4,81 11,8 DM_HIPERGLIKEMIA

L 58 T Y T Y Y Y Y Y Y Y 266 274 2,02 108 15 41,9 3,16 65 350 4,81 11,8 DM_HIPERGLIKEMIA

L 56 Y Y Y T T Y T T T Y 254 250 0,99 37,5 14,5 42,2 11,2 68,3 222 4,98 12,3 7,9 DM

P 58 T Y T Y Y T Y Y Y Y 300 288 DM_HIPERGLIKEMIA

L 34 Y Y Y Y T Y Y T Y Y 257 260 1,3 38 14,5 41,1 9,72 51,7 250 4,94 9,3 DM

L 56 Y T T Y T T Y T T Y 412 395 0,77 41,2 11,3 34,4 6,53 71,3 400 4,08 7,2 DM_NEUROPATI

L 62 Y Y Y Y Y T T Y Y Y 335 231 8,2 30,2 5,29 30,2 30,2 51,29 308 3,68 9,5 HT_DM

P 49 Y T T Y T Y T T T Y 257 260 1,43 38,7 12,36 7,63 62,7 60 104 10,9 DM

L 62 Y Y Y Y Y T T Y Y Y 335 301 8,2 30,2 5,29 30,2 30,2 51,29 308 3,68 9,5 HT_DM

L 49 Y T T Y T Y Y T T T 0,8 38,9 13,3 40 13,68 89,5 250 4,95 8,7 DM

L 70 T T Y T Y T T Y T Y 6,44 250 8 23,5 10,39 96,4 301 2,75 38 HT_DM

P 83 T Y Y T Y T T Y T Y 360 301 65,2 8,1 24,2 10,6 70,4 331 3,02 13,8 4,9 HT_DM

P 49 Y Y Y Y T Y Y T T Y 224 234 2,33 39,9 10,4 305 27,8 90,5 105 3,87 12,9 5,6 DM

L 51 Y Y Y Y Y Y T Y Y Y 352 342 1,15 54,7 8,8 25,3 10,27 89,3 301 2,97 9,6 HT_DM

L 59 T Y Y T Y T T Y T Y 340 343 7,97 157,02 10,1 28,4 3,09 83,6 333 3,48 9,7 HT_DM

L 65 Y Y Y T T Y Y T Y Y 170 250 1,32 40,3 12,8 37,3 2,91 15 104 3,94 9,4 DM

L 67 Y T T Y T Y T T T Y 210 258 1,3 43 11,2 32,4 12,7 89,8 110 3,76 12,5 4,4 DM

L 60 T T Y Y Y Y T Y T Y 360 301 1,39 178,8 10,3 29,8 14,2 12,8 3,3 HT_DM

P 49 Y T Y Y T Y Y T T Y 257 260 43,4 16,3 46,6 11,1 8,2 250 5,69 13,3 5,3 DM

P 63 Y T Y Y T Y Y Y T Y 257 258 0,93 44,8 12,5 36,4 10,55 77,9 208 4,34 36,2 DM


63

L 53 Y Y Y Y Y Y T Y Y T 335 300 2,2 33,9 10,3 29,3 7,83 61,9 308 3,83 9,6 HT_DM

L 56 Y Y T T T Y Y Y Y T 254 260 1,48 46,5 10 28,8 8,83 79,1 215 3,31 8,7 DM

P 42 Y Y Y Y T Y Y Y T Y 255 260 1,36 47,6 11 68,6 47,6 DM

P 58 Y T Y T Y Y Y T T Y 257 266 1,11 51 11,3 34,8 10,13 69,3 164 4,24 39,1 DM

P 62 Y Y Y Y Y T T Y T Y 356 301 1,68 75,2 10,4 30,6 12,35 78,5 306 3,6 9,5 HT_DM

P 60 Y Y T T Y Y T Y Y T 256 251 1,6 51,4 12,2 35,1 6,68 70,8 249 4,17 8,9 DM

P 62 Y Y Y T Y T T Y T T 334 300 0,77 16,3 10,5 32,6 12,3 85,4 307 5,94 15,6 3,6 HT_DM

P 62 Y Y Y T Y T T Y T T 334 300 0,77 16,3 10,5 32,6 12,3 85,4 308 5,94 15,6 3,6 HT_DM

L 58 Y Y Y T Y Y T T T Y 238 260 1,89 54,6 9,8 28,1 9,2 89,5 105 3,36 14,8 3,9 DM

P 58 Y T T T Y Y T T Y Y 107 143 1 55,3 16,9 31,6 3,7 97,5 104 4,4 13,6 6,1 DM

P 56 Y T T T Y Y T T T Y 225 248 1,79 58,1 10,6 28,9 11 86,5 104 3,42 12,6 11,4 DM

L 46 Y Y T Y Y Y T T T Y 257 260 0,85 58,5 14,1 78,4 48,8 9,9 DM

P 54 T T Y Y Y T T Y T T 360 301 1,9 61,6 10,6 31,2 12,98 81,3 331 3,56 8,7 HT_DM

P 46 Y Y Y Y Y T T Y T Y 360 353 2,67 94,9 10,9 18,7 14,9 5,7 HT_DM

L 49 Y T Y Y Y Y Y Y T Y 254 260 1,17 58,6 11,1 32,5 2,7 68,2 49,6 11,7 DM

P 49 Y Y T T Y Y T T T T 162 221 1,64 64,6 12,8 37,6 9,14 90 250 4,55 11,7 DM

P 65 T Y Y T Y T T Y T Y 352 305 1,89 26 11,3 34 19,82 305 4,17 35,9 11 HT_DM

L 61 T T Y T Y Y T Y Y Y 355 301 0,92 29,1 11,5 33,3 3,6 49 321 4,45 13,8 6,2 HT_DM

P 64 T Y Y T Y T T Y Y Y 360 302 1,57 34,3 11,6 33 10,01 90,2 321 4,07 8,3 HT_DM

P 80 Y Y Y Y Y Y T Y T T 360 322 1 37 11,9 35,3 9,35 64,7 301 3,87 8,3 HT_DM

L 56 Y Y Y T Y Y T Y Y Y 254 260 0,83 70,4 2,9 8,8 4,01 58,5 104 1,08 11 DM

L 49 Y Y Y Y Y Y T T T Y 166 149 4,3 74 8,7 26,1 10 92,6 110 3,06 13 6 DM

P 60 Y Y T T Y Y T T T Y 100 135 1,62 74,1 10,7 31,2 6 92,5 110 47,7 10,1 DM

L 63 Y T T Y Y Y Y T T Y 256 260 1,95 78,2 8,2 25,5 15,7 94,8 250 2,97 12,6 DM

L 36 Y Y Y Y Y Y T Y T Y 460 308 11,9 69,1 42,8 9,8 HT_DM


64

P 57 Y Y Y Y Y Y T Y T Y 353 311 1,01 19,3 12,1 36,2 6,16 57,8 323 4,19 9,7 HT_DM

P 55 Y Y T Y Y Y T Y T Y 254 260 1,2 79,8 10,1 30 21,39 83,1 120 3,43 8,2 DM

P 45 Y T T Y Y Y Y T Y T 190 233 1,08 82,6 10,9 33,5 11,18 67,4 160 4,11 11,6 DM

L 49 Y Y Y Y Y Y Y T T Y 183 260 1,05 84 11,1 31,1 21,7 8 DM

L 52 Y Y Y Y Y T T Y T Y 335 300 1,44 36 12,1 38,3 5 79,8 321 4,55 13,7 6,4 HT_DM

P 45 Y T Y T Y Y Y Y Y Y 310 221 0,55 89,1 15,1 43,3 10,52 82,8 132 4,79 11,5 DM

P 43 Y Y T Y Y Y T T Y Y 257 1,1 96,7 10,4 30,3 15,43 89,2 105 3,81 8,6 DM

P 80 Y Y Y Y Y Y T Y Y Y 334 300 0,72 40 12,3 35,9 8,54 64,1 301 5,01 11,4 HT_DM

P 80 Y Y Y Y Y Y T Y Y Y 334 300 0,72 40 12,3 35,9 8,54 64,1 301 5,01 11,4 HT_DM

L 45 Y Y Y Y Y Y T T T Y 222 260 2,1 99,2 12,7 37,6 12,91 83,3 250 4,33 11,1 DM

L 44 Y Y Y T Y Y T T T Y 206 232 0,76 126 16,6 48,1 18,96 16,91 110 5,64 41,5 DM

P 64 Y Y T Y Y Y T T T Y 222 4,43 151 7,9 24,9 12,4 93,9 125 2,99 13,1 9,7 DM

P 57 Y Y Y T Y Y Y T Y Y 145 257 13,1 40,9 13,18 66,7 120 4,6 7,7 DM

P 55 T Y Y Y Y Y T Y Y Y 352 340 1,66 43,1 12,3 41,8 7,48 55,8 322 4,54 10 HT_DM

P 77 Y Y Y Y Y Y T Y Y Y 334 300 0,72 50 12,3 40 8,54 64,1 331 5,01 12 HT_DM

P 58 Y Y Y Y Y Y Y Y Y Y 163 240 9,7 29,2 7,09 60,9 249 3,33 8,6 DM

P 48 Y Y T Y Y Y T T T Y 257 260 1,7 9,6 27,8 5,21 72 145 3,23 9,9 DM

P 58 T Y Y T Y T Y Y Y Y 361 351 1,2 10,5 10,7 32,1 9,46 80,5 251 3,83 8,1 ULKUS_DM

P 56 Y T Y Y Y T T Y T Y 334 300 4,95 146,5 12,4 37,9 12 84,9 349 4,64 12,8 HT_DM

P 52 Y Y Y Y Y T Y Y T Y 388 381 0,68 14,9 13,5 39,8 10,9 268 5,11 ULKUS_DM

P 61 Y Y T T Y T Y T T T 387 0,99 21,7 14,6 43,7 9,37 55,4 300 4,2 49,4 10,6 ULKUS_DM

P 61 Y Y T T Y T Y T T T 0,99 21,7 14,6 43,7 55,4 4,2 49,4 10,6 ULKUS_DM

P 63 Y Y Y Y T T T T Y Y 383 378 1,19 27,5 11,3 33,5 4,93 47,6 286 4,09 19 9,8 ULKUS_DM

P 55 T T T Y Y T T T T Y 378 390 0,95 27,9 10,2 30,1 9,4 68,4 251 2,2 4,4 ULKUS_DM

L 80 T T T T Y T T T T Y 378 351 1,12 28,3 12,9 37,8 25,1 97,5 268 4,97 15,4 5,8 ULKUS_DM


65

L 61 T Y Y Y Y T T Y Y Y 378 355 1,13 31,3 10,4 33,5 2 12,8 4,6 ULKUS_DM

L 58 Y T T Y Y T Y Y T Y 390 1,35 33,3 11 32 8,62 79,3 265 3,52 11,9 ULKUS_DM

P 61 Y Y Y T Y T Y Y T Y 388 381 1,62 33,5 12,2 36 10,56 74,7 278 4,21 11,3 ULKUS_DM

P 46 Y T Y Y Y T Y Y Y Y 383 351 0,6 33,9 11,2 32,4 7,09 86,3 300 3,77 8,2 ULKUS_DM

P 59 Y Y Y T Y T T Y Y T 347 303 0,69 38,6 12,5 34,6 11,07 81,7 331 3,99 9,5 HT_DM

P 59 Y Y Y T Y T T Y Y T 359 312 0,69 38,6 12,5 34,6 11,07 81,7 331 3,99 9,5 HT_DM

P 69 Y T Y Y T T Y T Y Y 378 352 0,87 35,3 12,6 38,6 24,9 79,9 279 3,4 7,1 ULKUS_DM

P 59 Y Y Y T Y T T Y Y Y 340 350 0,74 33,98 12,5 36,5 9,2 75,5 333 4,14 11,7 HT_DM

P 60 T T Y T Y T T Y T Y 334 230 1,36 60,6 12,5 38 8,11 77 333 4,75 9,1 HT_DM

L 47 Y Y T Y Y T Y T T Y 362 381 0,96 35,4 13,1 39,8 30,5 45,9 8,2 ULKUS_DM

L 47 Y Y T Y Y T Y T T Y 362 381 0,96 35,4 13,1 39,8 30,5 45,9 8,2 ULKUS_DM

P 75 T T T Y Y T Y T T T 378 355 0,62 42,2 14 38,8 6,8 93 288 4,47 13,5 5,5 ULKUS_DM

P 50 Y T Y Y Y T Y T T T 378 351 0,98 43,1 13,5 41,5 7,48 56,8 286 4,54 9,9 ULKUS_DM

P 50 Y T Y Y Y T Y T T T 378 351 0,98 43,1 13,5 41,5 7,48 56,8 286 4,54 9,9 ULKUS_DM

P 65 T Y Y Y Y T T Y Y T 360 343 0,89 32,4 12,8 38,7 10,12 78,9 301 4,52 9,4 HT_DM

L 54 T Y Y Y Y T T Y T Y 351 301 1,07 43 13 36,8 9,9 81,5 331 4,79 5,8 HT_DM

L 47 Y T Y Y Y T T T T Y 388 355 0,84 45,1 8,4 23 19 78,8 251 2,6 3,4 ULKUS_DM

P 80 T T T Y Y T T T T Y 388 352 1,41 52 10,8 30 30,2 63,8 268 6 6,9 ULKUS_DM

P 89 T T Y T Y T T Y T Y 388 352 0,92 54,2 13,5 37,9 18,64 89,4 270 4,27 10,9 ULKUS_DM

L 60 T T Y Y Y T T Y T Y 360 301 1,87 14,7 13,3 36,3 42,8 97,4 321 4,33 35,3 9,4 HT_DM

P 73 Y T Y Y Y T Y T T T 388 352 1,52 55 11 32,5 30,2 69,5 269 7,2 7 ULKUS_DM

P 65 Y Y Y Y T T Y Y T T 388 390 1 55,8 11,8 39 42,77 87 251 5,3 33,6 9,7 ULKUS_DM

P 43 T Y T Y Y T Y T T T 378 352 2,1 56 10,7 34,1 9,25 87,7 268 4,03 8,3 ULKUS_DM

L 50 Y Y T Y Y T T T T Y 362 351 0,9 57 13,7 38,9 24,52 21 300 4,71 36,1 ULKUS_DM

P 55 Y T Y Y Y Y T Y T T 352 309 0,98 43,1 13,5 41,5 7,48 56,8 322 4,54 9,9 HT_DM


66

P 50 Y T Y Y Y Y T Y T T 360 309 0,98 43,1 13,5 41,5 7,48 56,8 322 4,54 9,9 HT_DM

P 52 Y Y Y Y Y Y T Y T Y 358 301 0,68 14,9 13,5 39,8 10,9 82,8 349 5,17 HT_DM

L 50 Y Y T Y Y T T T T Y 363 351 0,9 57 13,7 38,9 24,52 21 300 4,71 36,1 ULKUS_DM

L 60 T T Y Y T T Y T T T 403 391 0,99 110,3 16,4 49,2 8,06 62,6 380 4,93 10,1 DM_NEUROPATI

P 74 T T Y Y T T Y Y T T 378 381 0,77 58,8 12,9 37,6 8,5 90 300 4,79 13,9 5,4 ULKUS_DM

L 68 T T Y T Y T T T T Y 378 351 1,03 60 11,9 35,4 8,1 69,1 300 4,47 33,6 12,5 ULKUS_DM

P 68 T T Y T Y T T T T Y 389 351 1,03 60 11,9 35,4 8,1 69,1 300 4,47 33,6 12,5 ULKUS_DM

L 70 T T T Y T T Y T T T 403 401 0,78 126,4 14,2 40,8 18,3 93 364 4,9 13,8 7,2 DM_NEUROPATI

P 52 Y Y Y Y Y Y T Y T Y 358 301 0,68 14,9 13,5 39,8 10,9 82,8 349 5,17 9,3 HT_DM

P 62 T T T Y Y T T T T Y 400 355 1,12 62,4 12,2 35,6 19,7 88,3 251 4,86 13,6 5,3 ULKUS_DM

P 68 Y Y Y Y Y T T Y T Y 360 301 2,55 27 13,5 41 2,42 41,3 333 4,66 9,2 9,2 HT_DM

L 50 Y Y Y T Y T T Y T Y 335 333 0,9 57 13,7 38,9 24,52 21 321 4,71 36,1 HT_DM

L 57 Y T T Y Y T T Y T T 360 301 1,19 56,8 13,8 41,9 8,9 81,2 333 4,83 12,2 HT_DM

P 62 Y T Y Y Y T T Y T T 360 301 0,63 19,8 14 41,3 2,87 48,5 301 4,91 11,7 HT_DM

L 70 T T Y Y Y Y T Y Y Y 360 341 1,28 42,01 14 41,1 7,42 68,1 331 5,44 HT_DM

L 70 Y T Y Y Y Y T Y Y Y 340 320 1,7 53,1 14,5 45,1 4,39 62,7 333 5,17 9,4 HT_DM

P 66 T T T Y Y T T T T Y 400 355 1,12 62,4 12,2 35,6 19,7 88,3 286 4,86 13,6 5,3 ULKUS_DM

P 70 Y T Y Y Y Y T Y Y Y 341 310 1,7 53,1 14,5 45,1 4,39 62,7 333 5,17 9,4 HT_DM

P 58 T T Y Y Y Y T Y T Y 349 391 0,93 37,1 14,7 42,8 9,03 78 301 4,7 10,7 HT_DM

P 60 Y T T Y Y T T T T Y 377 351 1,62 74,1 10,7 31,2 6 92,5 47,7 10,1 ULKUS_DM

P 64 Y Y Y Y Y T Y T T Y 388 390 2,47 74,5 4,86 38,4 7,87 83,6 286 3,7 44,5 9,2 ULKUS_DM

L 53 Y Y Y Y Y Y T Y Y Y 341 311 1 31,4 14,7 42,7 8,59 71,1 333 4,88 9,4 HT_DM

L 50 Y T Y T Y T T Y T Y 350 1,7 24 14,8 42,7 49,4 9 HT_DM

L 58 T T Y Y Y Y T Y T Y 334 301 1,42 43 14,8 44,2 6,24 76,8 333 5,04 38,4 HT_DM

P 71 Y T T Y T T T T T T 378 351 1,9 82,4 12,4 37,4 15,95 86,8 286 4,09 8,3 ULKUS_DM


67

P 58 T Y Y Y T T T Y Y Y 378 381 2,05 106,7 9,4 28,3 3,38 65,4 261 3,39 10,1 ULKUS_DM

L 61 Y Y T Y Y T T T Y Y 361 391 3,29 176 19,9 65,4 15,36 91,5 268 7,15 13,5 ULKUS_DM

P 51 Y Y T Y T T T T Y Y 7,57 195,7 7,6 22,5 79,7 55,7 8,6 ULKUS_DM

P 60 Y Y Y Y Y T T Y T Y 352 345 2,22 155 14,9 44,8 11,77 88,3 331 5,01 8,8 HT_DM

L 55 Y T Y Y Y T T Y T Y 335 301 1,28 25,3 15,4 45,7 26,9 90,7 331 4,79 12,7 5,3 HT_DM

P 70 Y Y Y Y T T Y T Y Y 362 355 9,6 28,6 4,92 77,7 268 3,1 8,2 ULKUS_DM

L 61 T T T Y T T Y T T T 403 400 0,79 13,4 14,2 41,1 7,41 83,9 363 5,15 10,3 DM_NEUROPATI

L 53 T T T T T T Y T Y T 404 335 0,79 29 11,6 35,1 9,37 80 452 6,19 10,7 DM_NEUROPATI

L 70 T T T T T T Y T T Y 405 392 0,99 37 12,5 35,3 10,35 65 452 3,89 8,3 DM_NEUROPATI

L 56 Y T T Y T T Y T T Y 400 395 0,78 41,2 11,3 34,4 6,53 71,3 400 4,08 7,2 DM_NEUROPATI

L 60 T T Y Y T T Y T T T 402 391 0,91 110,3 16,4 49,2 8,06 62,6 380 4,93 10,1 DM_NEUROPATI


Lampiran 9 Keterangan Nama Kolom

Kode Keterangan

K1 Jenis kelamin

K2 Keturunan

K3 Nafas

K4 Jantung dan darah

K5 Integumen

K6 Persyarafan

K7 Sendi

K8 Penglihatan

K9 Pendengaran

K10 Penciuman

K11 Pencernaan

K12 Gula darah puasa

K13 Gula darah 2 jam PP

K14 Creatin

K16 Urea

K17 Hemoglobin

K18 Hematrokit

K19 Lekosit

K20 Neutrofil

K21 Trombosit

K22 Eritrosit

K23 RDW-SD

K24 MPV

K25 Kelas


klasifikasi diagnosa diabetes mellitus dengan · pdf filesampai saat ini dengan penuh kasih...

Documents