Klasifikasi Pasien Suspect Parvo dan Distemperpada Data Rekam Medik Rumah Sakit Hewan IPB

Menggunakan Voting Feature Intervals

,Aziz Kustiyo! , Muhammad Iqbal', Ekowati Handharyani-

JDepartemen Ilmu Komputer, FMIPA IPB2Departemen Klinik Patologi dan Reproduksi, FKH IPB

Abstrak

Diagnosis terhadap suatu penyakit tertentu sudah merupakan kegiatan rutin yang dilakukan di dalam dunia kedokteran. Haltersebut tidaklah mudah, karena banyak dari gejala-gejala penyakit yang ada merujuk pada beberapa penyakit tertentu. Penelitianini bertujuan untuk membandingkan diagnosis tahap awal pada anjing yang dilakukan oleh dokter dengan diagnosis yangdihasilkan dari klasifikasi menggunakan voting feature intervals, dan untuk mengetahui tingkat akurasi yang dicapai oleh algoritmaklasifikasi voting feature intervals (VFI5).

Terdapat 2 proses dalam penelitian yaitu proses pelatihan dan pengujian algoritma. Hasil pelatihan menunjukkan bahwaterdapat gejala-gejala yang konsisten menjadi ciri khas kelas parvo saja atau kelas distemper saja pada setiap iterasi. Untuk kelasparvo terdapat 14 gejala yang menjadi ciri khas, sedangkan untuk kelas distemper terdapat 11 gejala yang menjadi ciri khas. Hasilpengujian juga menunjukkan terdapat 3 instance yang kelas prediksinya berdasarkan hasil klasifikasi menggunakan algoritma VFI5tidak sesuai dengan kelas sebenarnya pada data. Hal tersebut terjadi karena ketiga instance memiliki ciri khas gejala kelas prediksi.Kata Kunci: voting feature intervals, differential diagnosis. parvo, distemper.

PENDAHULUANLatar Belakang

Diagnosis terhadap suatu penyakit tertentumerupakan kegiatan yang rutin dilakukan di dalam duniakedokteran. Diagnosis ini merupakan hal yang sangatmenentukan dalam memberikan tindakan perawatanselanjutnya yang dibutuhkan oleh pasien. Pada saatdilakukan diagnosis, dokter harus memperhatikandengan jelas gejala-gejala yang dialami oleh pasien. Haltersebut tidaklah mudah, karena banyak dari gejala-gejala penyakit yang ada merujuk pada beberapapenyakit tertentu maka dari itu dibutuhkan ketelitian,ketepatan, dan kecermatan dalam melakukan diagnosissehingga kesalahan diagnosis suatu penyakit dapatdihindari.

Kondisi ini tidak hanya berlaku pada diagnosisterhadap manusia. Diagnosis pada hewan yang sakitjuga harus dilakukan secara teliti, tepat, dan cermat.Diagnosis pada hewan tidaklah mudah bahkan dapatdikatakan diagnosis pada hewan lebih sulit daripadadiagnosis pada manusia karena hewan tidak dapatmemberitahukan keluhan yang dialaminya pada saathewan itu sakit. Diagnosis yang tepat membutuhkanperhatian ekstra dari para dokter hewan.

Diagnosis suatu penyakit tertentu dilakukanberdasarkan temuan-temuan klinis yang terdapat padapasien. Temuan klinis iru diperoleh dari hasilpemeriksaan yang dilakukan oleh dokter. Temuan klinisini meliputi suhu tubuh, berat badan serta gejala-gejalayang terdapat pada pasien. Diagnosis yang dilakukanpada tahap awal masih dikelompokkan ke dalam

18

kategori suspect karena untuk keakuratan yang pastiharus dilakukan pemeriksaan laboratorium jika kategorisuspect yang dimaksud termasuk ke dalam penyakityang disebabkan oleh virus. .

Kasus penyakit parvo yang menyerang anjingbanyak ditemukan selama ini. Parvo merupakanpenyakit yang disebabkan oleh virus yang munculpertama kali pada tahun 1978. Karena kehebatanpenyakit ini yang secara cepat menyebar melaluipopulasi anjing, paryo telah menarik perhatian publik.Penyakit ini sangat berbahaya terutama bagi anakanjing, karena anak anjing bisa menjadi sangat lemahdan sakit pada tahap awal dan juga dapat mengalamikematian mendadak tanpa adanya tanda-tanda sakit padasaluran pencernaan hanya setelah periode yang singkatsaat anjing mulai mengalami sakit. Virus yangmenyebabkan penyakit ini serupa dengan virus yangmenyebabkan penyakit distemper pada anjing, sehinggagejala yang ditimbulkan kedua penyakit tersebutbiasanya hampir sama, ini menyebabkan distempertermasuk dalam salah satu penyakit yang dibandingkandengan parvo dalam differential diagnosis.

TujuanTujuan penelitian ini adalah untuk membandingkan

diagnosis tahap awal pada canine (alljing) yangdilakukan oleh dokter dengan diagnosis yang dihasilkandari klasifikasi menggunakan voting feature intervals.Penelitian ini juga bertujuan untuk mengetahui tingkatakurasi yang dicapai oleh algoritma klasifikasi votingfeature intervals (VFI5) yang diterapkan pada datarekam medik Rumah Sakit Hewan IPB.

Klasifikasi Pasien Suspect ParYo dan Distemper pada Data Rekam Medik Rumah Sakit Hewan IPB menggunakan VotingFeature Intervals

Ruang LingkupRuang lingkup pada penelitian ini meliputi:

1 Penerapan algoritma klasifikasi voting featureintervals (VFJS) pada data rekam medik pasienRumah Sakit Hewan IPB.

2 Klasifikasi dilakukan berdasarkan data yang terdapatpada atribut temuan klinis.

Manfaat PenelitianPenelitian ini diharapkan dapat memberikan manfaat

pada bidang kedokteran hewan. Klasifikasi yangdilakukan dengan algoritma VFIS diharapkan dapatdijadikan pembanding oleh dokter hewan.

TINJAUAN PUSTAKA

ParYoParvo merupakan penyakit pada anjing yang

disebabkan oleh virus yang dinamakan CanineParvovirus atau Parvovira! Enteritis. Virus tersebuttumbuh di dalam pembelahan sel yang cepat (Klinkam1999). Saluran pencernaan pada anak anjing mempunyaikonsentrasi terbesar untuk pembelahan sel secara cepat,sehingga penyakit ini lebih sering menyerang anakanjing daripada anjing dewasa. Pada beberapa kasusvirus ini juga dapat menginfeksi otot jantung yangakhirnya mengarah kepada kematian mendadak(Klinkam 1999).

Parvo termasuk jenis penyakit sistemik yang akutyang biasanya ditandai dengan pendarahan pada radangusus (tilley & Smith 1997). Infeksi penyakit ini sudahdimulai saat anjing memiliki gejala yang berhubungandengan masalah pencernaan, khususnya bila terdapatgejala lesu, muntah-muntah, dan keluarnya kotorandengan cairan atau darah yang berlebihan.

Pada temuan pemeriksaan klinis biasanya terdapatgejala-gejala seperti berikut:

DemamLesuDepresi

- Nafsu makan berkurangPada tahap lanjut gejala yang muncul dapat berupa:

Diare (diare berdarah)Muntah-muntahDehidrasi

DistemperDistemper merupakan penyakit pada anjing yang

disebabkan oleh virus yang dinamakan CanineDistemper Virus. Virus ini memperbanyak diri di dalamkelenjar getah bening dan pada akhirnya penyebaranvirus akan sampai pada permukaan epithelium (jaringanpenutup permukaan dalam alat-alat tubuh yangberongga) saluran pernapasan, saluran pencernaan,saluran kemih-kelamin, dan sistem saraf pusat dimanaini memulai kerusakan yang menyebabkan timbulnya

gejala .. Seperti halnya dengan parvo, distemper lebihsering menyerang anak anjing daripada anjing dewasa.

Distemper termasuk jenis penyakit akut yangpenyebarannya dapat melalui udara dan cairan tubuhdari hewan yang terinfeksi, sehingga kontak denganhewan yang terinfeksi dapat menularkan virus penyakitini (Tilley & Smith 1997). Infeksi penyakit ini sudahdimulai saat anjing mengalami demam. Demam inibiasanya disertai dengan keluarnya cairan dari mata danhidung.

Pada temuan pemeriksaan klinis biasanya terdapatgejala-gejala seperti berikut:- Demam- Nafsu makan berkurang

DepresiPada tahap lanjut gejala yang muncul dapat berupa:

Diare- Pneumonia (radang paru)- Rhinitis (radang selaput lendir hidung)

Muntah-muntah

Dlfferential DiagnosisDifferential diagnosis adalah diagnosis yang

dilakukan dengan membandingkan tanda-tanda klinissuatu penyakit dengan tanda-tanda klinis penyakit lain(Muda 2003). DifJerential diagnosis dilakukanberdasarkan pada pemeriksaan kondisi klinis yangspesifik dan hasil pemeriksaan tambahan seperti tesdarah, biopsi otot, dan lain-lain.

KlasifikasiKlasifikasi adalah proses menemukan sebuah

himpunan model (atau fungsi) yang menggambarkandan membedakan kelas-kelas data atau berbagai konsep.Tujuannya adalah untuk meramalkan kelas dari objek-objek yang label kelasnya belum diketahui (Han &Kamber 2001).

Proses menemukan sebuah model dilakukan padasebuah himpunan data training (data pe/arihan). Untukproses klasifikasi (prediksi) pada data testing (datapengujian) dilakukan berdasarkan model yangditurunkan dari data pelatihan tersebut.

Voting Feature Intervals (VFIS)Algoritma voting feature intervals (VFlS) adalah

sebuah algoritma klasifikasi. Sebuah konsep diwakilkandengan sebuah himpunan selang-selang fitur atauatribut pada setiap dimensi fitur secara terpisah.(Demiroz & Giivenir 1997).

VFI5 merupakan algoritma klasifikasi non-incremental karena semua objek pada data pelatihandiproses sekali (Guvenir & Sirin 1996 diacu dalamGiivenir & Emeksiz 2000). Klasifikasi pada VFJberdasarkan feature vote. Semua fitur yang adaberpartisipasi dengan memberikan nilainya pada votingdi antara kelas-kelas. Kelas yang menerima votetertinggi ditentukan sebagai kelas yang diramalkan.

19

Jurnal Ilmiah llmu Komputer, Edisi 9Nol. 5 No.2 Desember 2007; 18 - 25

Algoritma VFJ5 mampu menangani nilai yang tidakdiketahui atau nilai yang hilang. Jika terdapat nilai yangtidak diketahui atau nilai yang hilang pada sebuah fitur,fitur tersebut memberikan nilai ° untuk vote pada setiapkelas. Karena itu, fitur yang mengandung nilai yanghilang atau nilai yang tidak diketahui diabaikan.Mengabaikan fitur tersebut merupakan pendekatan yangsangat wajar dan masuk akal (Demiroz & Giivenir1997).

Terdapat dua proses atau fase pada algoritmaklasifikasi VFJ5. yaitu proses pelatihan (training) danproses klasifikasi (prediksi). Proses pelatihan bertujuanuntuk menemukan sebuah model yang akan digunakandalam proses klasifikasi.

1 Pelatih allPada proses ini akan dihasilkan selang-selang untuk

setiap fitur yang ada. Sebuah selang mewakili himpunannilai-nilai dari fitur yang diberikan.

Untuk menghasilkan selang fitur tertentu perludiketahui end point atau batas-batas pada selang itu.Proses menemukan end point dibedakan untuk fiturlinear dan fitur nominal. End point fitur linear, yaitufitur dimana nilai-nilanya memiliki urutan dan dapatdibandingkan tingkatannya ditentukan dengan mencarinilai terbesar dan terkecil pada fitur tersebut untuk setiapkelas. Di lain pihak, end point fitur nominal, yaitu fiturdimana nilai-nilainya tidak memiliki urutan dan tidakdapat dibandingkan tingkatannya ditentukan denganmencatat semua nilai yang berbeda pada fitur tersebut.Untuk fitur linear selang yang dihasilkan dapat berupapoint interval dan range interval serta jumlahmaksimum end point dan selang yang dihasilkan adalah

2k dan 4k+ 1 dimana k adalah jumlah kelas, sedangkanuntuk fitur nominal selang yang dihasilkan hanya berupapoint interval.

Untuk setiap selang i dari sebuah fitur f dihitungjumlah instance pelatihan setiap kelas c yang jatuh padaselang i dan hasilnya disimpan sebagaiillterval_class_count(f,i,c]. Hasil proses ini merupakanvote kelas c pada selang i.

Jumlah instance untuk setiap kelas c dapat berbeda-beda, sehingga untuk menghilangkan efek perbedaandistribusi setiap kelas, vote kelas c untuk fitur f padaselang i dinormalisasi. Normalisasi dilakukan denganmembagi jumlah instance pelatihan setiap kelas c yangjatuh pada selang i sebuah fitur f dengan jumlah instancesetiap kelas c dan hasilnya disimpan sebagaiinterval_class _vote(f,i,c]. Kemudian nilai-nilaiinterval_class_vote [f,i,c] dinormalisasi kembalisehingga jumlah vote setiap kelas c pada selang i untuksuatu fitur fsama dengan I. Normalisasi bertujuan agarjumlah instan ce pelatihan setiap kelas c tidakmempengaruhi voting, sehingga setiap fitur memilikikekuatan voting yang sama. Pseudocode algoritmapelatihan VF15 disajikan pada Gambar 1.

2 KlasifikasiVote pada setiap kelas c diberi nilai awal sama

dengan 0, karena semua fitur pada awalnya belummemberikan vote, kemudian dicari selang i dimanainstance pengujian jatuh pada selang tersebut untuksetiap fitur f Jika terdapat nilai suatu fitur dari instancepengujian yang hilang atau tidak diketahui, maka fiturtersebut diasumsikan tidak memberikan vote sehingganilai vote untuk fitur tersebut sama dengan 0.

train (TrainingSet):beginfor each feature fif f is linearfor each class cEndPoints[f] = EndPoints[f] U find_endyoints(TrainingSet, f, c);

sort(EndPoints[ f));

for each interval i on feature ffor each class cinterval_c1ass_count[f. i, c)= count_instance(f. i. c);

for each interval i on feature ffor each class cinterval_c1ass_vote[f. i, c)=interval_c1ass_count[f. i. c] / elass_count[e)normalize interval_c1ass_ votejf, i, c);

/*such that l:c interval_class_count[f, i, e)=l*/

for each end point p in EndPoints[f]form a point interval from end point pform a range interval between p and the next endpoint f. p

else/* fis nominalv/form a point interval for each value off

end.

Gambar 1 Algoritma pelatihan VFI5

20

Klasifikasi Pasien Suspect ParYo dan Distemper pada Data Rekam Medik Rumah Sakit Hewan IPB menggunakan Voting

Feature Interva/s

Kemudian nilai-nilai vote dari setiap fitur padaselang i dimana instance pengujian jatuh dijumlahkansetelah masing-masing dikalikan dengan bobot fituryang bersesuaian dan hasilnya disimpan dalam sebuahvektor vote <vote[ Cil, ..., vote[ Ck»· Kelas denganjumlah vote terbesar diramalkan sebagai kelas dariinstan ce pengujian. Pseudocode algoritma pengujianVFI5 disajikan pada Gambar2.

METODE PENELITIAN

Penelitian ini menerapkan algoritma klasifikasi VFI5pada data rekam medik pasien Rumah Sakit Hewan lPE.Terdapat beberapa proses dalam penelitian ini. Tahapanpertama yang dilakukan adalah pen~aria~ . data,kemudian data yang telah didapatkan dipelajari dandilihat karakteristiknya untuk selanjutnya digunakandalam pelatihan dan pengujian.

Data

Data yang digunakan dalam penelitian ini adalahdata rekam medik pasien jenis can ine (anjing) RumahSakit Hewan lPE, khususnya data rekam medik pasiensuspect parvo dan distemper. Data rekam medikpasien Rumah Sakit Hewan lPE memiliki atribut,yaitu:

Nomor rekam medikNomor yang terdaftar sesuai dengan administrasidari manajemen rumah sakit.

2 SignalementKeterangan individual dari pasien yang bersang-kutan.

3 AnamneseSejarah informasi penyakit yang pemah diderita olehpasien yang bersangkutan atau dapat berupa keluhanyang disampaikan oleh pemilik hewan.

4 Temuan klinisTemuan atau informasi yang diperoleh dari hasilpemeriksaan klinis.

PraprosesPada tahap ini dilakukan pemilihan data pada data

rekam medik. Pemilihan yang dilakukan yaitu pemilihandata dari atribut tertentu. Data yang dipilih merupakandata yang cukup relevan untuk dijadikan fitur-fitur.

Data Pelatihan dan Data PengujianSeluruh data yang digunakan dibagi secara acak

menjadi beberapa himpunan bagian. Masing-masinghimpunan bagian memiliki ukuran yang hampir sama.Data yang telah terbagi menjadi beberapa himpunanbagian tersebut digunakan dalam pelatihan danpengujian. semua node pada jaringan per satu detik.

Algoritma VFI5Algoritma yang digunakan dalam penelitian ini

adalah algoritma klasifikasi VFJ5. Algoritma inimemiliki dua proses atau fase, yaitu proses pelatihan danproses klasifikasi. Proses pelatihan menghasilkan sebuahmodel yang diturunkan dari data pelatihan. Model iniakan digunakan pada data pengujian dalam prosespengujian.

PelatihanData pelatihan digunakan sebagai input dari

algoritma VFl5 pada proses pelatihan. Untuk setiap fiturakan dihasilkan selang-selang, kemudian pada akhirnyadidapatkan nilai vote untuk setiap kelas pada selang-selang tersebut.

PengujianUntuk setiap fitur dari setiap instance pengujian,

dicari selang dimana nilai fitur dari instance pengujianitu jatuh. Kemudian dilihat vote setiap kelas pada selang

classify(e):I·e is example to be classified" 1beginfor each class cvote[c]=O ·Isum ofvote of class c·l

for each feature ffor each class cfeature_ vote[f, c]=O J*vote of feature f for class c· 1

if er value is knowni= find_interval(f, er)feature_ vote[f, c]= interval_class_ vote[f, i, c]for each class cvote[c]= vote[c] + (feature votelf.c]." w[f1);

return class c with highest vote[c];end.

Gambar 2 Algoritma pengujian VFl5

21

Jurnal Ilmiah llmu Komputer, Edisi 9Nol. 5 No.2 Desember 2007; 18 - 25

tersebut. Selanjutnya nilai-nilai vote itu dijumlahkansehingga kelas yang memiliki nilai vote terbesar adalahkelas prediksi dari instance pengujian tersebut.

AkurasiPada penelitian ini ingin diketahui tingkat akurasi

yang dicapai algoritma VFI5. Tingkat akurasi dihitungdengan cara :'

L data uji benardiklasifiklsitingkatakurasi=

L total data uj i

HASIL DAN PEMBAHASAN

Data yang digunakan dalam penelitian ini adalahdata rekam medik pasien jenis can ine (anjing) RumahSakit Hewan IPB, khususnya data rekam rnedik pasiensuspect parvo dan distemper. Data rekam medik yangberhasil dikumpulkan yaitu data tahun 2002 sampaidengan tahun 2006 sebanyak 30 record.

Semua instance yang memiliki nilai fitur yang tidaklengkap tetap digunakan karena VFI5 memilikimekanisme voting yang mampu menangani nilai fituryang tidak diketahui. Dengan demikian, tidak adapengurangan jumlah instance dari data awal daninstance-instance tersebut digunakan sebagai datapelatihan maupun data pengujian.

Pada data rekam medik terdapat beberapa atribut,salah satu di antaranya yaitu atribut temuan klinis. Datayang terdapat pada atribut temuan klinislah yangdigunakan untuk diolah. Atribut temuan klinis pada datarekam medik yang digunakan mengandung informasiberupa temuan gejala-gejala yang diderita pasien.Gejala-gejala mi ditemukan berdasarkan hasilpemeriksaan klinis yang dilakukan oleh dokter.

Setiap gejala berbeda yang ditemukan diuraikan,sehingga terdapat 47 gejala dan 2 keterangan tambahanberupa suhu tubuh dan berat badan. Gejala-gejala dan 2keterangan tambahan itu dijadikan sebagai fitursehingga pada akhirnya terdapat fitur sebanyak 49 buah.Empat puluh sembilan fitur yang ada masing-masingdilambangkan berturut-turut dengan variabel Xl, )(2,...,X49. Spesifikasi data yang digunakan dalam penelitiandisajikan pada Tabel 1.

Tabel! Spesifikasi data vanl?dieunakan

Nama Jumlahdata instance Jumlah fitur Jumlah kelas

Rekammedik 30 49 2

Fitur-fitur yang ada dibedakan menjadi fitur lineardan fitur nominal. Keterangan tambahan berupa suhutubuh dan berat badan merupakan fitur !inear sedangkan47 gejala berbeda yang ditemukan pada data merupakanfitur nominal. Nilai untuk fitur nominal ditentukansebagai berikut:

22

• Nilai 1 diberikan untuk fitur nominal tertentu padainstance yang memiliki gejala penyakit yangdilambangkan fitur nominal tersebut.

• Nilai 0 diberikan untuk fitur nominal tertentu padainstance yang tidak memiliki gejala penyakit yangdilambangkan fitur nominal tersebut.Data keseluruhan sebanyak 30 instance tersebut

terlebih dahulu dibagi secara acak menjadi 3 himpunanbagian yang ukurannya hampir sama satu sama lain.Pembagian data keseluruhan secara acak menghasilkanhimpunan bagian yang disebut sebagai himpunan bagianSI, himpunan bagian S2, dan himpunan bagian S3'Pembagian data keseluruhan secara acak ini meng-hasilkan himpunan bagian-himpunan bagian yangmasing-masing memiliki jumlah instance sebanyak 10buah. Hasil pembagian data keseluruhan disajikan padaTabel 2.

Tabel 2 Hasil pembagian data keseluruhan

Himpunan Parvo Distemperbagian

S 5 instance 5 instanceS2 7 instance 3 instanceS, 5 instance 5 instance

Total 17 instance 13 instance

Pada penelitian ini pelatihan dan pengujian datadilakukan sebanyak 3 kali. Susunan data yang digunakansebagai data pelatihan dan data pengujian pada setiapiterasi disajikan pada Tabel 3. Untuk setiap iterasi,dalam hal ini berarti data yang digunakan sebagaipelatihan sebanyak 20 instance sedangkan data yangdigunakan sebagai pengujian sebanyak 10 instance.

Tabel 3 Susunan data pelatihan dan data pengujian

Iterasi Pelatihan PengujianIterasi pertama S2& S3 S,lterasi kedua Sj&S3 SzIterasi ketiga S, & S2 S3

Iterasi PertamaPada iterasi pertama, himpunan bagian S2 dan

himpunan bagian SJ digunakan sebagai data pelatihansedangkan himpunan bagian SI digunakan sebagai datapengujian. Komposisi jumlah instance per kelas padadata pelatihan dan data pengujian pada iterasi inidisajikan pada Tabel 4.

Tabel 4 Komposisi jumlah instan ce per kelas datapelatihan dan data pengujian iterasi pertama

Kelas Pelatihan PengujianParvo 12 instan ce 5 instance

Distemper 8 instan ce 5 instance

Proses pelatihan pada iterasi ini menghasilkanselang-selang fitur. Setiap selang suatu fitur tertentu

Klasifikasi Pasien Suspect Petvo dan Distemper pada Data Rekam Medik Rumah Sakit Hewan IPS menggunakan Voting

Feature Intervals

memiliki nilai-nilai yang didistribusikan fitur tersebutuntuk kelas parvo dan kelas distemper.

Untuk fitur X3 sampai dengan fitur X50. dapatdilihat nilai-nilai distribusi fitur-fitur tersebut pada suatuselang yang dihasilkan oleh proses pelatihan yangmencerminkan kecenderungan fitur-fitur tersebut untukmenjadi ciri khas gejala dari kelas parvo atau kelasdistemper.

Pengujian yang dilakukan pada iterasi ini sebagaiklasifikasi pada data pengujian SI menghasilkan akurasisebesar 100%. Prediksi kelas sebagai hasil klasifikasiyang dilakukan oleh algoritma VFl5 sama dengan kelassebenarnya pada data rekam medik untuk seluruh datapengujian Slo

Iterasi KeduaPada iterasi kedua, himpunan bagian SI dan

himpunan bagian S3 digunakan sebagai data pelatihansedangkan himpunan bagian S} digunakan sebagai datapengujian. Komposisi jumlah instance per kelas padadata pelatihan dan data pengujian pada iterasi inidisajikan pada Tabel 5.

Tabel 5 Komposisijumlah instance per kelas datapelatihan dan data pengujian iterasi kedua

Kelas Pelatihan PengujianParvo 10 instan ce 7 instanceDistemper 10 instance 3 instance

Proses pelatihan pada iterasi ini menghasilkanselang-selang fitur. Seperti pada iterasi pertama, setiapselang suatu fitur tertentu memiliki nilai-nilai yangdidistribusikan fitur tersebut untuk kelas parvo dan kelasdistemper.

Seperti pada iterasi pertama, untuk fitur X3 sampaidengan fitur X50, dapat dilihat nilai-nilai distribusi fitur-fitur tersebut pada suatu selang yang dihasilkan olehproses pelatihan yang mencerminkan kecenderunganfitur-fitur tersebut untuk menjadi ciri khas gejala darikelas parvo atau kelas distemper.

Pengujian yang dilakukan pada iterasi ini sebagaiklasifikasi pada data pengujian S2 menghasilkan akurasisebesar 100%. Prediksi kelas sebagai hasil klasifikasiyang dilakukan oleh algoritma VFl5 sama dengan kelassebenamya pada data rekam medik untuk seluruh datapengujian S1'

/terasi KetigaPada iterasi ketiga, himpunan bagian SI dan

himpunan bagian S2 digunakan sebagai data pelatihansedangkan himpunan bagian S3 digunakan sebagai datapengujian. Komposisi jumlah instance per kelas padadata pelatihan dan data pengujian pada iterasi inidisajikan pada Tabel 6.

Tabel 6 Komposisi jumlah instan ce per kelas data pelatihandan data pengujian iterasi ketiga

Kelas Pelatihan PengujianParvo 12 instance 5 instance

Distemper 8 instance 5 instance

Proses pelatihan pada iterasi ini menghasilkanselang-selang fitur, Seperti pada iterasi pertama daniterasi kedua, setiap selang suatu fitur tertentu memilikinilai-nilai yang didistribusikan fitur tersebut untuk kelasparvo dan kelas distemper.

Seperti pada iterasi pertama dan iterasi kedua, untukfitur X3 sampai dengan fitur X50, dapat dilihat nilai-nilaidistribusi fitur-fitur tersebut pada suatu selang yangdihasilkan oleh proses pelatihan yang mencerminkankecenderungan fitur-fitur tersebut untuk menjadi cirikhas gejala dari kelas parvo atau kelas distemper.

Pengujian yang dilakukan pada iterasi ini sebagaiklasifikasi pada data pengujian S3 menghasilkan akurasisebesar 70%. Terdapat tiga instance pada data pengujianS3 yang kelas prediksinya tidak sesuai dengan kelassebenamya pada data rekam medik, yaitu instan cedengan nomor rekam medik 182.10.03, 002.01.05, dan076.02.06. lnstance dengan nomor rekam medik182.10.03 dan 002.01.05 diprediksi oleh algoritma VFl5termasuk ke dalam kelas parvo, sedangkan pada "datarekam medik kelas sebenarnya dari instance tersebutadalah kelas distemper. Hal ini terjadi karena instan cetersebut memiliki beberapa gejala yang merupakan cirikhas dari kelas parvo berdasarkan proses pelatihan padaiterasi ini. Gejala-gejala tersebut adalah lemas, muntah,diare, diare berdarah, pal pasi abdominal sakit, bulukusam yang berturut-turut dilambangkan denganvariabel X5, X7, X8, X9, X/5, dan X3/. Fitur X5, X7.X8,X9, X/5, dan X31 memberikan nilai vote yang lebihbesar untuk kelas paryo sehingga kelas paryo memilikitotal nilai vote yang lebih besar dibandingkan dengankelas distemper. Normalisasi dua instance pengujian inidisajikan pada Tabel 7.

Tabel 7 Normalisasi instance pengujian /82.10.03 dan002.0/.05

No.rekam Parvo Distempermedik

182.10.03 0.53 0.47002.01.05 0.51 0.49

lnstance pengujian dengan nomor rekam medik182.10.03 dan 002.01.05 memiliki nilai normalisasiyang mendekati 0.5. Ini berarti kedua instance tersebutmempunyai peluang yang hampir sama untuk setiapkelasnya.

Instance berikutnya yang kelas prediksinya tidaksesuai dengan kelas sebenamya pada data rekam medik,yaitu instan ce dengan nomor rekam medik 076.02.06.Instance ini diprediksi oleh algoritma VFI5 termasuk kedalam kelas distemper, sedangkan pada data rekam

23

Jurnal Ilmiah llmu Komputer, Edisi 9Nol. 5 No.2 Desember 2007; 18 - 25

medik kelas sebenarnya dari instance tersebut adalahkelas parvo. Hal ini terjadi karena =»: tersebu~memiliki beberapa gejala yang merupakan cm khas dankelas distemper berdasarkan proses pelatihan padaiterasi ini. Gejala-gejala tersebut adalah faeces lembek,alopecia punggung, alopecia abdomen yang berturut-turut dilambangkan dengan variabel X29. X37, dan X38.Fitur X29, X37, dan X38 memberikan nilai vote yanglebih besar untuk kelas distemper sehingga kelasdistemper memiliki total nilai vote yang le?ih .besardibandingkan dengan kelas parvo. Normalisasi duainstan ce pengujian ini disajikan pada Tabel 8.

0760206Tabel 8 Normalisasi instance penguttanNo.rekam Parvo Distempermedik

076.02.06 0.49 0.51

Instance pengujian dengan nomor rek am rnedik076.02.06 memiliki nilai normalisasi yang mendekati0.5. Ini berarti instan ce tersebut mempunyai peluangyang hampir sama untuk setiap kelasnya.

Hasil Pelatihan dan Hasil PengujianProses pelatihan yang dilakukan pada setiap iterasi

menghasilkan selang-selang fitur. Selang-selang untuksetiap fitumya mempunyai nilai vote untuk kelas parvodan kelas distemper. Untuk setiap fitur yang merupakangejala, terdapat sebuah selang yaitu point interval 1dimana nilai vote pada selang ini mencerminkankecenderungan fitur tersebut untuk menjadi ciri khasgejala dari kelas yang ada.

Pada setiap iterasi terdapat fitur-fitur yang konsistenmenjadi ciri khas gejala kelas paryo saja atau kelasdistemper saja. Fitur-fitur tersebut adalah:

1 Kelas parvo• X5 = Lemas• X7 = Muntah• X9 = Diare berdarah• X 15 = Pal pasi abdominal sakit• X 16 = Palpasi abdominal tegang• X 19 = Turgor kulit jelek• X23 =Mucosa pucat• X25 = LGL poplitea bengkak• X26 = LGL prescapularis bengkak• X27 = LGL praefemoralis bengkak• X28 = Perineal kotor• X39 = Lethargy• X44 = Air liur kental• X49 = Dehidrasi

2 Kelas distemper• XIO = Batuk• XII = Bersin• X14 = Auskultasi paru rougli• X 17 = Pal pasi trachea batuk• X20 =Discharge nasal• X22 =Mucosa rose• X34 = Bintik merah bagian ventral

24

• X35 = Bintik merah kulit abdomen• X37 = A lopecia punggung• X38 =Alopecia abdomen• X46 = Lepuh pada kulitProses pengujian pada setiap iterasi menghasilkan

akurasi. Akurasi dari setiap iterasi pada proses pengujiandisajikan pada Tabel 9.

Tabel 9 Akurasi dari setiap iterasiIterasi AkurasiPertama 100%Kedua 100%Ketiga 70%

Rata-rata 90%Standar deviasi 17.32%

KESIMPULAN DA.l'IJSARAN

KesimpulanAlgoritma voting feature intervals (VF/5) digunakan

untuk melakukan klasifikasi. Data yang digunakanadalah data rekam medik pasien jenis can ine (anjing)Rumah Sakit Hewan IPB, khususnya data rekam medikpasien suspect parvo dan distemper.

Proses pelatihan pada setiap iterasi menghasilkanselang-selang fitur. Nilai voting pada point interval Iuntuk semua fitur yang merupakan gejala mencerminkankecenderungan fitur tersebut untuk menjadi ciri khasgejala dari kelas parvo atau kelas distemper.

Dari fitur-fitur gejala yang ada terdapat 25 fitur yangkonsisten menjadi ciri khas gejala kelas parvo saja ataukelas distemper saja pada setiap iterasi. Fitur-fiturtersebut terdiri dari 14 fitur untuk ciri khas gejala kelasparyo dan II fitur untuk ciri khas gejala kelas distemper.

Pengujian yang dilakukan sebanyak 3 kalimenunjukkan terdapat 3 instance yang klasifikasinyatidak sesuai yaitu instance dengan nomor rekam medik182.10.03, 002.01.05, dan 076.02.06.

Akurasi dari klasifikasi yang dihasilkan olehalgoritma VFI5 cukup tinggi untuk setiap iterasinya.Iterasi pertama menghasilkan akurasi sebesar 100%,iterasi kedua menghasilkan akurasi sebesar 100%, daniterasi ketiga menghasilkan akurasi sebesar 70%. Rata-rata akurasi yang dihasilkan oleh algoritma VFl5 adalahsebesar 90% dan standar deviasinya adalah sebesar17.32%.

SaranPenelitian mr menggunakan bobot fitur yang

seragam yaitu satu. Hal ini masih dapat dikembangkanlebih lanjut dengan menggunakan bobot yang berbedauntuk setiap fitur.

Untuk validasi silang padj data juga dapatdikembangkan dengart menggunakan leave-one-outcross validation. Hasil yang didapatkan denganmenggunakan metode tersebut dapat dibandingkandengan data yang menggunakan k-fold cross validation.Untuk pengembangan selanjutnya data yang akan

Klasifikasi Pasien Suspect PaNo dan Distemper pada Data Rekam Medik Rumah Sakit Hewan IPB menggunakan VotingFeature lntetvels

digunakan pada penelitian diharapkan memiliki jumlahrecord yang lebih banyak.

DAFTAR PUSTAKA

Derniroz G, Guvenir HA. 1997. Classification by VotingFeature Intervals. http://www.cs.ucf.edul-ecl/papers/demiroz97c1assification.pdf.[5 Mei 2006]

Guvenir HA. 1998. A Classification Learning AlgorithmRobust to Jrrelevant Features.http://www.cs.bilkent.edu.tr/tech-report II 998/BU-CEIS-98I O.pdf. [27 Juli 2006]

Guvenir HA, Emeksiz N. 2000. An Expert System for theDifferential Diagnosis of Erythemato-SquamousDisease. Expert System with Applications, Vol. 18,No.1, (2000), hlm 43-49.

Han J, Kamber M. 2001. Data Mining Concepts &Techniques. USA: Academic Press.

Klinkam M. 1999. Canine Parvo, ParvoParvovirus Disease, Symptoms andhttp://v.ww.nwk9.com/parvovirus.htm2006]

Virus andTreatment.[25 Juli

Muda A. 2003. Kamus Lengkap Kedokteran. Surabaya :Gitamedia Press.

Sarle W. 2004. What are cross-validation andbootstrapping? http://www.faqs .org/faqs/ai-faq/neuralnets/part3/section-12.html. [Juli 2006]

Tilley LP, Smith FWK. 1997. The 5 Minute VeterinaryConsult, Canine and Feline. Baltimore: Williams &Wilkins.

25