plagiat merupakan tindakan tidak terpujirepository.usd.ac.id/32510/2/065314045_full.pdf · penyakit...

i

SISTEM DIAGNOSA PENYAKIT HEPATITIS DENGAN

MENGGUNAKAN METODE NAÏVE BAYESIAN

SKRIPSI

Ditujukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Jurusan Teknik Informatika

Oleh :

Estu Karunianingtyas

065314045

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2012

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

THE HEPATITIS DIAGNOSE SYSTEM BY USING THE

NAÏVE BAYESIAN METHODE

A Thesis

Presented as Partial Fulfillment of the Requirements

To Obtain the Engineering Bachelor Degree

In Informatics Engineering

By :


Student Number : 065314045

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2012


iii

HALAMAN PERSETUJUAN

SKRIPSI



Disusun Oleh :


065314045

Telah diperiksa dan disetujui

Di Yogyakarta

Pada tanggal : .... Februari 2012

Dosen Pembimbing

Dr. Cyprianus Kuntoro Adi, SJ,


iv


v

HALAMAN PERSEMBAHAN

Yakobus 2:22b“ bahwa iman bekerjasama dengan perbuatan -perbuatan dan oleh

perbuatan-perbuatan itu iman menjadi sempurna”

Skripsi ini saya persembahkan untuk :Tuhan Yesus Kristus,

Keluarga tercinta dan Sahabat terkasihTerima kasih untuk segalanya.


vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis tidak

memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam

kutipan dan daftar pustaka, sebagai mana layaknya karya ilmiah.

Yogyakarta, 8 Februari 2012

Penulis



vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Univer sitas Sanata Dharma :

Nama : Estu Karunianingtyas

NIM : 065314045

Demi pengembangan pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah yang berjudul :



Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan

data mendistribusikan secara terbatas, dan mempublikasikan di internet atau

media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya

maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya

sebagai penulis.

Demikian pernyataan ini saya buat dengan sebe narnya.


Yang menyatakan,



viii


MENGGUNAKAN METODE NAIVE BAYESIAN

ABSTRAK

Penyakit hepatitis dapat meningkatkan risiko kematian bagi penderita dan

dapat juga menjadi pemicu timbulnya penyakit lain yang menyebabkan kematian.

Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan,

fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya

dapat dipecahkan oleh seorang pakar dalam bidang tert entu. Sistem pakar

memberikan nilai tambah pada teknologi untuk membantu dalam menangani era

informasi yang semakin canggih. Pada penelitian ini dibangun aplikasi sistem

pakar yang menghasilkan keluaran berupa kemungkinan penyakit hepatitis yang

diderita berdasarkan gejala yang dirasakan oleh user. Sistem ini juga

menampilkan besarnya kepercayaan gejala tersebut terhadap kemungkinan

penyakit hepatitis yang diderita oleh user. Besarnya nilai kepercayaan tersebut

merupakan hasil perhitungan dengan menggunakan metode Naïve Bayesian

Classification.

Dalam penelitian ini, proses klasifikasi penyakit hepatitis menggunakan

Naive Bayesian dalam proses pengujian sistem yang dilakukan dengan dua

percobaan yaitu percobaan pengenalan per-gejala menghasilkan akurasi sebe sar

44,44% untuk gejala mata, sedangkan percobaan yang kedua yaitu pengenalan

kombinasi gejala menghasilkan akurasi sebesar 51,11%. Pengujian ini dilakukan

untuk mengetahui feature yang paling berpengaruh pada pengenalan jenis

penyakit hepatitis.


ix

ABSTRACT

Hepatitis can increase the death risk to the patient and it can also become

the cause of another disease which can cause death. The Expert System is a

system which is based on computer which uses knowledge, fact, and technique to

solve a problem which usually can be solved by an expert of certain field. The

Expert System gives an additional value to the technology to help in handling the

information in this modern era.In this research, the Expert System Application is

made to get a result about the hep atitis possibility which is suffered by the patient

based on the symptoms which are felt by the patient. This system will show how

big of possibilities on hepatitis symptoms which are suffered by the patient . The

mount of possibilities is a result of coun ting by using the Naive Bayesian

Classification method.

In the research, the classification process of hepatitis uses the Naive

Bayesian in the process of testing the system which are done in two experiments,

the first is the experiment of introduction f or each symptom which produces

44,41% accuracy for the eye symptom , then the second experiment is the

introduction of symptom combination which produces 51,11% accuracy. This test

is done in order to know the most influenced feature or symtom tointrodu ction of

the kind of hepatitis.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus, karena atas

kebaikan dan kehendak-Nya saya dapat menyelesaikan tugas akhir yang berjudul

“Sistem Diagnosa Penyakit Hepatitis Dengan Menggun akan Naive

Bayesian”. Tugas akhir ini ditulis sebagai salah satu syarat memperoleh gelar

sarjana program studi Teknik Informatika, Fakultas Sains dan Teknologi

Universitas Sanata Dharma.

Dalam proses penulisan tugas akhir ini , penulis mengucapkan terima kasih

yang sebesar-besarnya kepada :

1. Romo Dr. Cyprianus Kuntoro Adi, SJ, MA, M.Sc selaku Dosen

Pembimbing, terimakasih atas segala bimbingan , kesabaran dan

mengarahkan serta membimbing penulis dalam menyelesaikan tugas akhir

ini.

2. Ibu Ridowati Gunawan, selaku ketua program studi Teknik Informatika

Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

3. Ibu P.H. Prima Rosa, S.Si, M.Sc . dan Bapak Albert Agung Hadhiatma,

S.T.,M.T. selaku dosen penguji yang telah memberikan banyak kritik dan

saran untuk tugas akhir saya.

4. Seluruh staff dosen Teknik Informatika Universitas Sanata Dharma yang

telah banyak memberikan bekal ilmu, arahan dan pengalaman selama saya

menempuh studi.


xi

5. Seluruh staff Sekretariat Teknik, yang banyak membantu saya dalam urusan

administrasi akademik terutama menjelang ujian tugas akhir.

6. Kedua orang tua, yaitu papa Idrisman yang disurga dan mama Suwaningsih .

Terima kasih atas semua yang telah dilakukan untukku, doa, semangat,

dukungan dan cintanya sehingga saya bisa menyelesaikan studi dengan

lancar.

7. Kakak-kakakku, Norma Ika Damasanti, Purbo Yohanes Cristo Oktova, dan

Kinasih Amrih Rahayu, walau kita sering berjauhan tapi aku selalu sayang

pada kalian. Selain itu terima kasih juga untuk keponakan tersayang Ezekiel

Locano Yovada yang selalu mendukung dengan penuh semangat.

8. Teman-teman Teknik Informatika : Ridoan Wibisono, Floriska Nuhan,

Fransiskus Anggit Dwi Suhendro, Hendra Christian, Ellis Renatal Samosir,

Caecilia Nova P, Tulus Wardoyo , dan semua teman-teman TI lainnya.

9. Seluruh pihak yang telah ambil bagian dalam proses penulisan tugas akhir

ini yang tidak bisa saya sebutkan satu per satu.

Dengan rendah hati penulis menyadari bahwa tugas akhir ini masih jauh dari

sempurna, oleh karena itu berbagai kritik dan saran untuk perbaikan tug as akhir

ini sangat penulis harapkan. Akhir kata, semoga tugas akhir ini bermanfaat bagi

semua pihak. Terima kasih.


Penulis


xii

DAFTAR ISI

HALAMAN JUDUL …………………………………………………………...........

HALAMAN JUDUL (Inggris)..………………………………… ……………...........

HALAMAN PERSETUJUAN ………………………………………………............

HALAMAN PENGESAHAN ………………………………………………............

HALAMAN PERSEMBAHAN ……………………………………………….........

HALAMAN PERNYATAAN KEASLIAN KARYA ………………………..........

HALAMAN PERSETUJUAN PUBLIKASI ……………… …………………........

ABSTRAK ……………………………………………………………………..........

ABSTRACT …………………………………………………………………............

KATA PENGANTAR ………………………………………………………............

DAFTAR ISI …………………………………………………………………..........

DAFTAR GAMBAR ………………………………………………………….........

DAFTAR TABEL ……………………………………………………………..........

BAB I. PENDAHULUAN

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

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

1.3 Tujuan …………..............................................................................

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

1.5 Metodelogi Penelitian ....................................................... ..............

1.6 Sistematika Penulisan ......................................................................

BAB II. LANDASAN TEORI

2.1 Data Mining .....................................................................................

2.2 Metode Naive Bayesian Classification ............................................

i

ii

iii

iv

v

vi

vii

viii

ix

x

xii

xv

xvi

1

1

3

3

3

4

6

8

13


xiii

2.2.1 Teorema Bayes .................................................................

2.2.2 Naive Bayesian .................................................................

2.2.3 Naive Bayes Algorithm.................…………………….....

2.3 K-fold Cross Validation...………………………………………….

2.4 Penyakit Hepatitis.............................................................................

BAB III. DESAIN SISTEM

3.1 Data ……....................................................................... ...................

3.2 Desain Sistem....................................................................................

3.3 Tahap Pelatihan (Training)...............................................................

3.4 Tahap Pengujian (Testing)................................................................

3.5 Penghitungan Akurasi.......................................................................

3.6 Desain User Interface .......................................................................

3.7 Spesifikasi Software dan Hardware..................................................

BAB IV. IMPLEMENTASI DAN ANALISA HASIL

4.1 Hasil Penelitian dan Analisa..……… ................................................

4.2 Perancangan Naive Bayes..................................................... ............

4.3 Seleksi Atribut...................................................................................

4.4 Hasil dan Akurasi.......................…………………………………...

4.5 Implementasi User Interface............................................................ .

4.5.1 Menu Utama ….....………………………………………

4.5.2 Bantuan........ …………………………………………….

4.5.3 Uji Sistem.. ………………………………………………

4.5.4 Klasifikasi......……………………………………………

BAB V. PENUTUP

5.1 Kesimpulan …………......................................................................

13

15

16

18

18

25

25

35

36

37

38

39

43

44

44

46

50

51

57

57

59

59

61

63

63


xiv

5.2 Saran ……………………………....................................................

DAFTAR PUSTAKA

LAMPIRAN

64

65

66


xv

DAFTAR GAMBAR

Gambar Keterangan Halaman

2.1 Langkah Penambangan Data (Data Mining) 9

2.2Ilustrasi Pemodelan teknik Classification untuk mengukur

akurasi17

3.1 Garis Besar Sistem Pengenalan 35

3.2 Skema Tahap Pelatihan 36

3.3 Skema Tahap Pengujian 37

3.4 Tampilan Awal 40

3.5 Halaman Bantuan 40

3.6 Halaman Pengujian Sistem 41

3.7 Halaman Klasifikasi Sistem 42

4.1 Grafik Akurasi Percobaan per-gejala Hepatitis 52

4.2 Grafik Akurasi Percobaan kombinasi gejala Hepatitis 55

4.3 Menu Utama 57

4.4 Halaman Bantuan 59

4.5 Halaman Pengujian Sistem 59

4.6 Error Handling 60

4.7 Halaman Klasifikasi Sistem 61

4.8 Halaman Klasifikasi Sistem(2) 62


xvi

DAFTAR TABEL

Tabel Keterangan Halaman

3.1 Data Gejala Hepatitis 26

3.2 Pembagian Sample 29

3.3 Percobaan Hepatitis 29

3.4 Sample Penyakit Hepatitis 30

3.5 Feature Gejala Otot 30

3.6 Feature Gejala Perut 30

3.7 Feature Gejala Kulit 31

3.8 Feature Gejala Mata 31

3.9 Feature Gejala Mirip Flu 31

3.10 Sampel Penyakit Hepatitis dengan nilai Probabilitas 32

3.11 Sample Penyakit Hepatitis (2) 33

3.12 Confusion Matrix 39

4.1 Deskripsi Data Gejala Hepatitis 45

4.2 Data Nominal Gejala Hepatitis 48

4.3 Data Binerisasi Gejala Hepatitis 50

4.4 Hasil Akurasi Percobaan per-gejala 52

4.5 Confusion Matrix Gejala Perut 53

4.6 Hasil Akurasi Percobaan Kombinasi Gejala 54

4.7 Confusion Matrix Kombinasi Gejala 56


1

1

Bab I. Pendahuluan

1.1 Latar Belakang

Perkembangan Teknologi Informasi yang semakin berkualitas dan menuntut

kemudahan manusia dalam setiap melakukan aktifitasnya. Hal tersebut memicu

terus berkembangnya perangkat keras dan perangkat lunak dalam penggunaan

komputer di bidang teknologi informasi. Komputer yang dalam penggunaannya

dulu hanya terbatas pada bidang-bidang tertentu saja, telah digunakan secara luas

diberbagai bidang.

Kecerdasan buatan atau artificial intelligence merupakan bagian dari ilmu

komputer yang membuat agar komputer dapat melakukan pekerjaan seperti dan

sebaik yang dilakukan oleh manusia. Ada beberapa cabang yang terdapat dalam

kecerdasan buatan yang salah satunya adalah sistem pakar.

Sistem Pakar (expert sistem ) adalah program berbasis pengetahuan yang

menyediakan solusi-solusi dengan kualitas pakar untuk masalah -masalah dalam

suatu domain yang spesifik. Sistem pakar merupakan program komputer yang

meniru proses pemikiran dan pengetahuan pakar dalam menyelesaikan suatu

masalah tertentu. Implementasi sistem pakar banyak digunakan untuk kepentingan

komersial karena sistem pakar dipandang sebagai cara penyimpanan p engetahuan

pakar pada bidang tertentu dalam program komputer sehingga keputusan dapat

diberikan dalam melakukan penalaran secara cerdas. Umumnya pengetahuannya

diambil dari seorang manusia yang pakar dalam domain tersebut dan sistem pakar

itu berusaha meniru metodologi dan kinerja (performance) (Faisal, 2009).


2

Metode Naïve Bayesian Classification yang digunakan dalam sistem

diagnosa penyakit hepatitis berfungsi untuk mengatasi ketidakpastian pada

penalaran sistem. Sistem akan memberikan pengetahuan berupa output (hasil

diagnosa) berdasar input yang diberikan (gejala penyakit) berupa nilai kepastian

sebuah data (akurasi nilai data). Metode Naïve Bayesian Classification melakukan

perhitungan berupa probabilitas, hasil nilai probabilitas yang diperoleh akan

dijadikan nilai kepastian (akurasi nilai). Dengan adanya nilai kepastian (akurasi

nilai), maka memudahkan untuk mengambil keputusan terhadap permasalahan

yang ada.

Hati atau liver merupakan organ terbesar dalam tubuh manusia. Di dalam

hati terjadi proses-proses penting bagi kehidupan kita, yaitu proses penyimpanan

energi, pembentukan protein dan asam empedu, pengaturan metabolisme

kolesterol, dan penetralan racun atau obat yang masuk dalam tubuh kita. Sehingga

dapat dibayangkan akibat yang akan timbul apabila terjadi kerusakan pada hati.

Berbagai penyakit pada hati seperti hepatitis A, B dan C kini menjadi masalah

kesehatan masyarakat. Khususnya di Indonesia penyakit -penyakit infeksi pada

hati masih merupakan penyebab kematian yang sangat penting. Oleh sebab i tu,

apabila penyakit hepatitis ini bisa dideteksi secara dini, penyakit ini pun segera

diatasi. Sehingga penyakit hati tidak akan menyebabkan kematian. Dari tahapan

awal, bisa dilakukan deteksi dini sebelum pasien menderita penyakit yang lebih

ganas, yang akan menyebabkan kematian seperti hepatitis A, B dan C.

Untuk mengatasi masalah tersebut dibuatlah suatu sistem diagnosa penyakit

hepatitis dengan metode Naïve Bayesian Classification , agar memudahkan dalam


3

mengambil keputusan berupa diagnosa jenis penyak it hepatitis pada user apabila

user tersebut positif mengidap penyakit hepatitis.

1.2 Rumusan Masalah

Dari latar belakang tersebut, dapat dirumuskan suatu masalah yaitu

bagaimana metode Naive Bayesian membantu ketepatan diagnosa penyakit

hepatitis.

1.3 Tujuan

Membangun sistem yang digunakan untuk mengenali diagnosa penyakit

hepatitis khususnya hepatitis A, B dan C dengan menggunakan metode Naïve

Bayesian Classification.

1.4 Batasan Masalah

Pembuatan sistem diagnosa penyakit hepatitis terbatas pada:

1. Data yang diolah hanya data yang berhubungan dengan penyakit yang

menyerang hati khususnya gejala penyakit hepatitis A, B dan C.

2. Sedangkan sumber data yang digunakan ialah data pasien penyakit

hepatitis hanya berdasarkan data status rekam medis yang masuk yaitu,

dilihat dari gejala yang tampak seperti gejala otot, gejala perut, gejala

kulit, gejala mata dan gejala mirip flu. Data pasien yang digunakan

tersebut adalah data tahun 2000-2010.


4

3. Metode yang akan digunakan untuk mengenali gejala hepatitis adalah

metode Naïve Bayesian Classification.

4. Software yang digunakan adalah Matlab R2010a.

1.5 Metodologi Penelitian

Dalam penyelesaian tugas akhir yang berjudul Sistem Diagnosa Penyakit

Hepatitis Dengan Metode Naïve Bayesian Classification ini, akan ditempuh

langkah-langkah kerja sebagai berikut:

1. Studi Pustaka

a. Penelitian pustaka, yaitu dengan mempelajari hal -hal yang berkaitan

dengan Data Mining metode Naive Bayesian, dengan mengumpulkan

dan mempelajari informasi dari buku -buku, artikel dan website

internet.

b. Interview, yaitu dengan melakukan konsultasi atau tanya jawab

dengan orang-orang yang memiliki pengetahuan dan wawasan yang

berhubungan dengan topik tugas akhir ini.

c. Penelitian dan pengumpulan data pasien penyakit hepatitis di rekam

medis Rumah Sakit Panti Rapih Yogyakarta.

2. Teknik Penambangan Data

Metodologi yang kedua dilakukan dengan teknik penambangan data, yang

langkah-langkahnya seperti dibawah ini:


5

a. Pembersihan data yaitu membersihkan dan menyiapkan data dengan

cara menghilangkan noise dan data yang tidak konsisten.

b. Integrasi data yaitu proses menggabungkan data dari bermacam -

macam feature atau atribut gejala ke dalam satu tempat penyimpanan

data yang koheren.

c. Seleksi data yaitu proses seleksi data, dimana dipilih atribut-atribut

yang relevan untuk dilakukan penambangan data. Atribut yang tidak

relevan akan dibuang karena atribut yang diharapkan adalah atribut

yang bersifat independen.

d. Transformasi data yaitu data ditransformasikan ke dalam bentuk yang

tepat untuk di proses penambangan . Data mentah hepatitis yang

semula merupakan data berbentuk file teks terdiri gejala -gejala yang

terdiagnosa berupa gejala otot, gejala perut, gejala kulit, gejala mata

dan gejala mirip flu. Gejala dari tiap pasien tersebut per gejalanya di

konversi menjadi nilai 0 sampai 1. Konversi dari seb uah file yang

berbentuk teks menjadi nilai 0 -1 ini disebut binerisasi. Hasil binerisasi

adalah berupa vektor baris yang bernilai 0 -1 untuk tiap elemennya.

e. Penambangan data yaitu mengaplikasikan metode yang tepat untuk

mengekstrak pola data, yaitu dengan m enggunakan metode Naive

Bayesian.

f. Evaluasi pola yaitu mengidentifikasi pola yang diperoleh dari proses

penambangan data.


6

1.6 Sistematika Penulisan

Sistematika penulisan dalam tugas akhir yang berjudul Sistem Diagnosa

Penyakit Hepatitis Dengan Metode Naïve Bayesian Classification ini dijelaskan

sebagai berikut :

Bab I. Pendahuluan

Pada Bab ini dijelaskan mengenai latar belakang masalah yang mendorong

dibangunnya sistem ini, rumusan masalah, tujuan, batasan masalah ,metodologi

penelitian yang dilakukan dan sistematika penulisan yang digunakan dalam

menyelesaikan laporan tugas akhir .

Bab II. Landasan Teori

Pada Bab ini berisi tentang Landasan Teori yang berfungsi sebagai sumber

dalam memahami permasalahan yang berkaitan dengan Penambangan Data (Data

Mining), metode Naïve Bayesian Classification , teori-teori yang berhubungan dan

yang diperlukan dalam pembuatan sistem informasi , yaitu mengenai jenis

penyakit hepatitis, dan gejala -gejalanya khususnya gejala dan jenis penyakit

hepatitis A, B, dan C.

Bab III. Desain Sistem

Pada bagian ini digambarkan komponen dan algoritma yang digunakan

dalam penelitian.

Bab IV. Implementasi dan Analisa Hasil

Pada bagian ini digambarkan penerapan rancangan yang dibuat dalam

suatu program, hasil implementasi serta analisis dari hasil implementasi.


7

Bab V. Penutup

Pada Bab ini berisi kesimpulan-kesimpulan yang merupakan rangkaian dari

hasil analisis kinerja pada bab sebelumnya dan saran untuk pengembangan lebih

lanjut pada penelitian tugas akhir ini


8

8

BAB II. LANDASAN TEORI

Pada bab ini akan dibahas mengenai teori -teori yang digunakan untuk

mendukung penulisan tugas akhir sistem diagnosa penyakit hepatitis dengan

metode Naive Bayesian classification . Teori-teori yang akan dibahas mencakup

pengertian dasar data mining, metode Naive Bayesian Classification, dan

pengertian hepatitis serta jenis -jenisnya yang mencakup hepatitis A, B dan C.

2.1 Data Mining

Data Mining yang merupakan bagian dari Knowledge Discovery in

Databases (KDD), adalah kegiatan yang meliputi pengumpulan, pemak aian data

historis untuk menemukan keteraturan, pola atau hubungan dalam sekumpulan

data berukuran besar (Budi Santosa, 2006).

Penambangan data (data mining) didefinisikan sebagai proses pengambilan

atau menambang informasi/pengetahuan dari sekumpulan data dengan jumlah

yang sangat besar. Secara fungsional, penambangan data adalah proses dari

pengumpulan informasi penting dari sejumlah data yang besar yang tersimpan di

basis data, gudang data, atau tempat penyimpanan informasi lainnya

(Han&Kamber, 2006).

Secara sederhana, penambangan data merupakan langkah-langkah dalam

menemukan pengetahuan (Han&Kamber, 2006). Proses KDD itu akan

ditunjukkan pada gambar 2.1 dan terdiri dari urutan -urutan sebagai berikut :


9

Gambar 2.1 Langkah Penambangan Data(Data Mining)

Menurut : Han&Kamber(2006)

1. Pembersihan Data (data cleaning)

Pada langkah ini noise dan data yang tidak konsisten akan dihapus.

Langkah pertama yang dilakukan dalam proses pembersihan data (data

cleaning atau disebut juga data cleansing) adalah deteksi ketidakcocokan.


10

Ketidakcocokan tersebut dapat disebabkan oleh beberapa faktor antara lain

gejala masukan data yang kurang lengkap sehingga menyebabkan

munculnya kesalahan, yang mana petugas rumah sakit kurang

memperhatikan kelengkapan dalam memasukkan data pasien.

2. Integrasi data(data integration)

Pada langkah ini akan dilakukan penggabungan data. Data dari bermacam -

macam tempat penyimpanan data akan digabungkan ke dalam satu tempat

penyimpanan data yang sesuai. Saat melakukan integrasi data, hal yang

perlu dipertimbangkan secara khusus adalah masalah struktur data.

Struktur data yang perlu diperhatikan ketika mencocokkan atribut dari satu

gejala ke gejala data lain.

3. Seleksi data (data selection)

Data yang relevan akan diambil dari bas is data untuk dianalisis. Pada

langkah ini akan dilakukan analisis korelasi untuk analisis gejala. Atribut -

atribut data akan dicek apakah relevan untuk dilakukan penambangan data.

Atribut yang tidak relevan tersebut tidak akan digunakan. Atribut yang

diharapkan adalah atribut yang bersifat independen. Artinya, antara atribut

satu dengan atribut yang lain tidak saling mempengaruhi.

4. Transformasi data (data transformation)

Data ditransformasikan ke dalam bentuk yang tepat untuk ditambang.

Yang termasuk dalam langkah transformasi data adalah penghalusan

(smooting) yaitu menghilangkan noise yang ada pada data, pengumpulan

(aggregation) yaitu mengaplikasikan kesimpulan pada data, generalisasi


11

(generalization) yaitu mengganti data level rendah menjadi data level

tinggi, (normalization) yaitu mengemas data atribut ke d alam skala kecil.

Dan konstruksi atribut (attribute construction/feature construction ) yaitu

mengkonstruksi dan menambahkan atribut baru untuk membantu proses

penambangan. Selanjutnya dilakukan binerisasi yaitu mengkonversi dari

sebuah file yang berbentuk teks menjadi nilai 0 -1. Hasil binerisasi adalah

berupa vektor baris yang bernilai 0 -1 untuk tiap elemennya.

5. Penambangan data (data mining)

Langkah ini adalah langkah yang penting di mana akan di aplikas ikan

metode yang tepat untuk mengekstrak pola data.

6. Evaluasi pola (pattern evaluation)

Langkah ini berguna untuk mengidentifikasi pola yang benar dan menarik.

Pola tersebut akan direpresentasikan dalam bentuk pengetahuan

berdasarkan beberapa pengukuran yan g penting.

7. Presentasi pengetahuan(knowledge presentation)

Pada langkah ini informasi yang sudah ditambang akan divisualisasikan

dan direpresentasikan kepada pengguna.

Pada langkah 1 sampai dengan langkah 4 merupakan langkah praproses data

(preprocessing) di mana data akan disiapkan terlebih dahulu sel anjutnya

dilakukan penambangan. Sebagai catatan, dalam urutan pro ses diatas,

penambangan data hanya terdapat satu langkah. Meskipun penambangan data

hanya terdapat dalam satu langkah, penambangan data merupakan langkah yang

penting karena bisa menemukan pola tersembuny i yang nantinya akan dievaluasi.


12

Secara umum penambangan data adalah sekumpulan aktifitas yang

dilakukan untuk menggali pengetahuan dari sekumpulan data agar didapatkan

model yang berarti (Jiawei Han dan Micheline Kamber, 2006). Dua tujuan utama

yang diperoleh dari penambangan data yaitu menjelaskan (description) dan

memprediksi (prediction). Oleh karena itu ada kemungkinan aktifitas

penambangan data diarahkan ke dalam salah satu dari dua kategori berikut:

a. Data mining yang bersifat prediksi menghasilkan pemodelan dari sistem

yang diuraikan oleh keadaan data.

b. Data mining yang bersifat deskripsi menghasilkan informasi yang baru dan

bersifat penting berdasarkan pada data yang tersedia.

Tujuan-tujuan tersebut dapat tercapai dengan penggunaan teknik data

mining. Berdasarkan tugas data mining, metode -metode yang biasa dipakai terdiri

atas:

a. Classification adalah proses penemuan model yang bersifat prediksi dan

menggolongkan data item ke dalam beberapa kelas yang sudah dikenal.

b. Regression adalah proses penemuan model yang bersifat prediksi dan

mampu memetakan data item dengan sebuah angka nyata (real value) dari

nilai variabel ramalan.

c. Clustering adalah suatu tugas deskriptif umum yang dipakai orang untuk

mencari serta mengidentifikasi suatu himpunan yang terbatas untuk cluster

kategorial sehingga dapat menguraikan data.


13

d. Summarization adalah suatu tugas deskriptif tambahan yang melibatkan

metode untuk penemuan sebuah uraian ringkas dari keseluruhan atau

sebagian data.

e. Dependecy Modeling adalah menemukan perubahan dan penyimpangan

yang paling penting dalam data.

2.2 Metode Naïve Bayesian Classification

2.2.1 Teorema Bayes

Teorema Bayesian mengungkapkan bahwa hasil probabilitas posterior

sebanding dengan hasil perkalian antara likelihood dengan probabilitas prior.

Probabilitas posterior adalah probabilitas bersyarat dari sebuah hipotesis jika

diberikan data. Likelihood adalah probabilitas bersyarat dari sebuah data jika

diberikan hipotesis. Probabilitas prior adalah prob abilitas bahwa hipotesis itu

benar sebelum data terlihat. Pada saat klasifikasi, pendekatan Bayes akan

menghasilkan label kategori yang paling tinggi probabilitasnya (vMAP) dengan

masukan atribut (a1,a2, …. ,an ), (Budi Santosa, 2006).

vMAP = arg max vj €V P (vj | a1,a2, …. ,an) (2.1)

Teorema Bayes menyatakan :

)(

)()|()|(

DP

hPhDPDhP (2.2)

atau dengan kata lain persamaan diatas dapat digambarkan sebagai:

Posterior= (2.3)

D adalah himpunan training data.

h adalah hipotesis.


14

P(h | D) adalah posterior probability , Contoh : kondisi kemungkinan dari

hipotesis h setelah training data (evidence) muncul.

P(h) adalah prior probability dari hipotesis h. Kuantitas non-klassikal ini

sering ditemukan dengan melihat data dari masa lampau (atau dalam

training data).

P(D) adalah prior probability dari training data D. Kuantitas ini sering

berupa nilai yang konstan, )()|()()|()( hPhDPhPhDPDP ,

dimana dapat dikomputasi dengan mudah ketika kita menemukan bahwa

)|( DhP dan )|( DhP adalah 1.

P(D|h) adalah probabilitas dari D yang berasal dari hipotesis h, dan biasa

disebut dengan likelihood. Kuantitas ini mudah untuk dihitung selama

memberikan nilai 1 ketika D dan h konsisten, dan memberikan nilai 0

ketika tidak konsisten.

Bayesian Theorem adalah metode classifier yang berdasarkan probabilitas

dan Teorema Bayesian dengan asumsi bahwa setiap variabel bersifat bebas

(independence). Dengan kata lain, Naïve Bayesian Classifier mengansumsikan

bahwa keberadaan sebuah feature (atribut) tidak ada kaitannya dengan keberadaan

feature (atribut) yang lain.

menggunakan teorema Bayes ini, persamaan (2.1) ini dapat ditulis:

vMAP = arg max vj €V= (2.4)

P(a1,a2,….an) nilainya konstan untuk semua v j sehingga persamaan ini

dapat ditulis sebagai berikut:


15

vMAP = arg max vj€V P (a1,a2, …. ,an | vj) P(vj) (2.5)

Naïve Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut

secara conditional saling bebas jika diberikan nilai output. Atau dengan kata lain.

diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari

probabilitas individu atau P( a1, a2, a3, … ,an | vj ) = ∏i P( a1 | vj ). memasukan

persamaan ini akan didapat perdekatan yang dipakai dalam klasifier N aïve Bayes

(Budi Santosa, 2007).

P (a1,a2, …. ,an | vj) = ∏i P( a1 | vj ) (2.6)

substitusi persamaan ini dengan persa maan 2.5 akan menghasilkan:

vMAP = arg max vj€V P( vj ) ∏i P( a1 | vj ) (2.7)

akurasi dihitung dengan cara:

Akurasi = x 100% (2.8)

2.2.2 Naive Bayesian

Dengan asumsi Naive Bayesian dimana a tribut – atribut dari training data

dianggap terpisah dan independen maka rumus 2.1 berubah menjadi seperti

dibawah ini.

)(

)()|()...|()|()|( 21

DP

hPhDPhDPhDPDhP n (2.9)

D adalah himpunan training data

h adalah hipotesis

P(h | D) adalah probabilitas dari hipotesis h setelah evidence D muncul atau

sering disebut posterior probability .


16

P(h) adalah probabilitas dari hipotesis h sebelum evidence D muncul atau

sering disebut prior probability.

P(D) adalah probabilitas dari evidence D, dimana P(D) bernilai irrelevant atau

sama dengan kelas yang lain.

P(D1|h), P(D2|h),P(Dn|h) adalah probabilitas dari setiap D 1,D2,Dn untuk

hipotesis h biasa disebut dengan likelihood.

Oleh karena P(D) bernilai irrelevant maka hanya persamaan

)()|()...|()|()|( 21 DPhDPHDPhDPDhP n yang perlu digunakan untuk mencari

suatu peluang.

Jika ada P(Dn|h) yang memiliki nilai = 0, maka P(h | D) = 0. Untuk

mencegah hal itu maka dilakukan penambahan nilai 1 ke setiap evidence dalam

perhitungan sehingga probabilitas tidak akan bernilai 0. Langkah ini sering

disebut Laplace Estimator.

Jika dalam memprediksi ada evidence pada test data yang tidak diketahui,

maka atribut itu tidak perlu dimasukan dalam proses perhitungan prediksi.

2.2.3 Naive Bayes Algorithm (Classification)

Classification adalah proses untuk menemukan model atau fungsi yang

menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat

memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model itu

sendiri bisa berupa aturan “jika -maka”. Dalam teknik classification terdapat

beberapa algoritma yang bisa digunakan antara lain Decision Tree, Naive Bayes,

Adaptive Naive Bayes, Logistic Regression dan Support Vector Machine.


17

Bayesian Classification didasarkan pada Teorema Bayesian. Konsep dasar

teori bayes itu pada dasarnya adalah peluang bersyarat P(H|X). Dimana dalam

Bayesian H adalah posterior dan X adalah prior. Prior adalah pengetahuan

tentang karakteristik suatu atribut (bisa diartikan sebagai pengalaman di masa lalu

atas suatu atribut atau juga bisa berdasarka n teori), sedangkan posterior adalah

karakteristik yang akan kita duga pada kejadian yang akan datang. Teorema

Bayesian berguna untuk melakukan kalkulasi probabilitas posterior, P(H|X), dari

P(H), dan P(X) dan P(X|H). Teori Bayes adalah sebagai berikut:

P(H|X)= (2.10)

Proses classification biasanya dibagi menjadi dua fase: learning dan test.

Pada fase learning, sebagian data yang telah diketahui kelas datanya diumpankan

untuk membentuk model perkiraa n. Kemudian pada fase test model yang sudah

terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari model

tersebut. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas

data yang belum diketahui.

Gambar 2.2 Ilustrasi Pemodelan teknik Classification untuk mengukurakurasi

Sumber: Han & Kamber (2006)


18

2.3 K-fold Cross Validation

Cross Validation adalah salah satu metode yang bisa digunakan untuk

mengukur kinerja dari sebuah model prediktif. Dalam k-fold Cross

Validation,data akan dipartisi secara acak ke dalam k partisi, D1, D2, …Dk,

masing-masing D mempunyai jumlah yang sama. Pada iterasi ke – i partisi Di

digunakan sebagai data uji, sedangkan sisa partisi digunakan sebagai data

pelatihan. Maka dari itu pada iterasi pertama, D1 digunakan sebagai data uji dan

D2, D3, ….Dk digunakan sebagai data pelatihan. Pada iterasi kedua, D2 digunakan

sebagai data uji, sedangakan D1, D3, ….Dk digunakan sebagai data pelatihan. Pada

iterasi ketiga, D3 digunakan sebagai data uji, sedangkan D1, D2, …Dk digunakan

sebagai data pelatihan dan seterusnya. Setiap sample D, hanya digunakan sekali

sebagai data uji dan berkali-kali sebagai data pelatihan (Han&Kamber, 2006).

2.4 Penyakit Hepatitis

Penyakit hepatitis adalah penyak it yang disebabkan oleh beberapa jenis

virus yang menyerang dan menyebabkan peradangan serta merusak sel -sel organ

hati manusia. Hepatitis dikategorikan dalam beberapa golongan, diantaranya

hepatitis A, B, C, D, E, F dan G. di Indonesia penderita penyakit Hepatitis

umumnya cenderung lebih banyak mengalami golongan hepatitis B dan hepatitis

C. Namun dalam Tugas Akhir ini penulis hanya membahas pada fokus penyakit

Hepatitis A, B, dan C.

Istilah "Hepatitis" dipakai untuk semua jenis peradangan pada hati (liv er).

Penyebabnya dapat berbagai macam, mulai dari virus sampai dengan obat -obatan,


19

termasuk obat tradisional. Virus hepatitis juga ada beberapa jenis, hepatitis A,

hepatitis B, C, D, E, F dan G. Manifestasi penyakit hepatitis akibat virus bisa akut

(hepatitis A) dapat pula hepatitis kronik (hepatitis B, C) dan adapula yang

kemudian menjadi kanker hati (Marzuki Suryaatmadja, 2010).

Penyakit hepatitis yang diambil oleh penulis terdiri atas hepatitis A, B dan

C. Untuk lebih jelasnya diuraikan sebagai berikut:

1. Penyakit Hepatitis A

Hepatitis A adalah golongan penyakit Hepatitis yang ringan dan jarang

sekali menyebabkan kematian, Virus hepatitis A (VHA=Virus Hepatitis A)

penyebarannya melalui kotoran/tinja penderita yang penularannya melalui

makanan dan minuman yang terkomtaminasi, bukan melalui aktivitas se ksual

atau melalui darah. Penyakit Hepatitis A memiliki masa inkubasi 2 sampai 6

minggu sejak penularan terjadi, barulah kemudian penderita menunjukkan

beberapa tanda dan gejala terserang penyakit Hepatitis A.

Untuk gejala penyakit Hepatitis A diantaranya yaitu pada minggu pertama,

individu yang dijangkiiti akan mengalami sakit seperti kuning, keletihan,

demam, hilang selera makan, muntah -muntah, pusing dan kencing yang

berwarna hitam pekat. Demam yang terjadi adalah demam yang terus menerus,

tidak seperti demam yang lainnya yaitu demam berdarah, TBC, thpyus, dll .

2. Penyakit Hepatitis B

Hepatitis B merupakan salah satu penyakit menular yang tergolong

berbahaya didunia, Penyakit ini disebabkan oleh Virus Hepatit is B (VHB) yang


20

menyerang hati dan menyebabkan peradangan hati akut atau menahun. Seperti

hal Hepatitis C, kedua penyakit ini dapat menjadi kronis dan akhirnya menjadi

kanker hati. Proses penularan Hepatitis B yaitu melalui pertukaran cairan tubuh

atau kontak dengan darah dari orang yang terinfeksi Hepatitis B.

Adapun beberapa hal yang menjadi pola penularan antara lain penularan

dari ibu ke bayi saat melahirkan, hubungan seksual, transfusi darah, jarum

suntik, maupun penggunaan alat kebersihan diri (sikat gigi, handuk) secara

bersama-sama. Hepatitis B dapat menyerang siapa saja, akan tetapi umumnya

bagi mereka yang berusia produktif akan lebih beresiko terkena penyakit ini.

Untuk gejala penyakit Hepatitis B Secara khusus tanda dan gejala

terserangnya hepatitis B yang akut adalah demam, sakit perut dan kuning

(terutama pada area mata yang putih/sklera). Namun bagi penderita hepatitis B

kronik akan cenderung tidak tampak tanda -tanda tersebut, sehingga penularan

kepada orang lain menjadi lebih beresiko.

3. Penyakit Hepatitis C

Penyakit Hepatitis C adalah penyakit hati yang disebabkan oleh virus

Hepatitis C (VHC). Proses penularannya melalui kontak darah seperti contoh

transfusi, jarum suntik (terkontaminasi) . Penderita Hepatitis C kadang tidak

menampakkan gejala yang jelas, akan tetapi pada penderita Hepatitis C kronik

menyebabkan kerusakan/kematian sel -sel hati dan terdeteksi sebagai kanker

(cancer) hati. Sejumlah 85% dari kasus, infeksi Hepatitis C menjadi kronis dan

secara perlahan merusak hati bertahun -tahun.


21

Untuk gejala penyakit Hepatitis C diantaranya yaitu penderita Hepatitis C

sering kali orang yang menderita Hepatitis C tidak menunjukkan gejala,

walaupun infeksi telah terjadi bertahun -tahun lamanya. Namun beberapa gejala

yang samar diantaranya adalah ; lelah, hilang selera makan, sakit perut, urin

menjadi gelap dan kulit atau mata menjadi kuning yang disebut "jaundice"

(jarang terjadi). Pada beberapa kasus dapat ditemukan peningkatan enzyme hati

pada pemeriksaan urine, namun demikian pada penderita Hepatit is C justru

terkadang enzyme hati fluktuasi bahkan normal.

Sekilas membahas ulang tentang penyakit h epatitis yaitu peradangan pada

sel-sel hati. Virus merupakan penyebab hepatitis yang paling sering, terutama

virus hepatitis A, B, dan C. pada umumnya pend erita hepatitis A dapat sembuh,

sebaliknya hepatitis B dan C menjadi kronis. Virus hepatitis D hanya dapat

menyerang penderita yang telah terinfeksi virus hepatitis B dapat memperparah

keadaan penderita.

Pemeriksaan laboratorium diperlukan untuk memastikan diagnosis hepatitis

karena penderita hepatitis sering tidak bergejala atau gejala tidak khas. Berikut ini

tahap-tahap pemeriksaan untuk hepatitis yag harus dilalui selain melihat dari sisi

gejala-gejala yang tampak dari luar (Marzuki Suryaatmadja, 2010).

1. Pemeriksaan untuk hepatitis akut:

Enzim GOT, GPT

Penanda hepatitis A (Anti HAV IgM)

Penanda hepatitis B (HbsAg, Anti HBc IgM)


22

Penanda hepatitis C (Anti HCV, HCV RNA)

2. Pemeriksaan untuk hepatitis kronis:

Enzim GOT, GPT

Penanda hepatitis B (HbsAg, Hbe, Anti H Bc, Anti Hbe, HBV DNA)

Penanda hepatitis C (Anti HCV, HCV RNA)

3. Penanda imunitas:

Anti HAV

Anti HbsAg

4. Sirosis Hati

Sirosis hati adalah keadaan penyakit yang sudah lanjut dimana fungsi hati

sudah sangat terganggu akibat banyaknya jaringan ikat didalam hati. Sirosis hati

dapat terjadi karena virus Hepatitis B dan C yang berkelanjutan, karena alkohol,

salah gizi, atau karena penyakit lain yang menyebabkan sumbatan saluran

empedu. Sirosis tidak dapat disembuhkan, pengobatan dilakukan untuk mengobati

komplikasi yang terjadi (seperti muntah dan berak darah, asites/perut membesar,

mata kuning serta koma hepatikum).

Pemeriksaan untuk mendeteksi sirosis hati : Enzim GOT, GPT (rasio

GOT/GPT>1), waktu Protombin, Protein Elektroforesis.

5. Kolestasis dan Jaundice

Kolestasis merupakan keadaan akibat kegag alan memproduksi dan atau

pengeluaran empedu. Lamanya menderita kolestasis dapat menyebabkan gagalnya

penyerapan lemak dan vitamin A, D, E, K oleh usus, juga adanya penumpukan

asam empedu, bilirubin dan kolesterol di hati. Adanya kelebihan bilirubin dalam


23

sirkulasi darah dan penumpukan pigmen empedu pada kulit, membran mukosa

dan bola mata disebut jaundice. Pada keadaan ini kulit penderita terlihat kuning,

warna urin menjadi gelap, sedangkan faeces lebih terang.

Pemeriksaan untuk kolestasis dan jaundice: Fosfatase Alkali, Gamma GT,

Bilirubin Total, Bilirubin Direk.

6. Terapi Albumin pada Asites Refraktori

Pemberian albumin pada tindakan paracentesis meningkatkan respon terhadap

pemberian diuretika pada pasien asites refraktori. T erapi paracentesis merupakan

pengobatan dini pertama untuk asites refraktori karena penerimaannya yang luas

dikalangan medis. Prosedur ini merupakan pengulangan pemberian large volume

paracentesis (LVP) ditambah albumin. Pemberian LVP 5L/hari dengan infus

albumin (6-8 g/l asites yang dibuang) lebih efektif mengeliminasi asites dan

menghasilkan komplikasi yang minimal jika dibandingkan dengan terapi

diuretika. Kombinasi paracentesis dengan infus albumin ini juga menyingkat masa

perawatan di rumah sakit. Tindakan paracentesis dapat dilakukan tiap 2 hingga 4

pekan tanpa keharusan opname. Namun tindakan ini tidak berarti menghilangkan

kebutuhan akan diuretic(spironolakton atau furosemida), karena kekambuhan

asites bisa ditunda pada pasien yang men erima diuretik pascaparacentesis.

Hipovolemia pascaparacentesis efektif bisa dicegah dengan pemberian albumin

dibandingkan pemberian plasma sintetik ekspander. Penggunaan albumin

dimaksudkan untuk memelihara colloid oncotic pressure (COP), mengikat dan

menyalurkan obat, dan sebagai penangkap radikal bebas. Albumin juga memiliki


24

efek antikoagulan, efek prokoagulatori, efek permeabilitas vaskular, serta ekspansi

volume plasma.


25

25

BAB III. Desain Sistem

Pada bab ini diuraikan desain sistem yang akan dibuat untuk sistem

diagnosa penyakit hepatitis menggunakan metode Naive Bayes sehingga

menghasilkan akurasi yang optimal.

3.1 Data

Setiap tahun Rumah Sakit Panti Rapih menerima pasien yang mengidap

penyakit hepatitis. Hepatitis itu sendiri merupakan peradangan pada sel-sel hati.

Virus merupakan penyebab hepatitis yang paling sering, terutama virus hepatitis

A, B, C, D dan E. Pada umumnya penderita hepatitis A & E dapat sembuh,

sebaliknya hepatitis B & C dapat menjadi kronis. Dalam Tugas Akhir ini penulis

membatasi pembahasan data hepatitis A, B dan C. Hati atau liver merupakan

organ vital dalam tubuh manusia. Maka jika terjadi kerusakan dalam fungsi hati,

akan menimbulkan penyakit pada hati s eperti hepatitis A, B dan C yang menjadi

kerisauan masyarakat. Untuk pendeteksian dini penya kit ini pasien dapat dikaji

dari gejala-gejala yang dialaminya, seperti menginputkan gejala otot, gejala perut,

gejala kulit, gejala mata dan gejala mirip flu. Selain dari pada itu pada hasil rekam

medis di rumah sakit Panti Rapih juga di simpan data hasi l laboratorium pasien

yang periksa. Tetapi peneliti hanya membatasi 5 gejala diatas, tidak dilengkapi

dengan data hasil laboratorium. S emua keterangan tentang status data pasien

tersebut dikumpulkan dan didokumentasikan oleh pihak rekam medis.

Data status pasien yang terdiri gejala otot, gejala perut, gejala kulit dan

gejala mata serta gejala mirip flu tersebut akan diteliti apakah mempengaruhi hasil


26

diagnosa pasien yang bersangkutan. Untuk meneliti apakah ada keterkaitan antara

data pasien dengan hasil diagnosa akhir seorang pasien, akan dilakukan proses

penambangan data. Penambangan data akan menemukan informasi/ pengetahuan

yang mendeskripsikan pasien dengan data status pasien seperti apa yang memiliki

hasil diagnosa akhir baik hepatitis A, B maupun C.

Data status pasien rawat inap di rumah sakit panti rapih ini yang digunakan

adalah data pasien penyakit hepatitis A, B dan C tahun 2000 sampai dengan tahun

2010. (data seluruh pasien hepatitis terdapat pada halaman L1 sampai dengan L3.

Contoh data dapat dilihat pada tabel 3.1 dibawah ini.

Tabel 3.1 Data Gejala Hepatitis

feature

HepatitisNo. Gejala Otot Gejala Perut Gejala Kulit Gejala Mata Gejala Mirip Flu

1 Pegal Muntah Normal Kuning Demam A

2 Pegal Diare Normal Kuning Pusing A

3 Pegal Kencing Berwarna gelap Normal Normal Demam A

4 Pegal Nafsu makan berkurang Kuning Normal Lesu A

5 Pegal Muntah Kuning Normal Mialgia A

6 Nyeri Sendi Mual Kuning Normal Lelah A

7 Pegal Mual Kuning Normal Demam A

8 Nyeri Sendi Muntah Kuning Normal Pusing A

9 Nyeri Sendi Nyeri Perut sebelah kanan Normal Normal Demam A

10 Nyeri Sendi Nyeri Perut sebelah kanan Kuning Normal Menggigil A

11 Nyeri Sendi Illeus obstructiva Kuning Kuning Pusing B

12 Pegal Diare Normal Kuning Menggigil B

13 Pegal Kencing Berwarna gelap Kuning Normal Lelah B

14 Pegal Mual Kuning Kuning Demam B


27

15 Nyeri Sendi Nafsu makan berkurang Normal Kuning Pusing B

16 Pegal Mual Kuning Kuning Pusing B

17 Nyeri Sendi Muntah Kuning Kuning Pusing B

18 Nyeri Sendi Nyeri Perut sebelah kanan Kuning Kuning Pusing B

19 Nyeri Sendi Kencing Berwarna gelap Kuning Kuning Demam B

20 Nyeri Sendi Nyeri Perut sebelah kanan Kuning Kuning Lelah B

21 Pegal Nafsu makan berkurang Normal Kuning Pusing B

22 Nyeri Sendi Nafsu makan berkurang Normal Kuning Mialgia B

23 Pegal Nyeri Perut sebelah kanan Kuning Kuning Pusing C

24 Pegal Nafsu makan berkurang Kuning Kuning Pusing C

25 Pegal Nyeri Perut sebelah kanan Normal Demam C

26 Nyeri Sendi Diare Kuning Kuning Lesu C

27 Pegal Mual Kuning Kuning Mialgia C

28 Pegal Kencing Berwarna gelap Kuning Kuning Menggigil C

29 Nyeri Sendi Haemotom esis Kuning Kuning Lelah C

30 Nyeri Sendi Nafsu makan berkurang Kuning Kuning Demam C


28

Pada sistem klasifikasi hepatitis ini, digunakan metode five fold untuk

membagi data menjadi 5 kelompok. Dimana 4 kelompok digunakan untuk data

training sedangkan 1 kelompok yang lain digunakan untuk data testing.

Untuk penelitian ini, jumlah data yang digunakan sebanyak 130 sample,

dimana terdiri dari:

a. 50 sample untuk data hepatitis A

b. 50 sample untuk data hepatitis B

c. 30 sample untuk data hepatitis C

Dari hasil perhitungan diperoleh data pembagian sample untuk setiap

kelompok.

Tabel 3.2 Pembagian Sample

Kelompok Hepatitis A Hepatitis B Hepatitis C1 10 sample 10 sample 6 sample

2 10 sample 10 sample 6 sample




Karena menggunakan metode five fold, maka dilakukan percobaan untuk proses

training dan testing sebanyak 5 kali untuk setiap hepatitis. 4 kelompok (120


29

sample) digunakan untuk data training dan 1 kelompok (30 sample) digunakan

untuk data testing.

Tabel 3.3 Percobaan Hepatitis

Percobaan Training Testing1 Kelompok 1,2,3,4 Kelompok 52 Kelompok 1,2,3,5 Kelompok 43 Kelompok 1,2,4,5 Kelompok 3

4 Kelompok 1,3,4,5 Kelompok 25 Kelompok 2,3,4,5 Kelompok 1

Pada tabel 3.3 ditunjukkan banyaknya percobaan yang akan dilakukan dan

kelompok data yang digunakan sebagai data training dan data testing. Jika sample

kelompok 1, 2, 3, dan 4 digunakan untuk data training, maka sample kelompok 5

digunakan untuk data testing begitu seterusnya sesuai tabel 3.3. Percobaan

hepatitis pada tabel 3.3 ini berlaku untuk hepatitis A, B dan C.

Contoh perhitungan Naive Bayes telah disediakan data sebagai berikut:

Tabel 3.4 Sample hepatitis

Gejala Otot Gejala Perut Gejala Kulit Gejala Mata Gejala MiripFl u Hepatitis

Nyeri Sendi Diare Kuning Kuning Pusing ?

(Gejala Otot= nyeri sendi, Gejala Per ut= diare, Gejala Kulit=kuning, Gejala

Mata=kuning, Gejala Mirip Flu= pusing)

vNB = arg max vj€[hepatitis A, B, C ] P( vj ) ∏i P( a1 | vj )

= arg max vj€[hepatitis A, B, C ] P(Gejala Otot=nyeri sendi|v j)

P(Gejala Perut=diare|v j) P(Gejala Kulit=kuning|v j) P(Gejala

Mata=kuning|vj) (Gejala Mirip Flu=pusing|v j)


32

Tabel 3.10 Sampel Penyakit Hepatitis dengan nilai Probabilitas

Gejala Otot Gejala Perut Gejala KulitA B C A B C A B C

pegal 6 5 5 Muntah 3 1 0 Normal 4 4 0nyeri sendi 4 7 3 Diare 1 1 1 Kuning 6 8 7

Kencing berwarna gelap 1 2 1Nafsu makan berkurang 1 3 2Mual 2 2 1Nyeri Perut sebelah kanan 2 2 2Illeus Obstructiva 0 1 0Haemotom Esis 0 0 1

pegal 6/10 5/12 5/8 Muntah 3/10 1/12 0/8 Normal 4/10 4/12 0/8nyeri sendi 4/10 7/12 3/8 Diare 1/10 1/12 1/8 Kuning 6/10 8/12 7/8

Kencing berwarna gelap 1/10 2/12 1/8Nafsu makan berkurang 1/10 3/12 2/8Mual 2/10 2/12 1/8Nyeri Perut sebelah kanan 2/10 2/12 2/8Illeus Obstructiva 0/10 1/12 0/8Haemotom Esis 0/10 0/12 1/8


33

Gejala Mata Gejala Mirip Flu HepatitisA B C A B C A B C

Normal 8 1 0 Demam 4 2 2 10 12 8Kuning 6 11 8 Pusing 2 6 2

Lesu 1 0 1Mialgia 1 1 1Lelah 1 2 1Menggigil 1 1 1

Normal 8/10 1/12 0/8 Demam 4/10 2/12 2/8 10/30 12/30 8/30Kuning 6/10 11/12 8/8 Pusing 2/10 6/12 2/8

Lesu 1/10 0/12 1/8Mialgia 1/10 1/12 1/8Lelah 1/10 2/12 1/8Menggigil 1/10 1/12 1/8

Tabel 3.11 Sampel Penyakit Hepatitis (2)

Tabel Contoh:

Gejala Otot Gejala Perut Gejala Kulit Gejala Mata Gejala Mirip Flu Hepatitis

Nyeri Sendi Diare Kuning Kuning Pusing ?


34

PROBABILITAS KEPUTUSAN

HEPATITIS A: 10/30 = 1/3

HEPATITIS B: 12/30 = 2/5

HEPATITIS C: 8/30 = 4/15

X=(NYERI SENDI, DIARE, KUNING, KUNING, PUSING)

MAKA:

P( X|A ) . P( A ) = P(NYERI SENDI |A). P(DIARE | A). P(KUNING | A ).

P(KUNING | A). P( PUSING | A). P(A)

=4/10. 1/10. 6/10. 2/10. 2/10 . 1/3

= 0,4 . 0,1 . 0,6 . 0,2 . 0,2 . 0,33

= 0,0003168 = 0,00032

P( X|B ) . P( B ) = P(NYERI SENDI |B). P(DIARE | B). P(KUNING | B).

P(KUNING | B). P(PUSING | B) . P(B)

=7/12. 1/12. 8/12. 11/12. 6/12 . 2/5

= 0,58 . 0,083 . 0,67 . 0,92 . 0,5 . 0,4

= 0,0059346992 = 0,0059347

P( X|C ) . P( C ) = P(NYERI SENDI |C). P(DIARE | C). P(KUNING | C).

P(KUNING | C). P( PUSING | C). P(C)

=3/8. 1/8. 7/8. 1. 2/8 . 4/15

= 0,375 . 0,125 . 0,875 . 1 . 0,25 . 0,267

= 0,0027377 = 0,00273

Sehingga dengan naïve bayes, penulis simpulkan pasien menderita

penyakit hepatitis b, berdasarkan estimasi probabilitas yang dipelajari dari data

training. dengan normalisasi, agar jumlah probabilitas sama dengan 1, maka kita

bisa menghitung probabilitas konditional untuk pil ihan penyakit hepatitis b jika


35

diberikan nilai-nilai atribut. untuk soal diatas , probabilitasnya adalah sebagai

berikut:

P total = 0,00032 + 0,00593 + 0,00273 = 0,00898

P Hepatitis A = (0,00032/0,00898) x 100% = 0,03563 x 100% = 3,563 %

P Hepatitis B = (0,00593/0,00898) x 100% = 0,6603 x 100% = 66,03 %

P Hepatitis B = (0,00273/0,00898) x 100% = 0,3040 x 100% = 3,04%

3.2 Desain Sistem

Gambar 3.1 Garis Besar Sistem Pengenalan

Pada gambar 3.1 dijelaskan mengenai tahapan -tahapan yang dilakukan

dalam sistem pengenalan hepatitis. Dimulai dari feature asli hepatitis sebagai data

mentah untuk proses binerisasi. Karena data mentah dari penyakit hepatitis terdiri

gejala-gejala yang terdiagnosa berupa gejala otot, gejala perut, gejala kuli t, gejala

mata dan gejala mirip flu. Gejala dari tiap pasien tersebut per gejalanya di


36

konversi menjadi nilai 0 sampai 1. Konversi dari sebuah file yang berbentuk teks

menjadi nilai 0-1 ini disebut binerisasi. Hasil binerisasi adalah berupa vektor baris

yang bernilai 0-1 untuk tiap elemennya. Sample yang telah direduksi dijadikan

data masukan dalam tahap training dan testing dengan metode Naive Bayes,

tahapan terakhir dalam sistem yang dibuat adalah pengenalan. Hasil pengenalan

berupa diagnosa pasien mengidap jenis penyakit hepatitis A, B atau C.

Pada sistem diagnosa penyakit hepatitis ini, digunakan metode five fold

untuk membagi data menjadi 5 kelompok. Dimana 4 kelompok digunakan untuk

data training sedang 1 bagian yang lain digunakan untuk data testing.

3.3 Tahap Pelatihan(Training)

Gambar 3.2 Skema Tahap Pelatihan.

Data training diperoleh dari perhitungan menurut metode five fold. Sample

hepatitis dari setiap pasien diambil 4 kelompok sample yang masing-masing

bagian berbeda-beda, dari hepatitis A terdiri 10 sample, hepatitis B terdiri 10

sample dan hepatitis B terdiri 6 sample.


37

Sebanyak 120 data hasil ekstraksi feature digunakan untuk membentuk

model hepatitis A. Dan Sebanyak 120 data hasil ekstraksi feature digunakan untuk

membentuk model hepatitis B. Sedangkan 72 sample. Dalam tahap ini penulis

menggunakan 2 percobaan yaitu percobaan per gejala dan percobaan kombinasi

gejala.

3.4 Tahap Pengujian (Testing)

Gambar 3.3 Skema Tahap Pengujian.

Data testing diperoleh dari perhitungan menurut metode five fold. Sample

hepatitis dari setiap pasien hepatitis diambil 1 kelompok sample yang masing-

masing bagian berbeda-beda, dari hepatitis A terdiri 10 sample, hepatitis B terdiri

10 sample dan hepatitis B terdiri 6 sample.


38

Dengan menggunakan 30 sample di hepatitis A, 30 sample di hepatitis B

dan 12 sample di hepatitis C yang merupakan hasil ekstraksi sample dilakukan

klasifikasi. Klasifikasi dilakukan dengan cara membandingkan model Naive

Bayesian yang telah terbentuk pada tahap training dengan data testing. Dari tahap

klasifikasi, dihasilkan hasil klasifikasi hepatitis yang berupa jumlah sample yang

dapat dikenali dengan dari setiap kelompok hepatitis.

3.5 Penghitungan Akurasi

Karena menggunakan metode five fold dalam pembagian data, maka

dilakukan 5 kali percobaan training dan testing. Hasil dari percobaan berupa

confusion matrix. Confusion matrix menunjukkan data yang dikenali sesuai

dengan kelompok data.

Dari hasil klasifikasi dilakukan penghitungan berupa gejala hepatitis pasien

ke-1 yang dikenali sebagai gejala hepatitis A, hepatitis B, hepatitis C; gejala

pasien ke-2 yang dikenali sebagai gejala hepatitis A, hepatitis B, hepatitis C;

gejala pasien ke-3 yang dikenali sebagai gejala hep atitis A, hepatitis B, hepatitis


39

C. Dan untuk pengukuran tingkat akurasi menggunakan confusion matrix dengan

tabel seperti dibawah ini:

Tabel 3.12 Confusion Matrix

A B C

A X

B X

C X

Dari confusion matrix dihitung besar akurasi. Penghitun gan akurasi

dilakukan untuk melihat seberapa optimal Naive Bayesian dalam mengenali gejala

penyakit hepatitis baik A, B maupun C.

Evaluasi ketepatan confusion matrix di atas dilakukan dengan cara

membandingkan output hasil identifikasi oleh sistem uji yang tersedia untuk data

tersebut. Perhitungan jumlah persentase model yang dikenal secara tepat sebagai

berikut:

data benar = jumlah angka pada diagonal matriks,

seluruh data= keseluruhan data yang digunakan untuk pengujian /testing

3.6 Desain User Interface

Berikut ini adalah contoh user interface dari sistem yang akan dibangun.

User interface dibuat sedemikian sederhana guna untuk memudahkan user dalam

pemakaiannya.


40

1. Tampilan Awal.

Gambar 3.4 Tampilan Awal.

Gambar 3.4 menunjukkan tampilan awal dar i aplikasi yang akan dibuat.

Terdapat 4 menu utama. Terdiri atas menu bantuan, uji sistem, klasifikasi dan

menu keluar dari aplikasi.

2. Halaman Bantuan

Gambar 3.5 Halaman Bantuan


41

Pada gambar 3.5 menampilkan bantuan berupa langkah -langkah

penggunaan sistem. Untuk keluar dari halaman bantuan, tekan tombol ’Tutup’.

3. Halaman Pengujian Sistem

Gambar 3.6 Halaman Pengujian Sistem

Gambar 3.6 menunjukkan halaman pengujian sistem dia gnosa

menggunakan Naive Bayes. Kotak pilih gejala terdiri 5 gejala yang terdiri atas

gejala mata, mirip flu, otot, perut dan kulit. Dimana bisa dipilih lebih dari satu

gejala yang dinamakan pengujian kombinasi gejala, atau juga bisa pilih per -gejala

yang disebut pengujian per-gejala. Kemudian untuk mengetahui hasilnya tekan

tombol ‘PROSES’ maka pengujian per-gejala atau pengujian kombinasi gejala

sesuai pilihan tadi dapat dijalankan. Kotak hasil menampilkan tahapan yang

dilalui dalam pengujian yang terdiri atas confusion matrix dari proses pengujian,

jumlah data yang benar dan nilai akurasi per -fold. Untuk keluar dari halaman

pengujian sistem tekan tombol ‘ TUTUP’.


42

4. Halaman Klasifikasi Sistem

Gambar 3.7 Halaman Klasifikasi Sistem

Gambar 3.7 menunjukkan halaman klasifikasi. Terdapat 5 kotak gejala yang

terdiri atas gejala otot, perut, kulit, mata dan mirip flu. User disini dapat memilih

semua gejala masing-masingnya lebih dari satu, kemudian untuk mengetahui user

menderita jenis penyakit hepatitis A, B, atau C, setelah menginputkan gejala -

gejala yang diderita maka selanjutnya tekan tombol ‘ PROSES’ untuk mengetahui

hasilnya. Kotak hasil akurasi menampilkan prosentase nilai akurasi untuk masing-

masing hepatitis, kemudian akan ditampilkan prosentase nilai akurasi yang

tertinggi. Dengan demikian nilai akurasi yang tertinggi tersebut merupakan hasil

jenis hepatitis yang diderita oleh user. Untuk keluar halaman klasifikasi tekan

tombol ‘TUTUP’.

Klasifikasi

Gejala Otot

Pegal

Nyeri Sendi

Normal

Linu-linu

Gejala Perut

MuntahDiareKencing berwarna gelap

MualNyeri Perut Sebelah Kanan

Nafsu makan berkurangPerut Acites

Gejala Kulit

Normal

Kuning

Lembab

Gatal

Kemerahan

Kering

Gejala Mata

Normal

Kuning

Gejala Mirip Flu

Demam

Pusing

Lesu

Mialgia

Lelah

Batuk

Klasifikasi Penyakit Hepatitis Menggunakan Naive Bayes

Hepatitis A Hepatitis B Hepatitis C% % %

Hasil Akurasi Output

Hepatitis TUTUPPROSES


43

3.7 Spesifikasi Software dan Hardware

Spesifikasi software dan hardware yang digunakan dalam implementasi

sistem diagnosa penyakit hepatitis menggunakan Naive Bayesian adalah sebagai

berikut:

1. Software :

Sistem Operasi : Microsoft Widows 7 Home Premium 32 -bit

Bahasa Pemrograman : Matlab R2010a

2. Hardware :

Processor : Intel(R) Core(TM) i3 CPU M370

@2.40GHz

Memory : 2 GB.

Hardisk : 320 GB


@2.40GHz

44

44

BAB IV. Implementasi dan Analisa Hasil

Pada bab ini dibahas mengenai hasil penelitian dan analisis hasil penelitian

dari implementasi sistem yang telah dibuat. Hasil penelitian yang terpenting

berupa perbandingan akurasi yang diperoleh dari serangkaian pengujian yang

telah dilakukan beberapa percobaan dengan metode Naive Bayesian yang telah

disebutkan pada bab 3. Pada bab ini juga dibahas mengenai user interface yang

dibangun berdasarkan algoritma yang telah dirancang.

4.1 Hasil Penelitian dan Analisa

Dalam penelitian yang telah dilakukan, penulis menggunakan 130 data

pasien hepatitis yang terdiri atas hepatitis A, B maupun C yang berasal dari

Rumah Sakit Panti Rapih Yogyakarta. Masing -masing pasien hepatitis jumlahnya

terdiri dari 50 data hepatitis A, 50 data hepatitis B dan 30 data hepatitis C. Setiap

pasien memiliki data gejala yang mendeteksi pasien tersebut mengarah ke

hepatitis A, B atau C. Gejala hepatitis yang digunakan oleh penul is merupakan

gejala yang tampak dari luar, yang terdiri dari gejala otot, gejala perut, gejala

kulit, gejala mata dan gejala mirip flu. Untuk masing -masing gejala terdiri atas

beberapa kriteria seperti yang ditunjukkan pada tabel 4.1 dibawah ini :


45

Tabel 4.1 Deskripsi Data Gejala Hepatitis

No Gejala Keterangan (feature)

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

2. Perut Muntah, diare, kencing berwarna gelap, mual, nyeri perut

sebelah kanan, nafsu makan berkurang dan perut

acites(perut membuncit)

3. Kulit Normal, kuning, lembab, gatal, kemerahan, kering

4. Mata Normal, kuning

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

Data pasien hepatitis ini berupa teks yang disimpan dalam format excel

(.xls); masing-masing disimpan secara terpisah baik data hepatitis A, B maupun

C. Terdiri 50 data hepatitis A, 50 data hepatitis B dan 30 data hepatitis C. 50 data

dari hepatitis A dan B dibagi menjadi 2 bagian, 10 data digunakan untuk data

testing sedangkan 40 sisa data digunakan u ntuk data training, begitu juga 30 data

hepatitis C dibagi menjadi 2 bagian, 6 data digunakan untuk data testing sedang

24 sisa data digunakan untuk data training. Hasil penelitian didasarkan pada 2

percobaan. Percobaan pertama dilakukan dengan pengujian s istem keseluruhan

data atau disebut single test dan percobaan kedua dilakukan dengan pengujian

sistem penggabungan gejala. Dari percobaan yang kedua ini kemudian akan di

visualisasikan ke dalam bentuk gambar grafik untuk melihat prosentase nilai

akurasi.


46

4.2 Perancangan Naive Bayes

Data mentah yang digunakan untuk pelatihan ini adalah data status pasien

dan data hasil diagnosa akhir pasien hepatitis yang didapat dari Rekam Medis

Rumah Sakit Panti Rapih. Data diberikan dalam bentuk manual, yaitu berupa map

yang berisi lembaran data pasien, baik hasil pencatatan anamnesa/ gejala penyakit

dan hasil laboratorium serta data diagnosa keperawatan yang mana pasien telah

dirawat inap. Peneliti melakukan pencatatan data pasien dalam format ekstensi xls

yang terdiri dari 10 sheet. Sheet pertama menampung data -data pasien hepatitis

tahun 2010, sheet 2 sampai sheet 10 berturut -turut menampung data-data pasien

hepatitis A, B dan C tahun 2009, 2008, 2007, 2006, 2005, 2004, 2003, 2002,

2001 dan 2000. Data pasien ters ebut terdiri dari feature gejala otot, gejala perut,

gejala kulit , gejala kulit, gejala mata dan hasil diagnosa akhir.

Langkah-langkah Preprocessing yang dilakukan sebagai berikut:

1. Pembersihan Data

Pembersihan Data (data cleaning) merupakan tahap awal dalam pros es

penambangan data. Pada data mentah, terdapat beberapa record yang

mempunyai data yang tidak lengkap (missing value). Pada proses

pembersihan data, record yang mempunyai data yang tidak lengkap tersebut

dibuang. Data yang memenuhi kriteria ini mencakup 5 gejala hepatitis

tersebut, yaitu otot, perut, kulit, mata dan mirip flu. Jika terdapat pasien

yang tidak memenuhi kriteria akan dibuang. Sehingga sumber data mentah


47

yang sebelumnya keseluruhan data terdapat 192 data, setelah dilakukan

pembersihan data menjadi 130 data.

2. Integrasi Data

Pada langkah ini, dilakukan proses penggabungan data. Data mentah yang

didapat disajikan secara terpisah untuk setiap hepatitis baik A, B dan C,

begitu pula dilakukan pemisahan data untuk setiap gejala (otot, perut, kulit,

mata dan mirip flu). Pada penelitian ini dilakukan 2 kali percobaan yang

pertama pengenalan masing-masing gejala hepatitis dan kombinasi. Hal

yang penting dilakukan pada pengenalan kombinasi yaitu penggabungan

data mentah dari gejala satu dengan yang lainny a, misalkan penggabungan

data gejala kulit dan gejala mata.

3. Seleksi Data

Data yang sudah diintegrasikan dikenai proses seleksi data. Pa da proses

seleksi data, dipilih atribut -atribut yang relevan untuk penelitian. Data

mentah yang diperoleh terdiri dari atribut-atribut berikut ini: Gejala Otot

terdiri atas pegal, nyeri sendi, linu-linu, normal. Gejala perut terdiri atas

muntah, mual, diare, kencing berwarna gelap, nafsu makan berkurang, nyeri

perut sebelah kanan, perut acites/perut kembung besar. Gejala Kulit terdiri

atas: normal, kuning, kering, gatal, kemerahan, l embab. Gejala mata terdiri

atas normal dan kuning. Gejala mirip flu terdiri atas demam, pusing, lesu,

mialgia, lelah, menggigil, batuk.


48

4. Transformasi Data

Pada langkah transfomasi data, data st atus pasien penyakit hepatitis rawat

inap diklasifikasikan menjadi hepatitis A, hepatitis B dan h epatitis C. Data

mentah hepatitis yang semula merupakan data berbentuk file teks terdiri

gejala-gejala yang terdiagnosa berupa gejala otot, gejala perut, gejal a kulit,

gejala mata dan gejala mirip flu, sebagaimana tertulis pada tabel 4.2. Gejala

dari tiap pasien tersebut per gejalanya di konversi menjadi nilai 0 sampai 1.

Konversi dari sebuah file yang berbentuk nominal (teks) menjadi nilai 0 -1

ini disebut binerisasi. Hasil binerisasi adalah berupa vektor baris yang

bernilai 0-1 untuk tiap elemennya, setelah melewati proses transformasi data

teks dikonversikan menjadi binerisasi dapat dilihat pada tabel 4.3 dibawah

ini.

Tabel 4.2 Data Nominal Gejala Hepatitis

Feature

HepatitisNo.

GejalaOtot Gejala Perut

GejalaKulit

GejalaMata

GejalaMirip Flu

1 Pegal Muntah Normal Kuning Demam A

2 Pegal Diare Normal Kuning Pusing A

3 PegalKencing Berwarnagelap Normal Normal Demam A

4NyeriSendi Muntah Kuning Normal Pusing A

5NyeriSendi

Nafsu makanberkurang Normal Kuning Pusing B

6 Pegal Mual Kuning Kuning Pusing B

7NyeriSendi Muntah Kuning Kuning Pusing B


49

Pada tabel 4.3 dibawah ini menunjukkan data binerisasi gejala hepatitis

yang berkaitan dengan tabel 4.2 diatas yang semula data asli yaitu data teks,

seperti menyatakan seseorang yang di identifikasi hepatitis A, dengan gejala yang

tampak yaitu gejala otot terdiagnosa pegal, gejala perut terdiagnosa muntah,

gejala kulit terdiagnosa normal serta gejala mata terdiagnosa kuning dan yang

terakhir gejala mirip flu terdiagnosa demam. Dengan melalui langkah

transformasi seperti yang diuraikan pada langkah preprocessing diatas yaitu

dengan mengkonversikan data teks menjadi binerisasi, maka bila dinyatak an

terdiagnosa nilainya dinyatakan ‘1’ sedangkan bila tidak terdiagnosa bernilai ‘0’

seperti yang dinyatakan pada tabel 4.3 berikut ini:

8NyeriSendi

Nyeri Perutsebelah kanan Kuning Kuning Pusing B

9 PegalNyeri Perutsebelah kanan Normal Kuning Demam C

10NyeriSendi Diare Kuning Kuning Lesu C

11 Pegal Mual Kuning Kuning Mialgia C

12 PegalKencing Berwarnagelap Kuning Kuning Menggigil C


50

Tabel 4.3 Data Binerisasi Gejala Hepatitis

4.3 Seleksi Atribut

Pada penelitian ini dilakukan seleksi data, karen a tidak semua data

memenuhi kriteria menjadi data pasien hepatitis yang akurat. Dalam proses

seleksi data ini terdapat dua macam percobaan seperti berikut ini:

a. Percobaan per-gejala

Data yang semula utuh mencakup 5 gejala yang terdiri atas gejala otot,

gejala perut, gejala kulit, gejala mata dan gejala mirip flu. Dilakukan proses

pemisahan data dibagi menjadi per gejala. Tujuan dari percobaan per -gejala

ini untuk menentukan gejala/ feature yang paling berpengaruh pada

pengenalan jenis penyakit hepatitis baik A, B maupun C, berdasarkan 5

gejala/feature yang ada. Dalam percobaan ini akan tampak seberapa banyak

jumlah data yang dikenali untuk masing -masing gejala, kemudian akan

dilakukan sorting (pengurutan) akurasi dari prosentase akurasi tertinggi

hingga terendah.


51

b. Percobaan Kombinasi Gejala (Penggabungan Gejala)

Pada percobaan ini merupakan proses pengenalan akan penyakit hepatitis

berdasarkan gabungan beberapa gejala/ feature hepatitis. Dalam

menggabungan gejala dilakukan berdasarkan gejala dengan akurasi te rbaik

yang ditunjukkan pada tabel akurasi percobaan kombinasi gejala. Yaitu

akurasi tertinggi dimiliki oleh gabungan gejala dengan urutan pertama

adalah mata dan yang kedua adalah gejala mirip flu, dan yang ketiga gejala

otot, maka gejala mata, mirip flu dan otot dikombinasikan, kemudian

dilakukan kembali proses pengenalan hepatitis ini seperti yang dilakukan

dalam percobaan per-gejala, yaitu diurutkan dari prosentase tertinggi hingga

rendah berdasarkan hasil akurasi dari percobaan kombinasi tersebut.

4.4 Hasil dan Akurasi

a. Grafik Akurasi

1. Percobaan per-gejala:

Pada Tabel 4.4 menunjukkan hasil percobaan per -gejala yang didalamnya

terdiri urutan gejala/feature hepatitis beserta hasil prosentase akurasi dari

pengenalan penyakit hepatitis. Berdasarkan Tabel 4.6 ini diperoleh

gejala/feature yang paling berpengaruh dalam pengenalan penyakit

hepatitis.


52

Tabel 4.4 Hasil Akurasi Percobaan per-gejala

No Attribut / feature Akurasi (%)

1. Perut 44,44%

2. Kulit 37,78%

3. Mirip Flu 35,56%

4. Otot 33,33%

5. Mata 16,67%

Pada gambar 4.1 menunjukkan grafik akurasi percobaan per -gejala hepatitis

berdasarkan urutan data gejala dan prosentase hasil akurasi pada tabel 4. 4 hasil

percobaan per-gejala.

Gambar 4.1 Grafik Akurasi Percobaan per -gejala Hepatitis

b. Confusion Matriks Gejala Mata

Pada tabel 4.5 berikut ini menunjukkan confusion matrix gejala mata, ini

diambil berdasarkan prosentase hasil akurasi tertinggi dari percobaan per -gejala


53

diatas. Pada confusion matrix diketahui setiap kolom dari matriks mewakili gejala

hepatitis yang dikenal, sedangkan baris mewakili klasifikasi yang diberikan oleh

system untuk setiap hepatitis.

Tabel 4.5 Confusion Matrix Gejala Perut

A B C

A 26 4 0

B 25 5 0

C 17 4 9

c. Analisis

Dalam proses pengenalan hepatitis A, B dan C, dilakukan 2 percobaan yang

terdiri dari percobaan per-gejala dan percobaan kombinasi gejala, yang masing -

masingnya pertama diberlakukan langkah -langkah preprosesing dengan

menggunakan metode Naive Bayes dan diharapkan memperoleh akurasi yang

terbaik.

Pada tabel 4.7 diatas ditunjukkan hasil percobaan pengenalan hepatitis A, B

dan C menggunakan Naive Bayes. Dari hasil percobaan per-gejala yang telah

dilakukan, akurasi yang terbaik didapat pada percobaan pengenalan gejala perut

mencapai nilai akurasi sama sebesar 44,44%. Nilai akurasi yang diperoleh dari

percobaan per-gejala yang mencakup gejala otot, perut, kulit, mata dan mirip flu,

masing-masing nilai akurasi diurutkan dari nilai tertinggi sampai rendah . Dan

diperoleh urutan prosentase nilai akurasi percobaan per-gejala yaitu gejala perut,

gejala kulit, gejala mirip flu, gejala otot dan gejala mata. Pada tabel 4.7 ini


54

ditunjukkan hasil pengenalan terbaik terdapat pada pengenalan hepatitis A, 26

data A dikenal sebagai hepatitis A, sedangkan pengenalan terburuk terdap at pada

pengenalan hepatitis B dan C, karena hanya 5 data B dikenal sebagai hepatitis B,

begitu pula untuk 9 data C yang dikenal sebagai hepatitis C.

2. Percobaan Kombinasi gejala

Pada tabel 4.8 menunjukkan hasil percobaan kombinasi gejala yang

didalamnya terdiri urutan percobaan kombinasi gejala /feature hepatitis beserta

hasil prosentase akurasi dari pengenalan penyakit hepatitis . Sehingga

berdasarkan tabel 4.6 ini diperoleh gejala/feature yang paling berpengaruh

dalam pengenalan penyakit hepatitis, sehi ngga dapat diperoleh prosentase hasil

akurasi yang terbaik pada kombinasi gejala mata, mirip flu dan otot.

Tabel 4.6 Hasil Akurasi Percobaan kombinasi gejala

Attribut / feature Keterangan Attribut / feature Akurasi (%)

1. Perut, Kulit & Otot 51,11%

2. Perut, Otot, Mirip Flu & Mata 48,89%

3. Perut, Kulit, Mirip Flu & Mata 47,78%

4. Perut, Mirip Flu & Otot 46,67%

5. Perut, Kulit & Mata 45,56%


55

a. Grafik Akurasi

Pada gambar 4.2 menunjukkan grafik akurasi percobaan kombinasi gejala

hepatitis berdasarkan urutan data kombinasi gejala dan prosentase hasil akurasi

pada tabel 4.8 hasil percobaan kombinasi gejala.

Gambar 4.2 Grafik Akurasi Percobaan Kombinasi Gejala Hepatitis

b. Confusion Matriks kombinasi gejala otot,perut dan kulit

Pada tabel 4.9 berikut ini menunjukkan confusion matrix kombinasi gejala

mata, mirip flu dan otot ini diambil berdasarkan prosentase hasil akurasi tertinggi

dari percobaan kombinasi gejala tabel 4.8 diatas. Pada confusion matrix diketahui

setiap kolom dari matriks mewakili geja la hepatitis yang dikenal, sedangkan baris

mewakili klasifikasi yang diberikan oleh s istem untuk setiap hepatitis.


56

Tabel 4.7 Confusion Matrix Kombinasi Gejala

A B C

A 29 1 0

B 18 7 5

C 14 6 10

c. Analisis

Pada tabel 4.7 diatas ditunjukkan hasil percobaan pengenalan hepatitis A, B

dan C menggunakan Naive Bayes. Dari hasil percobaan kombinasi gejala yang

telah dilakukan, maka akurasi yang terbaik diperoleh pada percobaan pengenalan

gejala perut, kulit dan otot sebesar 51,11%. Nilai akurasi yang diperoleh dari

percobaan kombinasi gejala yang mencakup kombinasi gejala pertama yaitu

gejala mata, mirip flu dan otot, yang kedua kombinasi gejala perut, otot, mirip flu

dan mata, yang ketiga kombinasi gejala perut, kulit, mirip flu, dan mata, yang

keempat kombinasi gejala perut, mirip flu dan otot, yang kelima kombinasi gejala

perut, kulit dan mata. Masing-masing nilai akurasi diurutkan dari prosentase hasil

akurasi tertinggi sampai rendah . Pada tabel 4.7 ini ditunjukkan hasil pengenalan

terbaik terdapat pada pengenalan hepatitis A, 29 data A dikenal sebagai hepatitis

A, sedangkan pengenalan terburuk terdapat pada pengenalan hepatitis B dan C,

karena hanya 7 data B dikenal sebagai hepatitis B, begitu pula untuk 10 data C

yang dikenal sebagai hepatitis C.

Dari percobaan yang telah dilakukan maka dapat disimpulkan bahwa untuk

mencapai nilai akurasi yang lebih baik lagi, dibutuhkan tambahan feature atau


57

atribut untuk tahap pengenalan penyakit hepatitis menggunakan Naive Bayes,

yang perlu diperhatikan mungkin untu k penambahan feature hasil laboratorium

seorang pasien penyakit hepatitis, yang mencakup hasil tes darah yang terdiri atas

bilirubin, SGOT dan albumin.

4.5 Implementasi User Interface

Implementasi sistem diagnosa penyakit hepatitis dengan menggunakan

Naive Bayesian ini dibangun dengan menggunakan program matlab R2010.

Source code program terdapat pada halaman Lampiran.

4.5.1 Menu Utama

Gambar 4.3 Menu Utama.

Gambar 4.3 ditunjukkan halaman menu utama sistem yang telah dibuat.

Pada halaman menu utama di tampilkan judul dari sistem yang dibuat dan nama

dari pembuat sistem.terdapat 4 menu pilihan, yaitu:


58

1. Bantuan

Menu bantuan fungsinya untuk penuntun langkah bagi pengguna yang

hendak menjalankan aplikasi ini. Didalam menu bantuan terdiri langkah

untuk menjalankan operasi Uji Sistem dan operasi Klasifikasi.

2. Uji Sistem

Menu pilihan uji sistem digunakan untuk menampilkan halaman Pengujian

Sistem Diagnosa Penyakit Hepatitis dengan menggunakan Naive Bayesian.

3. Klasifikasi

Menu pilihan klasifikasi digunakan untuk s i pengguna bila ingin

mengetahui menderita penyakit hepatitis berjenis A, B atau C, dengan cara

menginputkan gejala-gejala hepatitis terlebih dahulu.

4. Keluar

Pilihan ‘ Keluar’ digunakan untuk keluar dari sistem.


59

4.5.2 Bantuan

Gambar 4.4 Halaman Bantuan

Pada gambar 4.4 ditunjukkan halaman bantuan yang berisi petunjuk

penggunaan sistem, yang terdiri atas petunjuk menjalankan sistem baik dengan

tahap pengujian maupun tahap klasifikasi sistem diagnosa penyakit hepatitis

dengan menggunakan metode Naive Bayes.

4.5.3 Uji Sistem

Gambar 4.5 Halaman Pengujian Sistem


60

Pada gambar 4.5 ditunjukkan halaman pengujian sistem diagnosa penyakit

hepatitis dengan menggunakan metode Naive Bayesian. Jumlah keseluruhan data

adalah 50 data hepatitis A, 50 data hepatitis B dan 30 data hepatitis C. 50 data dari

hepatitis A dan B dibagi menjadi 2 bagian, 10 data digunakan untuk data testing

sedangkan 40 sisa data digunakan untuk data training, begitu juga 30 data

hepatitis C dibagi menjadi 2 bagian, 6 data digunakan untuk data testing sedang

24 sisa data digunakan untuk data training.

Tombol proses digunakan un tuk memulai proses training. Pada layar hasil

ditampilkan 5 hasil tahapan training karena sistem menggunakan metode five-fold

dalam pembagian data. Oleh karena itu ditampilkan juga confusion matrix dari ke-

5 fold tersebut, kemudian disertai jumlah data benar yang dikenali oleh sistem dan

hasil prosentase dari jumlah data benar tersebut. Dan yang terakhir ditampilkan

juga untuk hasil total yang ditunjukkan hasil total data benar beserta prosentase

data benar secara keseluruhan . Jika pengguna atau user belum memilih gejala

yang ada kemudian menekan tombol ‘ Proses’ maka akan tampil dialog error

seperti yang ditunjukkan pada gambar 4. 6 dibawah ini. Untuk melanjutkan proses

dan memilih gejala dapat dilakukan dengan menekan tombol ‘OK‘.

Gambar 4.6 Error Handling


61

Untuk keluar dari halaman pengenalan sistem diagnosa hepatitis digunakan

tombol ‘TUTUP’.

4.5.4 Klasifikasi

Gambar 4.7 Halaman Klasifikasi Sistem

Pada gambar 4.7 ditunjukkan halaman klasifikasi sistem diagnosa penyakit

hepatitis dengan menggunakan metode Naive Bayesian. Di halaman ini user dapat

memasukkan data gejala sesuai dengan yang sedang dialami, gejala dapat dipilih

lebih dari satu dari masing-masing gejala, baik gejala otot, perut, kulit, mata dan

mirip flu, olehkarena itu penulis menggunakan checkbox agar sub gejala dapat

dipilih lebih dari satu. Setelah sudah memilih gejala, tekan tombol ‘PROSES’

untuk menjalankan program pengenalan data masukan yang baru untuk

mengetahui informasi lebih dini pasien memiliki resiko penyakit hepatitis A, B

atau C setelah diuji karakteristik gejala yang ada. Selanjutnya akan ditampilkan


62

pada Hasil Akurasi yang menampilkan prosentase masing -masing hepatitis baik

hepatitis A,B dan C, untuk ha sil akhir akan ditampilkan pada layar ‘OUTPUT’

yang akan menampilkan jenis hepatitis yang dimiliki oleh pasien tersebut, ini

berdasarkan nilai prosentase tertinggi dari ketiga hepatitis yang sudah ditampilkan

nilainya setelah program dijalankan. Jika user belum memasukkan atau memilih

gejala kemudian menekan tombol ‘Proses’ maka akan ditampilkan informasi yag

menyatakan “Selamat Anda Tidak Terdeteksi Hepatitis”, seperti dinyatakan pada

gambar 4.8 dibawah ini.

Untuk keluar dari halaman pengenalan sistem dia gnosa hepatitis digunakan

tombol ‘TUTUP’.

Gambar 4.8 Halaman Klasifikasi Sistem(2)


63

63

Bab V. Penutup

5.1 Kesimpulan

Penerapan algoritma Naive Bayesian telah digunakan untuk

mengklasifikasikan hepatitis A, B dan C berdasarkan data gejala - gejala yang

mendeteksi pasien mengidap penyakit hepatitis. Berdasarkan hasil 2 percobaan

dapat ditarik kesimpulan sebagai berikut

1. Pengujian dilakukan pada data 130 sample dengan menggunakan metode

k-fold cross validation khususnya fivefold cross validation . Dilakukan 2

percobaan dengan hasil sebagai berikut

percobaan per-gejala yang dipilih berdasarkan akurasi tertinggi yaitu

gejala perut menghasilkan tingkat keakuratan sebesar 44,44%

percobaan kombinasi gejala nilai akurasi mencapai 5 1,11, akurasi

tersebut merupakan hasil akurasi pengujian kombinasi gejala perut,

kulit dan otot.

2. Hasil dengan tingkat keakuratan tersebut belum bisa dikatakan baik.

Diperkirakan kurangnya jumlah sample, khususnya untuk data hepatitis C,

dan kurangnya feature/atribut untuk klasifikasi tersebu t berpengaruh pada

tingkat keakuratan klasifikasi , mengingat pentingnya feature / atribut hasil

tes laboratorium dalam penentuan ada tidaknya motif penyakit hepatitis

kiranya diperlukan untuk menaikkan prosentase nilai akurasi dari

pengenalan sistem diagnosa penyakit hepatitis ini.


64

5.2 Saran

Saran yang diperlukan untuk perbaikan dan pengembangan program lebih

lanjut adalah:

1. Untuk meningkatkan akurasi, dapat ditambahkan feature/ atribut hasil

laboratorium yang mendeteksi masing -masing pasien penyakit hepatitis

baik A, B dan C, ini dilakukan saat penelitian dan pengambilan data di

Rekam Medis Rumah Sakit yang bersangkutan.

2. Program bisa menerima masukan tambahan gejala/ feature dari pengguna.

3. Program bisa menampilkan informasi cara pencegahan dan pengobatan

penyakit hepatitis, baik hepatitis A, B dan C.


65

DAFTAR PUSTAKA

Away, Gunaidi Abdia, (2006), The Shortcut Of MATLAB

Programming,Informatika Bandung, Bandung.

J.Han dan M. Kamber, (2006), Data Mining Concept and Techniquies, Second

Edition, Morgan Kaufman Publishers, San Francisco, USA.

Kantardzic Mehmed,(2003), Data Mining -Concept, Models, and Algorithms. New

Jersey: Penerbit IEEE.

Santosa, Budi, (2007), Data Mining Teknik Pemanfaatan Data Untuk Keperluan

Bisnis, Graha Ilmu, Yogyakarta,5 ,75-86.

Suryaatmadja, Marzuki, Diagnosis Laboratorium Hepatitis Virus dengan Penanda

Virus Hepatitis.

http://[email protected]. Diakses tanggal 28 November 2011

Witten, Ian. H., Data Mining Practical Machine Learning Tools and Technique

with Java, Morgan Kaufmann, 2000.


http://[email protected]

L A M P I R A N | 66

LAMPIRAN



Tabel 3.12 Gejala Hepatitis AGejalaOtot Gejala Perut

GejalaKulit

GejalaMata Gejala Mirip Flu Hepatitis

normalmuntah,mual,

npsk,nmb normal kuning demam,batuk A

normalmuntah,mual,

nmb normal normal demam,pusing batuk A

normalmuntah,mual,

npsk,nmb kering kuning demam,pusing A

normalmuntah,mual,

npsk,nmb kuning kuning lesu,batuk Anyerisendi

muntah,mual,npsk,nmb normal normal pusing A

normalkbg,mual,npsk

,nmb normal normal demam A

normal

Ml,npsk,nmb normal normal demam,pusing,batuk A

normal mual,npsk kuning kuning demam A

normalmual,npsk,

nmb kuning normal pusing,lesu Anormal mual,nmb normal normal pusing,lesu,lelah A

normalmual,npsk,

nmb normal normaldemam,pusing,meng

gigil,batuk A

pegalmuntah,kbg,

mual kuning kuning pusing,batuk A

normalmual,npsk,

nmb kuning kuning demam,pusing Anyerisendi

muntah,diare,nmb normal normal demam,batuk A

normalmuntah,mual,

nmb normal normal demam,lesu Anormal mual kuning kuning pusing A

normalmuntah,mual,

nmb normal normal demam,pusing A

normalmuntah,mual,

nmb kuning kuning demam,pusing,lesu Anormal mual normal kuning lesu Anyerisendi diare,mual normal normal demam,pusing,lesu A

normal muntah,diare normal kuning demam,batuk A

normalmuntah,diare,

kbg,mual normal normal pusing, lesu,batuk A

normalmuntah,kbg,mual,nmb, normal normal pusing,lelah,batuk A



npsk

nyerisendi

muntah,kbg,mual,nmb

,npsk normal kuning demam,pusing,batuk Anormal muntah,nmb kuning kuning batuk A

normal

muntah,kbg,mual,nmb

,npsk normal normal pusing A

normalmuntah,mual,

nmb normal kuning demam,pusing Anormal mual,npsk normal normal pusing,batuk A

normalmuntah,diare,

mual normal normal pusing,lesu A

normalmuntah,kbg,mual,nmb kuning kuning demam A

normalmual,npsk,

nmb normal kuningdemam,pusing,lesu,b

atuk A

pegal npskkemerah

an kuning pusing,batuk A

normal

muntah,diare,mual,npsk

,nmb normal kuning demam,pusing,batuk A

normalmuntah,kbg,mual,nmb normal normal demam,pusing,lesu A

normal muntah,mual kuning kuning demam,pusing A

normalmuntah,diare,

mual,npsk normal normaldemam,pusing,lelah,

batuk A

normal

muntah,kbg,mual,npsk,

nmb normal normal batuk Anormal kbg,mual,npsk normal kuning pusing,lelah,batuk A

normalmual,npsk,nm

b normal kuning demam,pusing,lesu Anyerisendi

muntah,mual,npsk normal kuning demam,batuk A

pegal muntah,mual kuning kuning demam,lesu Apegal diare kuning kuning demam,batuk A

normal kbg,mual, kuning kuning demam,lesu A

normalmuntah,mual,

npsk,nmb normal normal demam,pusing,lesu A

normalmuntah,mual,

npsk normal normal demam,lesu,batuk Anyeri muntah,mual normal normal demam,lesu A



sendi

normal mual normal normal demam,pusing Anormal mual normal kuning demam A

normalmual,npsk,

nmb normal normal demam,pusing,batuk A

normalmual,npsk,

nmb normal normal demam,pusing,batuk A

Tabel 3.13 Gejala Hepatitis BGejalaOtot Gejala Perut

GejalaKulit

GejalaMata

Gejala MiripFlu Hepatitis

normalmuntah,kbg,mual,

npsk,nmb gatal kuningdemam,pusing,

lesu,batuk Bpegal mual,npsk normal normal lesu,batuk B

normalmuntah,mual,npsk

,nmb normal normal lesu B

nyeri sendi muntah,mual,nmb normal kuningdemam,pusing,

lesu B

normaldiare,kbg,mual,

nmb normal normal lesu B

pegalmuntah,mual,npsk

,nmb normal kuning lesu B

nyeri sendi muntah,mual normal normaldemam,pusing,

batuk Bpegal,nyeri

sendi diare,mual,npsk kuning kuning demam,batuk Bnormal mual kuning kuning demam,pusing Bnormal mual lembab kuning pusing,lesu Bnormal muntah,npsk normal normal batuk Bnormal mual,nmb normal normal demam,pusing, B


npsk kuning kuning pusing B

normal muntah,mual,nmb kuning kuningdemam,pusing,

lesu,batuk Bpegal muntah,diare,kbg normal normal demam,batuk Bpegal muntah,mual,nmb kuning kuning pusing,lesu Bpegal muntah,mual normal kuning lesu,batuk B

normal diare kuning kuning lesu Bnormal diare kuning kuning lesu Bnormal kbg kuning kuning lesu Bnormal mual normal kuning demam B

normal npskkemera

han normal lesu B



normal mual,nmb kuning kuning pusing,lesu Bnyeri sendi kbg,mual normal kuning batuk B

normal kbg,npsk lembab kuning pusing,lesu Bnormal mual,nmb normal kuning lesu,lelah Bnormal mual,nmb normal kuning lesu,lelah B

nyeri sendi mual,npsk gatal kuning pusing,batuk Bnyeri sendi npsk normal normal demam B


npsk,nmb normal kuning lesu Bnyeri sendi kbg lembab kuning demam,pusing, B

normal mual lembab normal lesu,lelah B

normal kbg,npskkemera

han kuning pusing,batuk Bnormal kbg,mual,npsk kuning kuning pusing B

nyeri sendi muntah,mual,kemera

han normaldemam,lesu,

lelah,menggigil Bnormal muntah,mual,npsk normal kuning demam,lesu B

nyeri sendi muntah,npsk lembab normal lesu Bnyeri sendi muntah,kbg,mual lembab kuning demam B

normal kbg,mual,npsk kering kuning lesu Bnormal diare,kbg kering kuning lesu,lelah B

nyeri sendi mual,npsk lembab kuning lesu B

normal mualkemera

han normal lelah B

normalmuntah,diare,mual

,npsk lembab kuning lesu Bnormal npsk normal normal lesu Bnormal muntah,kbg,mual normal kuning pusing B

pegal muntah,nmb gatal normaldemam,menggi

gil Bnormal mual kuning kuning demam,pusing B

linu-linu nmb normal normal demam,pusing Bnormal kbg,nmb kuning kuning lesu Bnormal muntah,kbg,mual normal kuning pusing B

Tabel 3.14 Gejala Hepatitis CGejalaOtot Gejala Perut

GejalaKulit

GejalaMata

Gejala MiripFlu Hepatitis

normalmuntah,kbg,nmb,

Perut_acites normal normal lesu Cnormal npsk, normal normal demam, C



pusing,lesulinu-linu

muntah,mual,nmb,Perut_acites normal normal

demam,pusing,batuk C

nyerisendi muntah,mual

kemerahan normal demam C

nyerisendi mual normal normal pusing,batuk Cpegal kbg,npsk,nmb normal normal lesu,lelah C

normal mual,Perut_acites lembab kuninglesu,

menggigil C

pegalkbg,mual,nmb,

Perut_aciteskemerah

an kuning lesu,batuk Clinu-linu mual,nmb normal normal lesu C

pegal Perut_acites lembab kuningdemam,pusing C

normalmuntah,diare,

mual normal normal mialgia Cnormal mual,Perut_acites normal normal lesu,lelah Cnormal npsk,nmb normal normal pusing,lesu Clinu-linu mual,nmb lembab normal lelah Clinu-linu mual,nmb normal normal pusing,batuk C

pegal mual normal normal pusing,lesu Cnormal muntah,diare normal normal demam Cnyerisendi

muntah,npsk,Perut_acites normal normal

demam,pusing C

normal mual normal normaldemam,

pusing,lesu Cnormal npsk,nmb normal normal pusing C

normalmuntah,mual,

npsk normal normal lesu Cnyerisendi mual

kemerahan kuning lesu C

normal mual,nmb normal normal lesu,lelah Cnyerisendi npsk normal kuning

demam,pusing,batuk C

nyerisendi muntah,mual lembab normal pusing C

normal mual,Perut_aciteskemerah

an pusing C

pegal Perut_acites normal kuningdemam,pusing C



normal muntah,npsk normal normal pusing,lesu Cnormal mual normal normal lesu,lelah Cnormal muntah,mual normal normal pusing,lesu C

Tabel 3.15 Binerisasi Gejala Hepatitis A

Tabel 3.16 Binerisasi Gejala Hepatitis B

Tabel 3.17 Binerisasi Gejala Hepatitis C



Tabel 4.10 Hasil Percobaan Per -Gejala HepatitisGejala Perut Gejala Kulit Gejala Mirip Flu

26 4 0 29 1 0 30 0 025 5 0 19 4 7 29 0 117 4 9 22 4 4 28 4 2Akurasi =44,44% Akurasi=37,78% Akurasi = 35,56%

Gejala Otot Gejala Mata30 0 0 2 11 1730 0 0 0 7 2330 0 0 1 23 6Akurasi = 33,33% Akurasi = 16,67%

Tabel 4.11 Hasil Percobaan Kombinasi Gejala HepatitisGejala Otot, Perut

& KulitGejala Otot,

Mirip Flu, Perut& Kulit

Gejala Perut &Kulit

29 1 0 28 1 1 29 1 018 7 5 15 5 10 18 7 514 6 10 16 4 10 14 6 10Akurasi = 51,11% Akurasi = 47,77% Akurasi = 51,11%



Gejala Mata,Mirip Flu, Otot,Perut & Kulit

Gejala Mata,Mirip Flu, Otot &

Perut

Gejala Mirip Flu,Otot & Perut


Gejala Mirip Flu,Otot, Perut &

Kulit

Gejala Mata,Perut & Kulit

Gejala Mata,Mirip Flu & Perut


Gejala Mata,Otot, Perut &

Kulit

Gejala Otot &Perut

Gejala Mata,Mirip Flu & Kulit


Gejala Mata, Otot& Perut

Gejala Mata,Mirip Flu, Otot &

Kulit

Gejala Mata &Perut

22 5 3 22 2 0 22 5 318 6 6 8 5 17 18 6 65 15 10 12 13 5 5 15 10

Akurasi = 42,22% Akurasi = 35,56% Akurasi = 42,22%

Gejala Mirip Flu& Otot

Gejala Mirip Flu& Kulit

Gejala Mirip Flu,Perut & Kulit


Gejala Otot &Kulit

Gejala Mata,Mirip Flu & Kulit

Gejala Mata,MiripFlu & Otot




Gejala Mata &Mirip Flu

Gejala Mata &Kulit

Gejala Mata, Otot& Kulit

16 6 8 2 12 16 2 12 1611 6 13 0 6 24 0 6 246 19 5 0 24 6 0 24 6Akurasi = 30% Akurasi = 15,56% Akurasi = 15,56%

Gejala Mata &Otot

2 11 170 7 231 23 6

Akurasi = 16,67%


plagiat merupakan tindakan tidak terpujirepository.usd.ac.id/32510/2/065314045_full.pdf · penyakit...

Documents