IDENTIFIKASI PENYAKIT TUBERKULOSIS ( TB ) PADA MANUSIA ... · PENDAHULUAN 1.1 Latar Belakang Tuberkulosis adalah suatu penyakit menular langsung yang disebabkan oleh kuman TB (Mycobacterium

i

IDENTIFIKASI PENYAKIT TUBERKULOSIS ( TB ) PADA MANUSIA

MENGGUNAKAN METODE NAÏVE BAYESIAN

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Agustin Trihartati S.

NIM : 125314141

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

THE IDENTIFICATION OF TUBERCULOSIS ( TB ) DISEASE IN

HUMANS USING NAÏVE BAYESIAN METHOD

A THESIS

Presented as Partial FulFillment of the Requirements

To Obtain the Sarjana Komputer Degree

In Informatics Engineering Department

By :

Agustin Trihartati S

Student ID : 125314141

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016


iii


iv


v

HALAMAN PERSEMBAHAN

Segala perkara dapat ku tanggung di dalam Dia

yang memberi kekuatan kepadaku.

Filipi 4 : 13

Skripsi ini kupersembahkan untuk :

Tuhan Yesus Kristus

Keluargaku

Sahabat dan Teman-temanku


vi


vii


viii

ABSTRAK

Dalam dunia kesehatan mendiagnosis suatu penyakit adalah tindakan yang

harus dilakukan sedini mungkin agar penyakit yang ditemukan pada tubuh pasien

dapat segera diobati, sehingga tidak menimbulkan kematian. Penyakit

Tuberkulosis (TB) merupakan penyakit yang dapat menimbulkan kematian jika

tidak diketahui dan tidak diobati secara rutin. Oleh karena itu, untuk mengurangi

angka kematian dari penderita Tuberkulosis, pakar kesehatan harus mendiagnosis

penyakit TB sedini mungkin.

Dari data gejala utama, hasil pemeriksaan laboratorium dan hasil rontgen

dapat dimanfaatkan untuk diolah menggunakan teknik penambangan data dengan

menggunakan metode Naïve Bayesian. Metode Naïve Bayesian akan menghitung

probabilitas untuk setiap nilai kejadian dari atribut target pada setiap kasus

(sampel data). Selanjutnya, Naïve Bayesian akan mengelompokkan sampel data

tersebut ke kelas yang mempunyai nilai probabilitas paling tinggi.

Keluaran dari sistem adalah sebuah identifikasi atau sebuah prediksi jenis

TB yang diderita oleh pasien berdasarkan lokasi anatomi yang terserang TB yaitu

TB Paru, TB Ekstra Paru dan tidak TB. Peneliti melakukan pengujian dengan data

sebanyak 237 data dan menggunakan fold bernilai 3, 5, 7 dan 9. Pengujian

dilakukan sebanyak 24 kali dengan rata-rata akurasi tertinggi sebesar 85,95 %.


ix

ABSTRACT

In the world of health diagnosing a disease is an act that should be done

as early as possible in order for the disease were found can be treated

immediately, so it won’t cause a death. Tuberculosis (TB) is a disease that can

cause a death if unrecognized or treated regularly. Therefore, to reduce the death

rate of tuberculosis sufferers, the health experts have to diagnose it as early as

possible.

Based on the main indication data, laboratory test results and the results of

rontgen can be used to be proceed with the data mining techniques using Naïve

Bayesian method. It will calculate the probability for each case values of the

target attribute in every case (sample data). Next, this method will classify the

sample data to the class which has the highest probability value.

The output of the system is an identification or a prediction of a type of

Tuberculosis that suffered by the patients. Researcher conducted a testing with the

data of 237 and using fold in 3, 5, 7 and 9. The tests were done 24 times with the

highest average 85,95%.


x

KATA PENGANTAR

Puji syukur kepada Tuhan Yesus atas berkat-Nya yang melimpah sehingga

penulis dapat menyelesaikan skripsi dengan judul “Identifikasi Penyakit

Tuberkulosis (TB) Pada Manusia Menggunakan Metode Naïve Bayesian”. Dalam

kesempatan ini, penulis ingin mengucapkan terima kasih yang sebesar-besarnya

kepada semua pihak yang turut memberikan semangat, dukungan dan bantuan

hingga selesainya skripsi ini :

1. Tuhan Yesus Kristus atas segala berkatNya yang melimpah.

2. Romo Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen

pembimbing, terima kasih atas bimbingan, saran, waktu dan kesabaran

dalam membimbing dan mengarahkan penulis dalam menyelesaikan tugas

akhir ini.

3. Bapak Eko Hari Parmadi, S.Si., M.Kom. selaku Dosen Penguji.

4. Ibu Dr. Anastasia Rita Widiarti selaku Kaprodi dan Dosen Penguji.

5. Bapak Sudi Mungkasi, S.Si., M.Math. Sc., Ph.D. selaku Dekan Fakultas

Sains dan Teknologi Universitas Sanata Dharma.

6. Bapak Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku dosen pembimbing

akademik.

7. Seluruh staff pengajar Prodi Teknik Informatika Fakultas Sains dan

Teknologi Universitas Sanata Dharma.

8. Kedua orang tua saya, Yusup Sujana dan Lilis Tinae, terima kasih untuk

doa, semangat, perhatian dan dukungan yang diberikan selama

perkuliahan.

9. Kedua kakak saya, Susi Ariani S., S.Pd. dan Lusi Anggraeni S.,

A.md.Kep. terima kasih untuk semangat, doa dan bantuannya yang telah

diberikan.

10. Anak saya Johanes Lintang Sinartha, terima kasih untuk pengertian,

perhatian yang sudah diberikan.


xi

11. Teman hati saya, Bayu Eko Sutrisno., S.Pd. yang sudah memberikan

semangat, dukungan dalam penyelesaianya skripsi ini.

12. Sahabat-sahabatku Ni Putu (peot), Riya (dalah), Monic (mondol) terima

kasih untuk pertemanan kita selama perkuliahan ini. Teman-teman kelas D

mas Eric, Bagus, Lukas, Vitto, Chandra, Bany, Tegar, Andre terima kasih

untuk tawa yang selalu kalian berikan. Teman-teman Teknik Informatika

angkatan 2012, terima kasih untuk kesan yang luar biasa selama

perkuliahan.


xii

DAFTAR ISI

HALAMAN PERSETUJUAN PEMBIMBING………………………………

Error! Bookmark not defined.

HALAMAN PENGESAHAN…………………………………………………


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

PERNYATAAN KEASLIAN KARYA………………………………………


LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI………………… vi

ABSTRAK…………………………………………………………………… vii

ABSTRACT……………………………………………………………………. ix

KATA PENGANTAR………………………………………………………… x

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

DAFTAR GAMBAR………………………………………………………… xiv

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

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

PENDAHULUAN……………………………………………………………….. 1

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

1.2 Identifikasi Masalah…………………………………………………….. 5

1.3 Rumusan Masalah………………………………………………………. 5

1.4 Tujuan Penelitian……………………………………………………….. 5

1.5 Manfaat Penelitian……………………………………………………… 5

1.6 Batasan Masalah………………………………………………………… 6

1.7 Metodologi Penelitian…………………………………………………... 7

1.8 Sistematika Pembahasan………………………………………………... 9

BAB II…………………………………………………………………………... 10

LANDASAN TEORI……………………………………………………………10

2.1 Tuberkulosis…………………………………………………………… 10

2.2 Penambangan Data…………………………………………………….. 13

2.1.1 Pengertian Penambangan Data…………………………………….13


xiii

2.1.2 Pengelompokan Penambangan Data……………………………… 15

2.1.3 Klasifikasi………………………………………………………… 17

2.3 Klasifikasi Naïve bayesian…………………………………………….. 18

2.4 Cross Validation……………………………………………………….. 20

2.5 Akurasi dengan Matrixs Confusion…………………………………… 20

BAB II…………………………………………………………………………... 22

METODOLOGI PENELITIAN………………………………………………. 22

3.1 Data……………………………………………………………………. 22

3.2 Spesifikasi Software dan Hardware…………………………………… 25

3.3 Desain Alat Uji………………………………………………………… 25

3.3.1 Preprocessing……………………………………………………... 26

3.3.2 Pembagian Data…………………………………………………... 27

3.3.3 Pemisah Data………………………………………………………28

3.3.4 Modeling………………………………………………………….. 28

3.3.5 Akurasi……………………………………………………………. 31

3.4 Desain Pengujian………………………………………………………. 32

BAB IV………………………………………………………………………….. 36

ANALISA HASIL DAN IMPLEMENTASI SISTEM...................................... 36

4.1 Analisis Hasil………………………………………………………….. 36

4.2 User Interface………………………………………………………….. 39

BAB V................................................................................................................... 43

PENUTUP……………………………………………………………………… 43

5.1 Kesimpulan……………………………………………………………. 43

5.2 Saran…………………………………………………………………… 43

DAFTAR PUSTAKA…………………………………………………………... 44

LAMPIRAN…………………………………………………………………….. 46


xiv

DAFTAR GAMBAR

GAMBAR 2.1 LANGKAH-LANGKAH PENAMBANGAN DATA ............................. 13

GAMBAR 2.2 BLOK DIAGRAM MODEL KLASIFIKASI ........................................... 17

GAMBAR 3.2 DIAGRAM ALUR PROSES ALAT UJI .................................................. 25

GAMBAR 3.3 DIAGRAM ALUR PENGUJIAN ............................................................. 33

GAMBAR 4.1 GRAFIK RATA-RATA AKURASI ......................................................... 38

GAMBAR 4.2 HALAMAN UTAMA ............................................................................... 39

GAMBAR 4.3 HALAMAN PRE-PREOCESSING .......................................................... 39

GAMBAR 4.4 HALAMAN PROSES ............................................................................... 40

GAMBAR 4.5 HALAMAN CONFUSION MATRIX ........................................................ 40

GAMBAR 4.6 HALAMAN AKURASI ............................................................................ 41

GAMBAR 4.7 HALAMAN GRAFIK AKURASI ............................................................ 41

GAMBAR 4.8 HALAMAN UJI TUNGGAL.................................................................... 42


xv

DAFTAR TABEL

TABEL 2.1 TABEL MATRIXS CONFUSION ............................................................... 20

TABEL 3.1 CONTOH DATA PASIEN TUBERKULOSIS (TB) .................................... 24

TABEL 3.2 CONTOH DATA SETELAH TAHAP PRE-PROCESSING ........................ 27

TABEL 3.3 CONTOH DATA TRAINING ...................................................................... 29

TABEL 3.4 TABEL CONTOH HASIL CONFUSION MATRIX ...................................... 32

TABEL 3.5 PEMBAGIAN 3 FOLD ................................................................................. 33




TABEL 4.1 TABEL HASIL PERCOBAAN .................................................................... 37


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Tuberkulosis adalah suatu penyakit menular langsung yang

disebabkan oleh kuman TB (Mycobacterium tuberculosis). Sebagian besar

kuman TB menyerang paru, tetapi dapat juga mengenai organ tubuh

lainnya (Petunjuk Teknis Manajemen TB Anak, 2013).

Berdasarkan buku Pedoman Nasional Pengendalian Tuberkulosis

(2014), TB sampai saat ini masih merupakan salah satu masalah kesehatan

masyarakat di dunia.

Dalam laporan WHO tahun 2013 :

1. Diperkirakan terdapat 8,6 juta kasus TB pada tahun 2012 dimana

1,1 juta orang meninggal (13%) diantaranya adalah pasien TB

dengan HIV positif. Sekitar 75% dari pasien tersebut berada di

wilayah Afrika.

2. Pada tahun 2012, diperkirakan 450.000 orang menderita TBMDR

dan 170.00 orang diantaranya meninggal dunia.

3. Meskipun kasus dan kematian karena TB sebagian besar pada pria

tetapi angka kesakitan dan kematian wanita akibat TB juga sangat

tinggi. Diperkirakan terdapat 2,9 juta kasus TB pada tahun 2012

dengan jumlah kematian karena TB mencapai 410.000 kasus

termasuk diantaranya adalah 160.000 orang wanita dengan HIV

positif. Separuh dari orang dengan HIV positif yang meninggal

karena TB pada tahun 2012 adalah wanita.

4. Pada tahun 2012 diperkirakan proporsi kasus TB diantara seluruh

kasus TB secara global mencapai 6% (530.000 pasien TB anak/

tahun). Sedangkan kematian anak (dengan status HIV negatif)

yang menderita TB mencapai 74.000 kematian/ tahun, atau sekitar

8% dari total kematian yang disebabkan TB.


2

5. Meskipun jumlah kasus TB dan jumlah kematian TB tetap tinggi

untuk penyakit yang sebenarnya bisa dicegah dan disembuhkan

tetapi fakta juga menunjukkan keberhasilan dalam pengendalian

TB. Peningkatan angka indensi TB secara global telah berhasil

dihentikan dan telah menunjukkan tren penurunan (turun 2% per

tahun pada tahun 2012), angka kematian juga sudah berhasil

diturunkan 45% bila dibanding tahun 1990.

TB dapat diklasifikasikan berdasarkan lokasi anatomi atau lokasi

organ tubuh yang terserang TB yaitu:

1. Tuberkulosis Paru

Adalah TB yang terjadi pada parenkim (jaringan paru). Milier TB

dianggap sebagai TB paru karena adanya lesi pada jaringan paru.

Limfadenitis TB rongga dada (hilus dan atau mediastinum) atau

efusi pleura tanpa terdapat gambaran radiologis yang mendukung

TB pada paru, dinyatakan sebagai TB paru. Pasien yang menderita

TB paru dan sekaligus juga menderita TB Ekstra paru,

diklasifikasikan sebagai pasien TB paru.

2. Tuberkulosis Ekstra Paru

Adalah TB yang terjadi pada organ selain paru, misalnya : pleura,

kelenjar limfe, abdomen, saluran kencing, kulit, sendi, selaput otak

dan tulang. Diagnosis TB Ekstra paru dapat ditetapkan berdasarkan

hasil pemeriksaan bakteriologis atau klinis. Diagnosis TB Ekstra

paru harus diupayakan berdasarkan penemuan Mycobacterium

tuberculosis. Pasien TB Ekstra Paru yang menderita TB pada

beberapa organ, diklasifikasikan sebagai pasien TB Ekstra Paru.

TB umumnya terjadi pada paru (TB Paru). Namun, penyebaran melalui

aliran darah atau getah bening dapat menyebabkan terjadinya TB diluar

organ paru (TB Ekstra Paru). Oleh karena itu, penelitian ini hanya meneliti

tentang klasifikasi TB berdasarkan lokasi anatomi dari penyakit yaitu TB

Paru, TB Ekstra Paru dan tidak TB.


3

Gejala utama pasien TB adalah batuk berdahak selama 2 minggu

atau lebih. Batuk dapat diikuti dengan gejala tambahan yaitu dahak

bercampur darah, batuk darah, sesak nafas, badan lemas, nafsu makan

turun, berat badan menurun, malaise, berkeringat malam hari tanpa

kegiatan fisik, demam meriang lebih dari satu bulan. Gejala-gejala tersebut

dapat dijumpai pula pada penyakit paru selain TB, seperti bronkiektasi,

bronchitis kronis, asma, kanker paru, dan lain-lain. Mengingat penderita

TB di Indonesia saat ini masih tinggi, maka setiap orang yang datang

dengan gejala tersebut diatas, dianggap sebagai seorang terduga pasien

TB, dan perlu dilakukan pemeriksaan dahak secara mikroskopis langsung.

Pemeriksaan dahak salah satunya berfungsi untuk menegakkan diagnosis.

Jika pemeriksaan mikroskopis bernilai negatif maka harus dilaksanakan

pemeriksaan foto rontgen yang mendukung adanya TB.

Indonesia telah mencapai kemajuan yang bermakna dalam upaya

pengandalian TB, namun perlu diwaspadai karena masih ada beberapa

tantangan utama yang harus dihadapi agar tidak menghambat laju

pencapaian target program selanjutnya. Salah satu tantangan terbesar yang

harus dihadapi adalah masih banyak kasus TB yang “hilang” atau tidak

terlaporkan ke program. Pada tahun 2012 diperkirakan ada sekitar 130.000

kasus TB yang diperkirakan ada tetapi belum terlaporkan. Pada tahun

2013 muncul usulan dari beberapa negara anggota WHO yang

mengusulkan adanya strategi baru untuk mengendalikan TB yang mampu

menahan laju infeksi baru, mencegah kematian akibat TB, mengurangi

dampak ekonomi akibat TB dan mampu meletakkan landasan kearah

eliminasi TB. Strategi tersebut dituangkan dalam 3 pilar strategi utama dan

komponen-komponennya. Salah satu komponen dari strategi tersebut

adalah diagnosis TB sedini mungkin. Penelitian ini akan mencoba

mengidentifikasi penyakit TB sedini mungkin dengan gejala utama yang

diderita pasien, hasil pemeriksaan laboratorium dan hasil rontgen.

Data yang digunakan adalah data rekam medis yang dimiliki oleh

Puskesmas yang nantinya akan diolah dan dianalisis untuk melihat ciri-ciri


4

penderita TB. Dari pengolahan data tersebut akan diperoleh suatu pola

gejala, hasil pemeriksaan dahak di laboratorium dan hasil rontgen yang

dimiliki oleh penderita TB. Untuk pengolahan data rekam medis, hasil

pemeriksaan dahak dan hasil rontgen digunakanlah suatu teknologi data

mining salah satunya Naïve Bayesian. Data mining yang dimaksud untuk

memberikan hasil dalam pengambilan keputusan di dunia kesehatan untuk

mengidentifikasi suatu penyakit.

Naïve Bayesian merupakan salah satu metode data mining yang

digunakan pada persoalan klasifikasi berdasarkan pada penerapan teorema

bayesian. Metode Naïve Bayesian akan menghitung probabilitas untuk

setiap nilai kejadian dari atribut target pada setiap sampel data.

Selanjutnya, Naïve Bayesian akan mengklasifikasikan sampel data tersebut

ke kelas yang mempunyai nilai probabilitas tertinggi. Penerapan metode

Naïve Bayesian ini diharapkan dapat membantu menghitung probabilitas

pada sampel data untuk mengidentifikasi adanya penyakit Tuberkulosis

(TB) pada manusia.

Pada penelitian sebelumnya sudah dilakukan penelitian kasus TB

dengan metode yang sama yaitu metode Naïve Bayesian. Pada penelitian

tersebut, peneliti sudah mengelompokkan TB ke dalam beberapa

kelompok yaitu Pulmonary TB yang merupakan TB Paru, TB

miningitis,TB Lymphadenopathy, TB Pleurisy, TB of the Spine,

Urogenital TByang merupakan TB Ekstra Paru. Data yang digunakan

pada penelitian sebelumnya adalah data set, dengan studi kasus daerah

Eropa. Pada penelitian ini, peneliti mencoba menggunakan algoritma yang

sama, dan data yang digunakan merupakan data gejala utama pasien, hasil

pemeriksaan dahak dan hasil rontgen penderita TB berdasarkan buku

Pedoman Nasional Pengendalian Tuberkulosis (2014). Hasil

pengelompokan dari penelitian ini adalah pengelompokkan berdasarkan

lokasi anatomi atau lokasi organ tubuh yang terserang TB yaitu TB Paru,

TB Ekstra Paru dan Tidak TB.


5

1.2 Identifikasi Masalah

Berdasarkan latar belakang yang telah diuraikan diatas, maka dapat

diidentifikasi permasalahan untuk penelitian ini adalah :

1. Perlunya mengetahui apakah metode Naïve Bayesian dapat

mengidentifikasi penyakit Tuberkolusis dengan baik.

1.3 Rumusan Masalah

1. Bagaimana merancang dan membangun metode Naïve Bayesian

untuk mengidentifikasi adanya penyakit Tuberkulosis (TB) pada

manusia berdasarkan gejala, hasil pemeriksaan dahak di

laboratorium dan hasil rontgen?

2. Bagaimana tingkat keakuratan prediksi yang dihasilkan dalam

mengidentifikasi adanya penyakit Tuberkulosis ( TB ) pada

manusia berdasarkan gejala, hasil pemeriksaan dahak di

laboratorium dan hasil rontgen?

1.4 Tujuan Penelitian

Tujuan dari penelitian tugas akhir ini adalah bagaimana merancang

dan membangun metode Naïve Bayesian sebagai salah satu metode dalam

data mining untuk membantu mengidentifikasi adanya penyakit

Tuberkulosis (TB) pada manusia berdasarkan gejala utama, hasil

laboratorium dan hasil rontgen.

1.5 Manfaat Penelitian

Mengetahui bagaimana metode Naïve Bayesian dapat diterapkan

untuk mengidentifikasi penyakit Tuberkolusis (TB) pada manusia

berdasarkan gejala utama, hasil laboratorium dan hasil rontgen.


6

1.6 Batasan Masalah

Dalam identifikasi yang akan dilakukan dalam tugas akhir ini

memiliki batasan-batasan masalah, sebagai berikut :

1. Data yang diolah hanya data yang berhubungan dengan penyakit

pernapasan khususnya penyakit Tuberkolusis (TB).

2. Sumber data yang digunakan ialah data pasien penyakit TB Paru

dan TB Ekstra paru dan pasien tidak menderita TB hanya

berdasarkan data status rekam medis milik beberapa Puskesmas di

Kabupaten Kulon Progo yaitu dilihat dari gejala, hasil pemeriksaan

dahak di laboratorium serta hasil rontgen.

3. Pengelompokkan identifikasi penyakit Tuberkulosis ( TB ) hanya

berdasarkan klasifikasi secara anatomi atau lokasi organ tubuh

yang diserang yaitu TB Paru, TB Ekstra Paru dan Tidak TB

4. Data yang digunakan adalah data excel.

5. Metode yang akan digunakan untuk mengidentifikasi penyakit TB

adalah Metode Naïve Bayesian Classification.

6. Berdasarkan input data gejala, hasil pemeriksaan dahak di

laboratorium dan hasil rontgen, output program ini adalah

identifikasi untuk pasien yaitu menderita penyakit TB Paru atau TB

Ekstra Paru atau tidak menderita TB, serta tingkat keakuratan

prediksi yang dihasilkan.


7

1.7 Metodologi Penelitian

Dalam penyelesaian tugas akhir yang berjudul identifikasi penyakit

tuberkulosis ( TB ) pada manusia menggunakan metode Naïve Bayesian,

akan ditempuh langkah-langkah sebagai berikut :

1. Studi Pustaka

a. Penelitian pustaka, yaitu dengan memperlajari hal-hal yang

berkaitan dengan Data Mining metode Naïve 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.

2. Pengumpulan Data

Metodologi yang kedua adalah pengumpulan data. Data

yang digunakan dalam penelitian ini bersumber dari rekam medis

pasien TB Paru, TB Ekstra Paru dan tidak TB dibeberapa

puskesmas di Kabupaten Kulon Progo.

3. Pembuatan Alat Uji

Metodologi yang ketiga adalah pembuatan alat uji. Pembuatan alat

uji dilakukan dengan teknik penambangan data yang langkah-

langkahnya seperti dibawah ini :

a. Pembersihan data, menghilangkan noise, dan data yang tidak

konsisten.

b. Integrasi data, menggabungkan data dari berbagai sumber data

yang berbeda (data rekam medis, data hasil pemeriksaan dahak

di laboratorium dan data rontgen).

c. Seleksi data dan transformasi data, untuk menentukan kualitas

dari hasil data mining, sehingga data diubah menjadi bentuk

yang sesuai untuk di-mining.


8

d. Penerapan teknik data mining, teknik yang digunakan adalah

teknik Naïve Bayesian.

e. Evaluasi pola yang ditentukan, menampilkan hasil dari teknik

data mining berupa pola yang khas maupun mengukur akurasi.

f. Presentasi pengetahuan, merupakan tahap terakhir dari proses

data mining yaitu memformulasikan keputusan atau aksi dari

hasil analisa yang didapat.

4. Pengujian dan Analisis Hasil

Metodologi yang keempat adalah pengujian dan analisis

hasil. Alat uji yang telah dibuat akan diuji menggunakan data TB

dan selanjutkan hasil dari pengujian akan dianalisis.

5. Pembuatan Dokumen

Metodologi yang terakhir adalah pembuatan dokumen

berdasarkan semua metodologi penelitian yang sudah dilakukan.


9

1.8 Sistematika Pembahasan

Bab I. Pendahuluan

Dalam bab ini berisi tentang latar belakang masalah, identifikasi masalah,

rumusan masalah, tujuan penelitian, batasan masalah, metodologi

penelitian, serta sistematika penulisan.

Bab II. Landasan Teori

Dalam bab ini berisi tentang teori yang dapat menunjang penelitian, yaitu

berupa pengertian penambangan data, proses penambangan data,

klasifikasi dan metode Naïve Bayesian.

Bab III. Analisa dan Perancangan Sistem

Dalam bab ini berisi tentang cara penerapan konsep dasar yang telah

diuraikan pada Bab II untuk menganalisis dan merancang tentang sistem

sesuai tahap-tahap penyelesaian masalah tersebut dengan menggunakan

metode Naïve Bayesian.

Bab IV. Implementasi dan Analisa Sistem

Dalam bab ini berisi tentang implementasi ke program komputer

berdasarkan hasil perancangan yang dibuat, analisis perangkat lunak yang

telah dibuat.

Bab V. Penutup

Dalam bab ini berisi tentang kesimpulan dan saran dari keseluruhan

penulisan tugas akhir.


10

BAB II

LANDASAN TEORI

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

penulisan tugas akhir identifikasi penyakit tuberkulosis ( TB ) pada manusia

menggunakan metode Naïve Bayesian.

2.1 Tuberkulosis

Tuberkulosis adalah suatu penyakit menular langsung yang

disebabkan oleh kuman TB (Mycobacterium tuberculosis). Sebagian besar

kuman TB menyerang paru, tetapi dapat juga mengenai organ tubuh

lainnya (Petunjuk Teknis Manajemen TB Anak, 2013).

Berdasarkan buku Pedoman Nasional Penanggulangan

Tuberkulosis (2014), TB dapat diklasifikasikan berdasarkan lokasi anatomi

dari penyakit atau lokasi organ tubuh yang diserang yaitu:

1. Tuberkulosis Paru

Adalah TB yang terjadi pada parenkim ( jaringan paru ). Milier TB

dianggap sebagai TB paru karena adanya lesi pada jaringan paru.

Limfadenitis TB rongga dada ( hilus dan atau mediastinum ) atau

efusi pleura tanpa terdapat gambaran radiologis yang mendukung

TB pada paru, dinyatakan sebagai TB paru. Pasien yang menderita

TB paru dan sekaligus juga menderita TB Ekstra paru,

diklasifikasikan sebagai pasien TB paru.

2. Tuberkulosis Ekstra Paru

Adalah TB yang terjadi pada organ selain paru, misalnya : pleura,

kelenjar limfe, abdomen, saluran kencing, kulit, sendi, selaput otak

dan tulang. Diagnosis TB paru dapat ditetapkan berdasarkan hasil

pemeriksaan bakteriologis atau klinis.Diagnosis TB Ekstra paru

harus diupayakan berdasarkan penemuan Mycobacterium

tuberculosis.


11

TB umumnya terjadi pada paru ( TB Paru ). Namun, penyebaran melalui

aliran darah atau getah bening dapat menyebabkan terjadinya TB diluar

organ paru ( TB Ekstra Paru ).

Gejala utama pasien TB adalah batuk berdahak selama 2 minggu

atau lebih. Batuk dapat diikuti dengan gejala tambahan yaitu dahak

bercampur darah, batuk darah, sesak nafas, badan lemas, nafsu makan

turun, berat badan menurun, malaise, berkeringat malam hari tanpa

kegiatan fisik, demam meriang lebih dari satu bulan. Gejala-gejala tersebut

dapat dijumpai pula pada penyakit paru selain TB, seperti bronkiektasi,

bronchitis kronis, asma, kanker paru, dan lain-lain. Mengingat penderita

TB di Indonesia saat ini masih tinggi, maka setiap orang yang datang

dengan gejala tersebut diatas, dianggap sebagai seorang terduga pasien

TB, dan perlu dilakukan pemeriksaan dahak secara mikroskopis langsung.

Pemeriksaan dahak berfungsi untuk menegakkan diagnosis, menilai

keberhasilan pengobatan dan menentukan potensi penularan. Pemeriksaan

dahak untuk penegakan diagnosis dilakukan dengan mengumpulkan 3

contoh uji dahak yang dikumpulkan dalam dua hari kunjungan yang

berurutan berupa dahak Sewaktu-Pagi-Sewaktu ( SPS ) :

1. S ( sewaktu ) : dahak ditampung pada saat terduga pasien TB

datang berkunjung pertama kali ke fasyankes. Pada saat pulang,

terduga pasien membawa sebuah pot dahak untuk menampung

dahak pagi pada hari kedua.

2. P ( pagi ) : dahak ditampung dirumah pada pagi hari kedua, segera

setelah bangun tidur. Pot dibawa dan diserahkan sendiri kepada

petugas di fasyankes.

3. S ( sewaktu ) : dahak ditampung di fasyankes pada kedua, saat

menyerahkan dahak pagi.

Pasien ditetapkan sebagai pasien TB apabila minimal 1 ( satu ) dari

pemeriksaan contoh uji dahak SPS hasilnya BTA ( Bakteri Tahan Asam )

positif.


12

Berikut ini adalah diagnosis tuberculosis pada orang dewasa :

1. Diagnosis TB Paru

a. Dalam upaya pengendalian TB secara Nasional, maka

diagnosis TB Paru pada orang dewasa harus ditegakkan

terlebih dahulu dengan pemeriksaan bateriologis.

Pemeriksaan bateriologis yang dimaksud adalah

pemeriksaan mikroskopis langsung, biakan dan tes cepat.

b. Apabila pemeriksaan secara bateriologi hasilnya

negatif,maka penegakan diagnosis TB dapat dilakukan

secara klinis(pemeriksaan tubuh pasien) menggunakan hasil

pemeriksaan klinis dan penunjang (setidak-tidaknya

pemeriksaan foto rontgen) yang sesuai dan ditetapkan oleh

dokter yang telah terlatih TB.

c. Untuk kepentingan diagnosis dengan cara pemeriksaan

dahak secara mikroskopis langsung, terduga pasien TB

diperiksa contoh uji dahak SPS (Sewaktu-Pagi-Sewaktu).

d. Ditetapkan sebagian pasien TB apabila minimal 1 (satu)

dari pemeriksaan contoh uji dahak SPS hasilnya BTA

positif.

2. Diagnosis TB Ekstra paru

a. Diagnosis pada pasien TB Ekstra paru ditegakkan dengan

pemeriksaan klinis (pemeriksaan tubuh pasien),

bakteriologis (pemeriksaan berdasarkan bakteri) dan atas

hiptopatologis (pengamatan terhadap jaringan yang

terserang) dari contoh uji yang diambil dari organ tubuh

yang terkena.

b. Dilakukan pemeriksaan bakteriologis juga apabila juga

ditemukan keluhan dan gejala yang sesuai, untuk

menemukan kemungkinan adanya TB paru.


13

2.2 Penambangan Data

2.1.1 Pengertian Penambangan Data

Data mining, sering juga disebut knowledge discovery in database

(KDD), adalah kegiatan yang meliputi kegiatan pengumpulan, pemakaian

data histori untuk menemukan keteraturan, pola atau hubungan dalam set

data berukuran besar (Santosa, 2007).

Data mining mengacu pada mining knowledge dari data dalam

jumlah besar (Han & Kamber, 2006). Secara umum data mining di kenal

dengan proses Knowledge Discovery from Data (KDD). Proses KDD

tersebut ditunjukkan pada gambar 2.1 sebagai berikut :

GAMBAR 2.1 LANGKAH-LANGKAH PENAMBANGAN DATA

(Han & Kamber, 2006)


14

1. Pembersihan data (data cleaning)

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

Di dalam langkah pembersihan data terdapat proses deteksi

ketidakcocokan data.

2. Integrasi data (data integration)

Pada langkah ini dilakukan penggabungan dari beberapa data yang

berbeda. Data dari bermacam-macam sumber tempat penyimpanan

data akan digabungkan ke dalam satu tempat penyimpanan data

yang sesuai. Hal yang perlu diperhatikan saat melakukan integrasi

data adalah masalah struktur data.

3. Seleksi data (data selection)

Data yang relevan akan diambil dari basis 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. Data ditransformasikan ke dalam bentuk yang tepat

untuk ditambang. Yang termasuk dalam langkah transformasi data

adalah penghalusan (smoothing) yaitu menghilangkan noise yang

ada pada data, pengumpulan (aggregation) yaitu mengaplikasikan

kesimpulan pada data, generalisasi (generalization) yaitu

mengganti data level rendah menjadi data level tinggi,

(normalization) yaitu mengemas data atribut ke dalam 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


15

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 paling penting yaitu melakukan

pengaplikasian metode yang tepat untuk mengk pola data.

6. Evaluasi pola (pattern evaluation)

Pada langkah ini akan dilakukan identifikasi pola yang benar dan

menarik. Pola tersebut akan dipresentasikan dalam bentuk

pengetahuan berdasarkan beberapa pengukuran yang penting.

7. Presentasi pengetahuan (knowledge presentation)

Pada langkah ini informasi yang sudah ditambang akan

divisualisasikan dan dipresentasikan kepada pengguna.

2.1.2 Pengelompokan Penambangan Data

Berdasarkan buku Algoritma Data Mining (2009), Data

mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

dilakukan, yaitu (Lasore,2005) :

1. Deskripsi

Terkadang penelitian dan analis secara sederhana ingin

mencoba mencari cara untuk menggambarkan pola dan

kecenderungan yang terdapat dalam data. Sebagai contoh,

petugas pengumpulan suara mungkin tidak dapat

menemukan keterangan atau fakta bahwa siapa yang tidak

cukup profesional akan sedikit didukung dalam pemilihan

presiden. Deskripsi dari pola dan kecenderungan sering

memberikan kemungkinan penjelasan untuk suatu pola atau

kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel

target estimasi lebih ke arah numerik daripada ke arah

kategori. Model dibangun menggunakan record lengkap


16

yang menyediakan nilai dari variabel target sebagai nilai

prediksi. Selanjutnya, pada peninjauan berikutnya estimasi

nilai dari variabel target dibuat berdasarkan nilai variabel

prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi,

kecuali bahwa dalam prediksi nilai dari hasil akan ada di

masa mendatang.

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori.Sebagai

contoh, penggolongan pendataan dapat dipisahkan dalam

tiga kategori, yaitu pendapatan tinggi, pendapatan sedang,

dan pendapatan rendah.

5. Pengklusteran

Pengklusteran merupakan pengelompokan record,

pengamatan, atau memperhatikan dan membentuk kelas

objek-objek yang memiliki kemiripan. Kluster adalah

kumpulan record yang memiliki kemiripan satu dengan

yang lainnya dan memiliki ketidakmiripan dengan record-

record dalam kluster lain. Pengklusteran berbeda dengan

klasifikasi yaitu tidak adanya variabel target dalam

pengklusteran. Pengklusteran tidak mencoba untuk

melakukan klasifikasi, mengetimasi, atau memprediksi nilai

dari variabel target. Akan tetapi, metode pengklusteran

mencoba untuk melakukan pembagian terhadap

keseluruhan data menjadi kelompok-kelompok yang

memiliki kemiripan (homogen), yang mana kemiripan

record dalam satu kelompok akan bernilai maksimal,

sedangkan kemiripan dengan record dalam kelompok lain

akan bernilai minimal.


17

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan

atribut yang muncul dalam satu waktu.Dalam dunia bisnis

lebih umum disebut analisis keranjang belanja.

2.1.3 Klasifikasi

Klasifikasi merupakan proses pembelajaran suatu fungsi

tujuan (target) f yang memetakan tiap himpunan atribut x ke satu

dari label kelas y yang didefinisikan sebelumya. Fungsi target

disebut juga model klasifikasi.

GAMBAR 2.2 BLOK DIAGRAM MODEL KLASIFIKASI

Ada dua jenis model Klasifikasi, yaitu :

a. Pemodelan Deskriptif (descriptive modelling) : Model

klasifikasi yang dapat berfungsi sebagai suatu alat penjelasan

untuk membedakan objek-objek dalam kelas-kelas yang

berbeda.

b. Pemodelan Prediktif (predictive modelling) : Model

klasifikasi yang dapat digunakan untuk memprediksi label

kelas record yang tidak diketahui.

Teknik Klasifikasi cocok untuk memprediksi atau menggambarkan

data-set dengan tipe biner dan nominal (Hermawati,2013).


18

2.3 Klasifikasi Naïve bayesian

Klasifikasi Naïve Bayesian merupakan salah satu algoritma yang

terdapat pada teknik klasifikasi. Klasifikasi Naïve Bayesian adalah suatu

metode yang didasarkan pada teorema bayes yang ditemukan oleh Thomas

Bayes, yaitu memprediksi peluang dimasa depan terhadap pengalaman

dimasa sebelumnya dengan menggunakan metode probabilitas dan

statistik.Persamaan dari teorema Bayes adalah :

(Tan et al, 2006)

( | ) ( | ) ( )

( ) (2.1)

dalam hal ini :

X = Data dengan class yang belum diketahui (himpunan data

training)

Y = Hipotesis

(Y|X) = Probabilitas posterior, yaitu probabilitas bersyarat dari

hipotesis Y berdasarkan kondisi X.

(Y) = Probabilitas prior dari hipotesis Y, yaitu probabilitas bahwa

hipotesis Y bernilai benar sebelum data X muncul.

(X) = Probabilitas dari data X

(X|Y) = Probabilitas bersyarat dari X berdasarkan kondisi pada

hipotesis Y, dan biasa disebut likehood.


19

Klasifikasi Naïve Bayesian beranggapan bahwa pengaruh dari nilai

atribut pada kelas tertentu tidak bergantung pada nilai-nilai dari atribut

lainnya, kondisi seperti ini dinyatakan dengan rumus seperti berikut :

(Han & Kamber, 2006)

( | ) ( ) ( ) ( ) ( )

( ) (2.2)

Keterangan :

X = Himpunan data training

Y = Hipotesis

(Y|X) = Probabilitas prior dari hipotesis Y, yaitu probabilitas

bersyarat dari hipotesis Y berdasarkan kondisi X

(Y) = Probabilitas prior dari hipotesis Y, yaitu probabilitas bahwa

hipotesis Y bernilai benar sebelum data X muncul.

(X) = probabilitas dari data X.

P(X1│Y)P(X2│Y)..P(Xn│Y)P(Y) = Probabilitas dari X1, X2, Xn untuk

hipotesis Y, biasa disebut dengan likehood.

Karena P(X) irrelevant, maka untuk mencari peluang hanya menggunakan

rumus berikut ini : (Han & Kamber, 2006)

( | ) ( | ) ( | ) ( | ) ( ) (2.3)

Jika nilai P(Xn|Y) adalah 0, maka nilai P(Y|X) = 0. Maka klasifikasi Naïve

Bayesian tidak bisa dilakukan, karena klasifikasi Naïve Bayesian tidak bisa

memprediksi record yang salah satu atributnya memiliki probabilitas

bersyarat (likehood) = 0. Untuk mengatasi hal tersebut, dilakukan

penambahan nilai 1 ke setiap evidence / P(X) dalam perhitungan sehingga

probabilitas tidak akan bernilai 0.


20

2.4 Cross Validation

Pada pendekatan cross validation, setiap data digunakan dalam

jumlah yang sama untuk pelatihan dan tepat satu kali untuk pengujian.

Bentuk umum pendekatan ini disebut dengan k-fold cross validation, yang

memecah set data menjadi k bagian set data dengan ukuran yang sama.

Setiap kali berjalan, satu pecahan berperan sebagai set data uji sedangkan

pecahan lainnya menjadi set data latih. Prosedur tersebut dilakukan

sebanyak k kali sehingga setiap data berkesempatan menjadi data uji tepat

satu kali dan menjadi data latih sebanyak k-1 kali. Total error didapatkan

dengan menjumlahkan semua error yang didapatkan dari k kali proses

(Prasetyo,2014).

2.5 Akurasi dengan Matrixs Confusion

Matrixs confusion merupakan tabel yang mencatat hasil kerja

klasifikasi. Contoh matrixs confusion ditunjukkan pada tabel berikut :

TABEL 2.1 TABEL MATRIXS CONFUSION

fij kelas hasil prediksi (j)

kelas = 1 kelas = 0

kelas asli(i) kelas = 1 f11 f10

kelas = 0 f01 f00

Tabel 2.1 merupakan contoh matrixs confusion yang melakukan klasifikasi

masalah biner (dua kelas) untuk dua kelas, misalnya kelas 0 dan 1. Setiap

sel fij dalam matrix menyatakan jumlah record/data dari kelas i yang hasil

prediksinya masuk ke kelas j. Misalnya sel f11 adalah jumlah data dalam

kelas 1 yang secara benar dipetakan ke kelas 1, dan f10 adalah data dalam

kelas 1 yang dipetakan secara salah ke kelas 0. Berdasarkan isi matrixs

confusion, maka dapat diketahui jumlah data dari masing-masing kelas

yang diprediksi secara benar yaitu ( f11 + f00 ) dan data yang diklasifikasi

secara salah yaitu ( f10 + f01 ). Kuantitas matrixs confusion dapat


21

diringkas menjadi dua nilai, yaitu akurasi dan laju error. Dengan

mengetahui jumlah data yang diklasifikasikan secara benar, maka dapat

diketahui akurasi hasil prediksi, dan dengan mengetahui jumlah data yang

diklasifikasikan secara salah maka dapat diketahui laju error dari prediksi

yang dilakukan. Dua kuantitas ini digunakan sebagai matrix kinerja

klasifikasi. Untuk menghitung akurasi digunakan formula sebagai berikut :

(Prasetyo, 2014)


22

BAB III

METODOLOGI PENELITIAN

Pada bab ini akan dijelaskan analisa data dan analisa sistem yang akan dibuat

untuk identifikasi penyakit tuberkulosis ( TB ) pada manusia menggunakan

metode Naïve Bayesian.

3.1 Data

Penelitian ini dimulai dengan studi pustaka yang berhubungan

dengan metode dan penyakit TB. Selanjutnya adalah proses pengumpulan

data. Data yang akan digunakan diambil dari beberapa puskemas di

Kabupaten Kulon Progo yang berasal dari rekam medis pasien yang

menderita TB Paru, TB Ekstra Paru dan tidak menderita TB tetapi

memiliki gejala yang hampir sama dengan TB. Data dari rekam medis

akan diolah terlebih dahulu oleh petugas kesehatan untuk menemukan data

yang mendukung adanya penyakit TB pada pasien seperti batuk, sesak

napas, berat badan turun, demam, batuk darah dan hasil pemeriksaan

dahak atau hasil foto rontgen. Jika petugas sudah mengumpulkan data

tersebut maka petugas akan membacakan data tersebut kepada peneliti,

sehingga data yang didapat oleh peneliti sudah siap untuk diolah.

Untuk mengidentifikasi dini penyakit TB dapat dikaji dari gejala-

gejala yang dialami, seperti batuk lebih dari 2 minggu, demam, berat

badan turun, sesak napas dan batuk berdarah. Selain itu, pada data rekam

medis juga disimpan data hasil pemeriksaan laboratorium pasien dan hasil

pemeriksaan foto rontgen. Hasil pemeriksaan laboratorium berbentuk data

dengan keterangan negatif (-), positif (+1, +2, +3) dengan keterangan tidak

terdapat bakteri pada dahak (negatif) dan terdapat bakteri pada dahak

(positif), tingkat banyaknya bakteri pada dahak dapat digambarkan dengan

keterangan (+1, +2, +3). Keterangan pemeriksaan dahak ini didapat dari


23

pemeriksaan dahak pasien dengan label A, B dan C dengan keterangan A

adalah dahak sewaktu datang periksa, B adalah dahak pagi keesokan hari,

C adalah dahak terakhir sewaktu periksa kembali. Selain itu terdapat juga

data hasil pemeriksaan foto rontgen dengan keterangan positif dan negatif .

Data status pasien yang terdiri dari gejala batuk lebih dari 2

minggu, demam, berat badan turun, sesak napas, batuk berdarah, hasil

pemeriksaan laboratorium dan hasil pemeriksaan foto rontgen tersebut

akan diteliti apakah mempengaruhi hasil diagnosis pasien yang

bersangkutan. Untuk meneliti apakah ada keterkaitan antara data pasien

dengan hasil diagnosis, akan dilakukan proses penambangan data.

Penambangan data akan menemukan informasi/pengetahuan dengan

mendeskrisikan apakah pasien menderita TB atau tidak dengan melihat

gejala dan hasil pemeriksaan laboratorium. Data status pasien ini adalah

pasien yang terdiagnosis TB Paru, TB Ekstra Paru dan bukan TB dari

beberapa puskesmas di Kulon Progo. Contoh data dapat dilihat pada Tabel

3.1 dibawah ini.


24

TABEL 3.1 CONTOH DATA PASIEN TUBERKULOSIS (TB)

batuk>2

minggu demam

BB

turun

sesak

napas

batuk

darah A B C Rontgen Kelas

ya tidak ? tidak tidak neg neg neg ? paru

ya ya tidak ya tidak 3 3 3 neg paru

ya tidak tidak tidak tidak neg neg neg pos ekstra

paru

ya ya ya tidak tidak 1 2 1 neg paru

ya tidak ya ya tidak neg neg neg ? paru

ya ya tidak tidak tidak neg neg neg neg tidak

ya tidak tidak tidak tidak neg neg neg neg tidak

ya tidak tidak tidak tidak neg neg neg neg tidak

ya ya ya ya tidak 3 3 3 neg paru

ya tidak ya ya tidak neg neg 1 pos paru

ya tidak tidak ya tidak neg neg neg pos ekstra

paru

ya tidak tidak tidak ya 1 neg neg pos paru

ya tidak tidak ya ya neg neg neg neg tidak


25

3.2 Spesifikasi Software dan Hardware

Spesifikasi software dan hardware yang digunakan dalam

implementasi sistem ini adalah :

Bahasa pemrograman : MATLAB R2012b

Processor : AMD E-300 APU with Radeon(tm) HD

Graphics 1.30 GHz

Memory : 2,00 GB

Operating System (OS) : Windows 7 Ultimate SP1 32 bit

3.3 Desain Alat Uji

Berikut ini adalah alur atau tahapan proses yang dilakukan pada

alat uji :

pasien 1. preprocessing

Data gejala, hasil lab dan

rontgen

4. modeling

naive bayesian

2. pembagian

data dengan k-

fold validation


rontgen

Data Testing

Data Training

Label Hasil Prediksi Data

Testing

5. akurasi

confusion matrixakurasi

Data hasil

preprocessing

3. Pemisah Data

Label Data TestingData Testing


rontgen

Label data Testing

GAMBAR 3.1 DIAGRAM ALUR PROSES ALAT UJI


26

3.3.1 Preprocessing

Pada tahap pre-processing akan dilakukan tahap

pembersihan data, integrasi data,seleksi data dan transformasi data.

Data mentah akan diubah menjadi data dalam bentuk angka atau

dalam bentuk label dengan keterangan seperti berikut :

1. Untuk kolom satu sampai lima

a. Tidak = 1

b. Ya = 2

2. Untuk kolom enam sampai delapan

a. Negatif = 0

b. Jika nilai tidak negatif maka akan tetap diisi dengan angka

sesuai dengan data.

3. Untuk kolom sembilan

a. Positif = 1

b. Negatif = 0

4. Untuk kolom 10

a. Tidak = 1

b. Paru = 2

c. Ekstra Paru = 3

Pada tahap pre-processing ini juga dilakukan tahap mengisi data

yang tidak diketahui nilainya. Untuk setiap data yang tidak

diketahui nilainya akan diberi label 0. Dan untuk setiap data yang

tidak memiliki kelas akan dihapus. Tabel 3.2 adalah contoh data

yang sudah melewati tahap pre-processing.


27

TABEL 3.2 CONTOH DATA SETELAH TAHAP PRE-PROCESSING

batuk>2

minggu demam

BB

turun

sesak

napas

batuk


2 2 2 2 1 3 3 3 0 2

2 1 0 1 1 0 0 0 0 2

2 2 1 2 1 3 3 3 0 2

2 1 1 1 1 0 0 0 1 3

2 2 2 1 1 1 2 1 0 2

2 1 2 2 1 0 0 0 0 2

2 2 1 1 1 0 0 0 0 1

2 1 1 1 1 0 0 0 0 1

2 1 1 1 1 0 0 0 0 1

2 2 2 2 1 3 3 3 0 2

2 1 2 2 1 0 0 1 1 2

2 1 1 2 1 0 0 0 1 3

2 1 1 1 2 1 0 0 1 2

3.3.2 Pembagian Data

Pada tahap ini dilakukan pembagian data yaitu data training

dan data testing menggunakan cross validation yaitu k-fold

validation. Percobaan yang dilakukan menggunakan 4 jenis k-fold

yaitu 3, 5, 7 dan 9 fold. Data akan dibagi sesuai dengan jumlah k,

dengan jumlah data yang sama rata. Data yang sudah dibagi nanti

akan menjadi data testing dan data training. Setiap percobaan akan

mengambil 1 data testing dan data yang lainnya akan digunakan

sebagai data training, pada percobaan selanjutnya data testing akan

menjadi data training dan sebaliknya.


28

3.3.3 Pemisah Data

Pada tahap ini data testing akan dipisah menjadi 2 bagian.

Bagian pertama adalah bagian data yang memiliki isi semua data

gejala, data laboratorium dan hasil rontgen. Bagian kedua adalah

label data atau kelas akhir yang berisi TB Paru, TB Ekstra Paru dan

tidak TB. Data bagian pertama akan di uji pada proses modeling

dan akan menghasilkan label baru hasil prediksi. Setelah itu, label

testing asli dengan label testing hasil prediksi akan di bandingkan

dengan confusion matrix pada proses 5.

3.3.4 Modeling

Pada tahap ini dilakukan proses penambangan data

menggunakan algoritma Naïve Bayesian. Data yang sudah diolah

pada tahap sebelumnya akan diolah menggunakan perhitungan

algoritma. Data yang akan diolah adalah data testing berdasarkan

data training. Berikut adalah tahap yang akan dilakukan untuk

mengolah data TB menggunakan metode Naïve Bayesian. Data

yang akan digunakan adalah data yang sudah melewati proses

preprocessing dan proses pembagian data.

1. Data yang digunakan adalah data training dan data testing.

Data testing adalah data yang dicari hasil akhirnya

sedangkan data training adalah data yang akan digunakan

untuk menentukan hasil akhir atau label dari data testing.

2. Data testing yang sudah siap akan dipisahkan dari labelnya,

sehingga terdapat 2 kelompok untuk data testing yaitu

kumpulan data gejala, hasil laboratorium dan hasil rontgen

sedangkan kelompok yang kedua yaitu kelompok label dari

data training yang asli dengan isian TB paru, TB Ekstra

Paru atau tidak TB.

3. Data Testing yang tidak memiliki label akan melakukan

perulangan untuk dihitung nilai probabilitas dari setiap data


29

dengan berdasarkan data training. Di bawah ini merupakan

contoh perhitungan untuk mencari nilai probabilitas dari

setiap data, data testing yang akan dihitung dilambangkan

dengan X. Tabel 3.3 adalah contoh data training.

TABEL 3.3 CONTOH DATA TRAINING

batuk>2

minggu demam

BB

turun

sesak

napas

batuk


2 2 2 2 1 3 3 3 0 2

2 1 0 1 1 0 0 0 0 2

2 2 1 2 1 3 3 3 0 2

2 2 2 1 1 1 2 1 0 2

2 1 2 2 1 0 0 0 0 2

2 2 1 1 1 0 0 0 0 1

2 1 1 2 1 0 0 0 0 1

2 1 1 1 1 0 0 0 0 1

2 1 1 2 1 0 0 0 1 3

2 1 2 1 1 0 0 0 0 3

Tabel 3.3 memperlihatkan data training dengan atribut batuk >

2minggu, demam, berat badan turun, sesak napas, batuk berdarah,

hasil pemeriksaan laboratorium dengan atribut A, B, C,

rontgensedangkan atribut kelas adalah pasien memiliki penyakit

TB Paru, TB Ekstra Paru dan tidak TB. Berikut ini adalah

penyelesaian contoh kasus menggunakan algoritma Naïve

Bayesian:

Terdapat dua kelas dari klasifikasi yang dibentuk yaitu :

Y1 =TB Paru

Y2 =TB Ekstra Paru

Y3 = tidak TB


30

Data yang akan diklasifikasikan adalah X = (batuk > 2 minggu =

ya, demam = tidak, berat badan turun = tidak, sesak napas = ya,

batuk berdarah = tidak, A = negatif, B = negatif, C = negatif,

rontgen = negatif). Langkah-langkah perhitungan sebagai berikut :

a. Mencari P(Y), sebagai berikut :

P(Y) merupakan prior probability untuk setiap kelas

berdasarkan data yaitu :

( )

( )

( )

( )

b. Menghitung probabilitas

Probabilitas untuk TB Paru

P(TB Paru) P(batuk>2 minggu = ya|TB Paru)

P(demam = tidak|TB Paru) p(berat badan turun =

tidak|TB paru) P(sesak napas = ya|TB paru) P(batuk

berdarah = tidak|TB Paru) P(A=negatif|TB Paru)

P(B=negatif|TB Paru) P(C=negatif|TB Paru)

P(rontgen=negatif|TB Paru)=

0.001536

Probabilitas untuk TB Ekstra Paru

P(TB Ekstra Paru) P(batuk>2 minggu = ya| TB

Ekstra Paru) P(demam = tidak| TB Ekstra Paru)

P(berat badan turun = tidak|TB Ekstra Paru) P(sesak

napas = ya| TB Ekstra Paru) P(batuk berdarah =

tidak| TB Ekstra Paru) P(A=negatif| TB EkstraParu)

P(B=negatif| TB Ekstra Paru) P(C=negatif| TB


31

EkstraParu)P(rontgen=negatif| TB Ekstra Paru)=

0.025

Probabilitas untuk tidak TB

P(tidak TB) P(batuk>2 minggu = ya| tidak TB)

P(demam = tidak| tidak TB) P(berat badan turun =

tidak| tidak TB) P(sesak napas = ya| tidak TB)

P(batuk berdarah = tidak| tidak TB) P(A=negatif|

tidak TB) P(B=negatif| tidak TB) P(C=negatif| tidak

TB)=

0.6

c. Setelah melakukan perhitungan probabilitas, akan

dibandingkan hasil yang lebih besar antara TB Paru, TB

Ekstra Paru dan tidak TB. Berdasarkan perhitungan data X

termasuk data pasien tidak TB dengan nilai probabilitas

sebesar 0,6.

Berdasarkan hasil perhitungan probabilitas diatas, maka hasil dari

data X adalah tidak TB sehingga label yang akan muncul yaitu

angka 1 untuk data X.

4. Hasil yang didapat dari langkah 3 akan dimasukkan pada label

baru. Setelah semua data testing dihitung dan diprediksi maka akan

terbentuk label baru yang berisi hasil prediksi dari data testing.

5. Label hasil prediksi akan dibandingkan dengan label asli dari data

X.Hasil perbandingan akan masuk ke tahap akurasi dengan

menggunakan confusion matrix.

3.3.5 Akurasi

Setelah dilakukan proses modeling, maka akan dilakukan

proses menghitung akurasimenggunakan confusion matrix, yaitu

dengan menjumlahkan data yang benar dan membaginya dengan

semua data baik yang benar maupun yang salah dan dikalikan

dengan 100%. Berikut adalah tabel contoh hasil confusion matrix.


32

TABEL 3.4 TABEL CONTOH HASIL CONFUSION MATRIX

KELAS TB PARU TB EKSTRA

PARU TIDAK TB

TB PARU A B C

TB EKSTRA

PARU D E F

TIDAK TB G H I

Berdasarkan Tabel 3.4 diatas, jumlah akurasi dari setiap percobaan

dapat dihitung menggunakan rumus akurasi sebagai berikut.

Jumlah data yang diprediksi secara benar adalah data yang

terletak pada garis diagonal yaitu data A+E+I. Jumlah prediksi

yang dilakukan adalah jumlah semua hasil perhitungan confusion

matrix yaitu A+B+C+D+E+F+G+H+I. Setelah itu nilai akurasi

dapat dikalikan dengan 100%.

3.4 Desain Pengujian

Setiap data yang sudah melalui proses pembagian data akan diuji

pada proses modeling dengan metode Naïve Bayesian. Berikut ini adalah

tahap proses pengujian :


33

Label data training hasil

prediksi

akurasi

confusion matrix

akurasi

modeling naive

bayesian

Pemisah data

Data Testing

Label Data Testing

Data Training

Data Testing

Data gejala, lab dan rontgen

label

GAMBAR 3.2 DIAGRAM ALUR PENGUJIAN

alur pengujian akan dilakukan sebanyak jumlah k sesuai dengan k-fold

yang digunakan. Di bawah ini merupakan tabel pengujian dengan

menggunakan data training dan data testing sesuai dengan jumlah k yang

digunakan.

TABEL 3.5 PEMBAGIAN 3 FOLD

Pengujian Training Testing

1 1, 2 3

2 1, 3 2

3 2, 3 1


34

Tabel 3.5 merupakan tabel pembagian data berdasarkan 3 fold. Semua data

akan dibagi 3 sama rata dan akan digunakan secara bergantian sebagai data

training dan data testing sesuai dengan Tabel 3.5.



1 1, 2, 3, 4 5

2 1, 2, 3, 5 4

3 1, 2, 4, 5 3

4 1, 3, 4, 5 2

5 2, 3, 4, 5 1






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

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

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

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

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

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

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





35



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

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

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

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

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

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

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

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

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





36

BAB IV

ANALISA HASIL DAN IMPLEMENTASI SISTEM

Pada bab ini akan dibahas hal-hal yang berkaitan dengan implementasi sistem,

hasil yang didapatkan dari pengujian-pengujian yang akan dilakukan, serta

analisis dari hasil pengujian.

4.1 Analisis Hasil

Berdasarkan hasil pengujian yang dilakukan dengan menggunakan

klasifikasi Naïve Bayesian dan dengan menggunakan k-fold validation,

didapat hasil akurasi seperti tabel 4.1 berikut ini.


37

TABEL 4.1 TABEL HASIL PERCOBAAN

Feature/Metode Akurasi

Akurasi Rata-

Rata

Gejala

3 Fold 58,29

58,08

5 Fold 57,44

7 Fold 57,45

9 Fold 59,14

Lab

3 Fold 68,08

68,08

5 Fold 68,08

7 Fold 68,08

9 Fold 68,08

Gejala dan Lab

3 Fold 70,63

69,3575

5 Fold 68,08

7 Fold 69,36

9 Fold 69,36

Gejala dan Rontsen

3 Fold 69,36

68,6125

5 Fold 68,08

7 Fold 68,08

9 Fold 68,93

Lab dan Rontsen

3 Fold 85,95

85,95

5 Fold 85,95

7 Fold 85,95

9 Fold 85,95

Gelaja, Lab dan Rontsen

3 Fold 85,53

85,21

5 Fold 85,53

7 Fold 84,68

9 Fold 85,1

Tabel 4.1 merupakan tabel dari hasil akurasi dari semua percobaan yang

dilakukan sebanyak dua puluh empat kali. Dari dua puluh empat pengujian

dengan penggunaan data yang berbeda dan dengan jumlah fold yang

berbeda didapat hasil klasifikasi dan hasil akurasi yang berbeda-beda.

Hasil akurasi yang paling tinggi sebesar 85,95 dengan hanya menggunakan


38

feature lab dan rontgen, untuk 3 fold, 5 fold, 7 fold dan 9 fold

menghasilkan akurasi yang sama. Sedangkan hasil akurasi paling rendah

sebesar 57.44 dengan hanya menggunakan feature gejala dan dengan

menggunakan 5 fold. Grafik hasil rata-rata akurasi pengujian ditunjukkan

melalui gambar 4.1 dibawah ini:

GAMBAR 4.1 GRAFIK RATA-RATA AKURASI

Gambar 4.1 merupakan grafik akurasi rata-rata. Percobaan dilakukan

dengan feature/atribut yang berbeda. Setiap feature/atribut akan dilakukan

percobaan dengan empat fold yang berbeda yaitu 3 fold, 5 fold, 7 fold dan

9 fold. Hasil akurasi dari setiap fold dirata-rata untuk mencari nilai

maksimal dari percobaan berdasarkan feature/atribut. Berdasarkan hasil

rata-rata akurasi terbesar adalah percobaan menggunakan feature/atribut

lab dan rontgen. Sedangkan hasil rata-rata akurasi terkecil adalah

percobaan menggunakan feature/atribut gejala. Gejala memiliki hasil rata-

rata akurasi terendah. Hal ini dikarena gejala utama pasien TB seperti

batuk lebih dari 2 minggu, sesak napas, berat badan turun, demam, batuk

darah dapat dijumpai pula pada penyakit paru selain TB, seperti

bronkiektasi, bronchitis kronis, asma, kanker paru, dan lain-lain. Oleh

karena itu dibutuhkan data pendukung lainnya seperti hasil pemeriksaan

dahak di laboratorium dan hasil rontgen. Data hasil pemeriksaan dahak di


39

laboratorium dan hasil rontgen sangat berpengaruh terhadap proses

klasifikasi, hal ini dapat dilihat dari hasil akurasi rata-rata dengan

feature/atribut lab dan rontgen yang menghasilkan nilai sebesar 85.95 %

yang merupakan akurasi tertinggi dalam penelitian ini.

4.2 User Interface

Untuk mempermudah dalam melakukan tahap klasifikasi pada

penelitian ini dibuat user interface. User interface ini dibuat untuk

membantu dalam proses preprocessing, proses klasifikasi dan proses hasil

akurasi. Berikut merupakan halaman utama dalam penelitian ini :

GAMBAR 4.2 HALAMAN UTAMA

Halaman pre-processing digunakan untuk menampilkan data yang sudah

melalui proses pre-processing. Implementasi menu preprocessing dapat

dilihat pada gambar dibawah ini :

GAMBAR 4.3 HALAMAN PREPROCESSING


40

Halaman proses akan digunakan untuk melakukan proses pemilihan data

yang akan digunakan, pemilihan jumlah fold dan melalukan proses

klasifikasi. Implementasi menu proses dapat dilihat pada gambar dibawah

ini :

GAMBAR 4.4 HALAMAN PROSES

Halaman Confusion Matrix digunakan untuk menampilkan hasil

perhitungan Confusion Matrix akhir yang didapat dari semua percobaan.

Implementasi halaman Confusion Matrix dapat dilihat pada gambar

dibawah ini :

GAMBAR 4.5 HALAMAN CONFUSION MATRIX


41

Halaman akurasi digunakan untuk menampilkan hasil akurasi akhir yang

didapat dari semua percobaan. Implementasi halaman akurasi dapat dilihat

pada gambar dibawah ini :

GAMBAR 4.6 HALAMAN AKURASI

Halaman akurasi untuk setiap fold yang dipilih digunakan untuk

menampilkan diagram akurasi untuk setiap percobaan yang dilakukan

berdasarkan jumlah fold. Implementasi halaman tersebut dapat dilihat pada

gambar berikut ini :

GAMBAR 4.7 HALAMAN GRAFIK AKURASI


42

Halaman uji data tunggal digunakan untuk menguji satu data. Pada

halaman ini masukkan diambil dari menu pop up yang dipilih. Keluaran

dari proses uji data tunggal adalah kelas hasil prediksi yaitu Paru, Ekstra

Paru atau Tidak TB. Implementasi halaman uji data tunggal dapat dilihat

pada gambar berikut ini :

GAMBAR 4.8 HALAMAN UJI TUNGGAL


43

BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil penelitian ini, dengan menggunakan metode Naïve

Bayesian untuk melakukan identifikasi adanya penyakit Tuberkulosis pada

manusia berdasarkan gejala utama, hasil pemeriksaan laboratorium dan

hasil rontgen, dapat diambil kesimpulan, sebagai berikut :

1. Metode Naïve Bayesian dapat melakukan identifikasi dari data

penyakit Tuberkulosis.

2. Algoritma Naïve Bayesian hanya memberikan hasil prediksi yang

diambil dari nilai tertinggi hasil perhitungan probabilitas

berdasarkan data gejala, hasil laboratorium dan hasil rontgen.

3. Penggunaan metode pemilihan data atau memilih feature/atribut

yang digunakan untuk proses klasifikasi sangat berpengaruh

terhadap hasil klasifikasi.

4. Dari pengujian sebanyak 24 kali dihasilnya rata-rata akurasi terbaik

sebesar 85,95% dengan hanya menggunakan data hasil

laboratorium dan hasil rontgen. Rata-rata akurasi terendah sebesar

58,08 dengan hanya menggunakan data gejala.

5.2 Saran

Saran untuk penelitian akhir ini adalah :

1. Data ditambah lebih banyak untuk setiap kategori.

2. Data rontgen bisa ditambah dengan menggunakan data gambar.

3. Menambah jenis klasifikasi/jenis kelas, tidak hanya menggunakan

pengelompokkan berdasarkan anatomi dari penyakit tetapi bisa

ditambah dengan pengelompokkan berdasarkan riwayat

pengobatan sebelumnya, hasil pemeriksaan uji kepekaan obat atau

status HIV.


44

DAFTAR PUSTAKA

Dinas Kesehatan Daerah Istimewa Yogyakarta (2015) Petunjuk Teknis

Manajemen TB Anak. Jakarta : Kementrian Kesehatan RI

Han,Jiawie and Micheline Kamber. (2006) Data Mining : Concepts and

Technique Second Edition. New York : Morgan Kaufman.

Han, Jiawie and Micheline Kamber. (2012) Data Mining : Concepts and

Technique Third Edition. New York : Morgan Kaufmann

Hermawati, F.A. (2013) Data Mining.Yogyakarta : Andi

Kementrian RI Direktorat Jenderal Pengendalian Penyakit dan Penyehatan

Lingkungan (2014) Pedoman Nasional Pengendalian

Tuberkulosis. Jakarta : Kementrian Kesehatan RI.

Kusrini dan Emha Taufiq Luthfi. (2009) Algoritma Data Mining.

Yogyakarta : Andi.

Prasetyo, E. (2014) Data Mining : Mengolah data Menjadi Informasi

Menggunakan Matlab. Yogyakarta : Andi

Setiawan, C. B. D. (2015) Prediksi Penjualan Helm Menggunakan

Algoritma Naïve Bayesian (Studi Kasus : Distribusi Perusahaan

XYZ di Wilayah Jawa Tengah dan Derah Istimewa Yogyakarta).

Yogyakarta.

Santosa, B. (2007) Data Mining : Teknik Pemanfaatan Data untuk

Keperluan Bisnis. Yogyakarta : Graha Ilmu.


45

Tan,P.N.,Steinbach. M., Kumar, V.(2006) Data Mining : Introduction To

Data Mining. Pearson Education.


46

LAMPIRAN

1. prepData.m

function [newData] = prepData(filename)

[num,txt,raw]=xlsread(filename);

%membuat matrix baru dengan nilai 0

newData=zeros(size(raw));

%memisahkan data pada setiap kolom

col1to5=txt(:,1:5);

col6to8=txt(:,6:8);

col9=txt(:,9);

class=txt(:,10);

%hitung kolom dan baris untuk looping

[r,c]=size(newData);

%looping

for i=1:1:r

for j=1:1:c

column=j;

switch(column)

%case adalah kolom

case 1

if(strcmp(col1to5(i,1),'ya'))

kelas=2;

elseif(strcmp(col1to5(i,1),'tidak'))

kelas=1;

else

kelas=0;

end

%masukin data ke matriks yang baru.

newData(i,j)=kelas;

case 2


kelas=2;


kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;

case 3


kelas=2;


kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;


47

case 4


kelas=2;


kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;

case 5


kelas=2;


kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;

case 6

if(strcmp(col6to8(i,1),'neg'))

kelas=0;

elseif(strcmp(col6to8(i,1),'?'))

kelas=0;

else

kelas=num(i,1);

end

newData(i,j)=kelas;

case 7


kelas=0;


kelas=0;

else

kelas=num(i,2);

end

newData(i,j)=kelas;

case 8


kelas=0;


kelas=0;

else

kelas=num(i,3);

end

newData(i,j)=kelas;

case 9

if(strcmp(col9(i,1),'neg'))

kelas=0;

elseif(strcmp(col9(i,1),'pos'))

kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;

case 10

if(strcmp(class(i,1),'paru'))

kelas=2;

elseif(strcmp(class(i,1),' paru'))

kelas=3;

elseif(strcmp(class(i,1),'tidak'))

kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;

end

end

end

end


48

2. k-fold.m

function [ dTraining,dTesting ] = k_fold( k,data )

%Fungsi ini digunakan untuk membagi 'data' ke dalam beberapa

bagian('k' bagian)

%sesuai dengan permintaan user.

%memisahkan data dengan label

[n,m]=size(data)

label=data(:,m);

%mencari banyak jenis kelas dalam label

isi_label=numel(unique(label));

%membuat cell baru yang belum isi

kelas=cell(1,isi_label);

%perulangan sebanyak 'isi_label'/3 kali untuk mengelompokkan data

%berdasarkan label i(1 2 3) kedalam kelas i (1 2 3)

for i=1:isi_label

kelas{i}=data(find(label==i),:);

end

%membuat cell kosong berdasarkan jumlah k dan isi_label

kelas_bagi=cell(k,isi_label);

%melakukan perulangan

for i=1:isi_label

%melihat jumlah data untuk setiap kelas yang sudah tersimpan

dalam cell

%kelas

ndata=size(kelas{i},1);

%menghitung hasil bagi jika data dibagi sebanyak k bagian

x=floor(ndata/k);

%menghitung sisa dari jumlah data jika dibagi sebanyak k bagian

y=mod(ndata,k);

n=1:x;

for j=1:k

if y

%jika memiliki sisa

n=[n n(end)+1];

%mengambil data sebanyak n+1

%mengurangi nilai y

y=y-1;

end

%mengambil data sebanyak n

kelas_bagi{j,i}=kelas{i}(n,:);

%n = nilai n yang paling akhir ditambah 1 sampai nilai n ditambah

%nilai x

n=n(end)+1:n(end)+x;

end

end

end


49

3. prob.m

%membuat cell baru

newdata=cell(1,k);

%melakukan perulangan untuk menjumlahkan data yang sudah

tersimpan pada

%kelas_bagi sesuai dengan indeks cell (baris 1 dijumlahkan, baris

2

%dijumlahkan, baris 3 dijumlahkan) sehingga terbentuk cell yang

baru

for i=1:k

for j=1:isi_label

newdata{i}=[newdata{i};kelas_bagi{i,j}];

end

end

%membuat cell baru untuk menyimpan data training dan data testing

dTraining=cell(k,1);

dTesting=cell(k,1);

for i=1:k

disp(i);

for j=setdiff(1:k,i)

%mengambil data yang tidak ada didata tersebut

dTraining{i}=[dTraining{i};newdata{j}];

end

dTesting{i}=newdata{i};

end

end

function p=prob(data,name1,value1,name2,value2) %mencari probabilitas untuk kolom dengan nama(name) dan

nilai(value) dari %data

%kalo ada 3 itu p(X) / p(Y) if nargin==3

tmp=(data(:,name1));

%a=banyaknya data yang nilainya value1 a=sum(tmp==value1);

%semua data b=numel(tmp); p=a/b; end

%kalo ada 5 itu p(X|Y) if nargin==5 tmp1=(data(:,name2)); list1=(tmp1==value2); tmp2=(data(:,name1)); tmp2=tmp2(list1); list2=(tmp2==value1); p=sum(list2)/sum(list1); end end


50

4. prediksiKelompok.m

function [Label] = prediksiKelompok( data,dataTes) %Fungsi ini digunakan untuk memprediksi data kelompok [n m]=size(dataTes); Label=zeros(n,1);

for i=1:n dataTemp=dataTes(i,:); [hasil] = prediksi( data,dataTemp ) Label(i,1)=hasil; end end

function [hasil] = prediksi( data,dataTes ) [n m]=size(dataTes); tmpParu=1; tmpParu=1; tmpTidak=1; for j=1:1:m paru=prob(data,m+1,2); tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,2)); hasilParu=paru*tmpParu;

paru=prob(data,m+1,3); tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,3)); hasilParu=paru*tmpParu;

tidak=prob(data,m+1,1); tmpTidak=tmpTidak*(prob(data,j,dataTes(j),m+1,1)); hasilTidak=tidak*tmpTidak;

if(hasilParu>hasilParu)&&(hasilParu>hasilTidak) hasil=2; elseif(hasilParu>hasilParu)&&(hasilParu>hasilTidak); hasil=3; else hasil=1; end end end


51

5. pemisah.m

6. Percobaan.m

function [ dLabel,dTesting] = pemisah( k,dataTes ) %fungsi ini digunakan untuk memisahkan label data Testing

dengan data %Testing yang akan olah. dLabel=cell(k,1); dTesting=cell(k,1); [n,m]=size(dataTes{1}); for i=1:k dLabel{i}=dataTes{i}(:,m); end for i=1:k dTesting{i}=dataTes{i}(:,1:m-1); end end

function [ ConMatrixAkhir,akurasi_temp] = Percobaan(

k,dTraining,dTesting,dLabel ) %fungsi ini digunakan untuk melakukan percobaan sebanyak

k-fold kali. %dengan memanggil fungsi 'prediksiKelompok' %dan menghitung error dengan Confusion Matrix. %semua perhitungan Confusion Matrix dari setiap percobaan %akan dijumlahkan dan akan dihitung kembali dengan

Confusion Matrix ConMatrix=cell(k,1); for i=1:k

LabelPrediksi=prediksiKelompok(dTraining{i},dTesting{i});

ConMatrix{i}=hitungConfusionmat(dLabel{i},LabelPrediksi); end

ConMatrixAkhir=zeros(size(ConMatrix{1})); akurasi_temp=zeros(1,k); for i=1:k [ hasil_akurasi ] = akurasi( ConMatrix{i} ); %hasil_akurasi=round(hasil_akurasi); akurasi_temp(1,i)=(hasil_akurasi); ConMatrixAkhir=ConMatrixAkhir+ConMatrix{i}; end end


52

7. hitungConfusionmat.m

8. akurasi.m

function

ConMatrix=hitungConfusionmat(label_kelas,label_prediksi) %fungsi ini digunakan untuk mencari error dari hasil

prediksi %dengan menggunakan confusion Matrix. %fungsi ini diambil dari Skripsi Dionisia (2011)

%mencari isi dari kelas_test yaitu label 1,2,3 isi_label=unique(label_kelas);

%membuat Matrix kosong dengan panjang kelas_test MatrixCon=zeros(length(isi_label));

%perulangan sebanyak 3 kali for i=1:length(isi_label) for j=1:length(isi_label) MatrixCon(i,j)=sum(label_kelas==isi_label(i) &

label_prediksi==isi_label(j)); end end ConMatrix=MatrixCon; end

function [ hasil_akurasi ] = akurasi( ConMatrixAkhir ) %fungsi digunakan untuk menghitung jumlah akurasi dari

sebuah Confusion Matrix

%menjumlahkan data yang benar, di dalam Confusion Matrix

data yang benar %adalah data yang terletak pada garis diagonal benar=sum(diag(ConMatrixAkhir));

%menjumlah semua data dalam Matrix Confusion Matrix totalData=sum(sum(ConMatrixAkhir));

%menghitung akurasi dengan membagi data benar dengan semua

data dan %mengalikan dengan 100% hasil_akurasi=(benar/totalData)*100;

end


53

9. prediksiTunggal.m

function [ hasil ] = prediksiTunggal( dataTes,data ) %Fungsi ini digunakan untuk memprediksi data tunggal [n m]=size(dataTes); tmpParu=1; tmpParu=1; tmpTidak=1; for j=1:1:m paru=prob(data,m+1,2); tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,2)); hasilParu=paru*tmpParu;

paru=prob(data,m+1,3); tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,3)); hasilParu=paru*tmpParu;

tidak=prob(data,m+1,1); tmpTidak=tmpTidak*(prob(data,j,dataTes(j),m+1,1)); hasilTidak=tidak*tmpTidak;

if(hasilParu>hasilParu)&&(hasilParu>hasilTidak) hasil='PARU'; elseif(hasilParu>hasilParu)&&(hasilParu>hasilTidak); hasil=' PARU'; else hasil='TIDAK TBC'; end end end


54

10. main.m

function varargout = main(varargin) % MAIN MATLAB code for main.fig % MAIN, by itself, creates a new MAIN or raises the

existing % singleton*. % % H = MAIN returns the handle to a new MAIN or the

handle to % the existing singleton*. % % MAIN('CALLBACK',hObject,eventData,handles,...)

calls the local % function named CALLBACK in MAIN.M with the given

input arguments. % % MAIN('Property','Value',...) creates a new MAIN or

raises the % existing singleton*. Starting from the left,

property value pairs are % applied to the GUI before main_OpeningFcn gets

called. An % unrecognized property name or invalid value makes

property application % stop. All inputs are passed to main_OpeningFcn via

varargin. % % *See GUI Options on GUIDE's Tools menu. Choose

"GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help main

% Last Modified by GUIDE v2.5 23-Jul-2016 21:29:14

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @main_OpeningFcn, ... 'gui_OutputFcn', @main_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State,

varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT


55

% --- Executes just before main is made visible. function main_OpeningFcn(hObject, eventdata, handles,

varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version

of MATLAB % handles structure with handles and user data (see

GUIDATA) % varargin command line arguments to main (see VARARGIN)

% Choose default command line output for main handles.output = hObject;

clc;

% Logo axes(handles.logo); imshow('Images\LogoUSD.jpg'); axes(handles.diagram); set(handles.jml_data,'String','0');

% Update handles structure guidata(hObject, handles); % --- Outputs from this function are returned to the

command line. function varargout = main_OutputFcn(hObject, eventdata,

handles) % varargout cell array for returning output args (see

VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version

of MATLAB % handles structure with handles and user data (see

GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% menjalankan tombol PreProses function preProses_Callback(hObject, eventdata, handles)

%mencari data [file,alamat] = uigetfile({'*.xls;*.xlsx','Excel Files'},'

Select data file'); namaFile = strcat(alamat,file);

%menggunakan fungsi prepData untuk mengubah data dalam

bentul label dataPrep=prepData(namaFile);

%mencari data yang memiliki kelas '0/nol/tidak diketahui' dataNol=find(dataPrep(:,10)==0); %menghapus dataPrep yang memiliki kelas '0/nol/tidak

diketahui' dataPrep(dataNol,:)=[];

%menghitung jumlah data jumlahdata=length(dataPrep);


56

%menampilkan data dalam bentuk tabel kedalam GUI

set(handles.tabel_data, 'Data',dataPrep)

%menampilkan jumlah data

set(handles.jml_data,'String',num2str(jumlahdata));

%menampilkan nama file

set(handles.namaFile,'String',file);

%menyimpan data yang sudah melalu proses preprocessing

save('dataPrep.mat');

%menampilkan pesan bahwa proses prepocessing sudah selesai

uiwait(msgbox('Proses Preprocessing sudah selesai.'));

function proses_Callback(hObject, eventdata, handles)

pilihdata=get(handles.pilihan_data,'Value');

switch pilihdata

case 1

pilihdata=1;

save('pilihdata.mat');

load('dataPrep.mat');

data=dataPrep;

data(:,6:9)=[];

save('data.mat');

set(handles.tunggal_batuk,'Visible','on');

set(handles.tunggal_demam,'Visible','on');

set(handles.tunggal_BBTurun,'Visible','on');

set(handles.tunggal_sesakNapas,'Visible','on');

set(handles.tunggal_batukBerdarah,'Visible','on');

set(handles.tunggal_A,'Visible','off');

set(handles.tunggal_B,'Visible','off');

set(handles.tunggal_C,'Visible','off');

set(handles.tunggal_rontsen,'Visible','off');

case 2


pilihdata=2;


data=dataPrep;

data(:,1:5)=[];

data(:,4)=[];

save('data.mat');

set(handles.tunggal_batuk,'Visible','off');

set(handles.tunggal_demam,'Visible','off');

set(handles.tunggal_BBTurun,'Visible','off');

set(handles.tunggal_sesakNapas,'Visible','off');

set(handles.tunggal_batukBerdarah,'Visible','off');

set(handles.tunggal_A,'Visible','on');

set(handles.tunggal_B,'Visible','on');

set(handles.tunggal_C,'Visible','on');


case 3


pilihdata=3;


data=dataPrep;

data(:,9)=[];

save('data.mat');











57

case 4


pilihdata=4;


data=dataPrep;

data(:,6:8)=[];

save('data.mat');






set(handles.tunggal_A,'Visible','off');

set(handles.tunggal_B,'Visible','off');

set(handles.tunggal_C,'Visible','off');

set(handles.tunggal_rontsen,'Visible','on');

case 5


pilihdata=5;


data=dataPrep;

data(:,1:5)=[];

save('data.mat');

set(handles.tunggal_batuk,'Visible','off');

set(handles.tunggal_demam,'Visible','off');

set(handles.tunggal_BBTurun,'Visible','off');

set(handles.tunggal_sesakNapas,'Visible','off');

set(handles.tunggal_batukBerdarah,'Visible','off');





case 6


pilihdata=6;


data=dataPrep;

save('data.mat');










end

jmlfold=get(handles.fold,'Value');

switch jmlfold

case 1

jmlfold=3;

case 2

jmlfold=5;

case 3

jmlfold=7;

case 4

jmlfold=9;

end

load('data.mat');

%menentukan jumlah k bedasarkan pilihan jml_fold

k=jmlfold;

%memanggil fungsi untuk membagi data berdasarkan jumlah k

[ dTraining,dTesting ] = k_fold( k ,data );

%memanggil fungsi untuk memisahkan data testing dengan labelnya

[ dLabel,dTesting] = pemisah( k,dTesting );

%memanggil fungsi percobaan

[ ConMatrixAkhir,akurasi_temp] = Percobaan(

k,dTraining,dTesting,dLabel );


58

%menampilkan confusion matrix akhir untuk setiap percobaan

kedalam gui

set(handles.conMatrix,'Data',ConMatrixAkhir);

%mengitung akurasi untuk confusion matrix akhir

[ hasil_akurasi ] = akurasi( ConMatrixAkhir );

%membulatkan hasil akurasi

%hasil_akurasi=round(hasil_akurasi);

%menampilkan hasil akurasi kedalam GUI

set(handles.akurasi,'String',hasil_akurasi);

%menampilkan hasil akurasi untuk setiap percobaan kedalam GUI

set(handles.tabel_akurasi,'Data',akurasi_temp);

%menampilkan hasil akurasi untuk setiap percobaan kedalam bentuk

%diagram

bar(akurasi_temp);

% menjalankan tombol Prediksi

function prediksi_Callback(hObject, eventdata, handles)

%menjalankan pop menu untuk memilih data yang akan digunakan

untuk prediksi

%tunggal

tunggal_1=get(handles.tunggal_batuk,'Value');

switch tunggal_1

case 1

val1=2;

case 2

val1=1;

end

tunggal_2=get(handles.tunggal_demam,'Value');

switch tunggal_2

case 1

val2=2;

case 2

val2=1;

end

tunggal_3=get(handles.tunggal_BBTurun,'Value');

switch tunggal_3

case 1

val3=2;

case 2

val3=1;

end

tunggal_4=get(handles.tunggal_sesakNapas,'Value');

switch tunggal_4

case 1

val4=2;

case 2

val4=1;

end

tunggal_5=get(handles.tunggal_batukBerdarah,'Value');

switch tunggal_5

case 1

val5=2;

case 2

val5=1;

end


59

tunggal_6=get(handles.tunggal_A,'Value');

switch tunggal_6

case 1

val6=1;

case 2

val6=2;

case 3

val6=3;

case 4

val6=0;

end

tunggal_7=get(handles.tunggal_B,'Value');

switch tunggal_7

case 1

val7=1;

case 2

val7=2;

case 3

val7=3;

case 4

val7=0;

end

tunggal_8=get(handles.tunggal_C,'Value');

switch tunggal_8

case 1

val8=1;

case 2

val8=2;

case 3

val8=3;

case 4

val8=0;

end

tunggal_9=get(handles.tunggal_rontsen,'Value');

switch tunggal_9

case 1

val9=1;

case 2

val9=0;

end

load('pilihdata.mat');

if (pilihdata==1)

%mengaktifkan/mengambil dataPrep

load('data.mat');

%membuat data yang sudah dipilih pada pop menu menjadi 1 data

dengan

%variabel yang baru

dataTes=[val1 val2 val3 val4 val5];

%menjalankan fungsi untuk prediksi Tunggal

[ hasil ] = prediksiTunggal( dataTes,data );

%menampilkan hasil prediksi tunggal kedalam GUI

set(handles.hasil_prediksi,'String',hasil);

elseif(pilihdata==2)

load('data.mat');


dengan

%variabel yang baru

dataTes=[val6 val7 val8];






60


load('data.mat');


dengan

%variabel yang baru

dataTes=[val1 val2 val3 val4 val5 val6 val7 val8];






load('data.mat');


dengan

%variabel yang baru

dataTes=[val1 val2 val3 val4 val5 val9];






load('data.mat');


dengan

%variabel yang baru

dataTes=[val6 val7 val8 val9];






load('data.mat');


dengan

%variabel yang baru

dataTes=[val1 val2 val3 val4 val5 val6 val7 val8 val9];





end


61


62


63


Documents

IDENTIFIKASI PENYAKIT TUBERKULOSIS ( TB ) PADA MANUSIA ... · PENDAHULUAN 1.1 Latar Belakang Tuberkulosis adalah suatu penyakit menular langsung yang disebabkan oleh kuman TB (Mycobacterium