PENDAHULUAN TINJAUAN PUSTAKA

Transkripsi

1 PENDAHUUAN atar Belakang Hail urey Organiai Keehatan Dunia (WHO) menyatakan jumlah enderita kencing mani (diabete melitu) di Indoneia ekitar 7 juta orang (86% dari jumlah enduduk) atau menduduki urutan terbear ke-4 etelah India Cina dan Amerika Serikat. Berdaarkan hal terebut erlu kiranya dilakukan enelitian yang mengarah ada embuatan alikai yang daat mendeteki timbulnya enyakit diabete ehingga daat menurunkan jumlah enderita diabete. Salah atu teknik yang daat digunakan untuk melakukan eneluuran ada data hitori untuk mengidentifikai ola dan memrediki trend yaitu data mining. Data mining meruakan roe ektraki informai atau ola dalam bai data yang berukuran bear. (Han & Kamber 200). Teknik data mining yang digunakan yaitu klaifikai. Klaifikai meruakan alah atu metode dalam data mining untuk memrediki label kela yang tidak diketahui. Kone fuzzy yang diterakan dalam klaifikai daat lebih baik dalam menangani nilai numerik karena himunan fuzzy memerhalu bataan yang tega. Data diabete berifat numerik ehingga daat diterakan teknik data mining dengan kone fuzzy. Teknik klaifikai yang digunakan yaitu klaifikai dengan metode derajat keanggotaan dalam fuzzy. Prini daar dari metode derajat keanggotaan dalam fuzzy yaitu menghitung nilai kemenarikan antara dua atau lebih linguitic term. Perhitungan nilai kemenarikan dilakukan dengan menggunakan analii reidual. Dengan menerakan data mining diharakan daat ditemukan aturan atau fungi klaifikai untuk memrediki oteni eeorang tererang enyakit diabete. Tujuan Penelitian Tujuan dari enelitian ini adalah :. enerakan alah atu metode data mining yaitu teknik klaifikai menggunakan metode derajat keanggotaan dalam fuzzy. 2. enemukan aturan-aturan klaifikai ada data diabete untuk memrediki aakah eeorang dinyatakan oitif atau negatif diabete berdaarkan data hail emerikaan laboratorium. Ruang ingku Penelitian Penelitian ini mencaku eneraan teknik klaifikai dengan menggunakan derajat keanggotaan dalam fuzzy ada data hail emerikaan laboratorium dan data catatan medi rawat ina dari tahun 2004 amai Jumlah atribut dalam enelitian ini yaitu lima buah atribut yang terdiri dari emat atribut kuantitatif dan atu atribut kategorikal ebagai atribut kela target. anfaat Penelitian Dengan adanya uatu alikai yang daat digunakan untuk memrediki oteni enyakit diabete maka terjadinya enyakit ini ada eeorang daat dirediki edini mungkin ehingga daat dilakukan tindakan antiiai. TINJAUAN PUSTAKA Knowledge Data Dicoery (KDD) Knowledge dicoery in databae (KDD) adalah roe menemukan informai yang berguna dan ola-ola yang ada dalam data (Goharian & Gromann 2003). KDD meruakan ebuah roe yang terdiri dari erangkaian roe iteratif yang terurut dan data mining meruakan alah atu langkah dalam KDD (Han & Kamber 200). Pada Gambar daat dilihat tahaan roe KDD ecara berurut. Tahaan roe KDD menurut Han & Kamber (200) yaitu :. Pemberihan data Pemberihan terhada data dilakukan untuk menghilangkan data yang tidak koniten dan data yang mengandung noie. 2. Integrai data Proe integrai data dilakukan untuk menggabungkan data dari berbagai umber. 3. Seleki data Proe eleki data mengambil data yang relean digunakan untuk roe analii. 4. Tranformai data Proe menranformaikan atau menggabungkan data ke dalam bentuk yang teat untuk di-mining. 5. Data mining Data mining meruakan roe yang enting dimana metode-metode cerda dialikaikan untuk mengektrak ola-ola dalam data.

2 2 6. Ealuai ola Ealuai ola dierlukan untuk mengidentifikai beberaa ola-ola yang menarik yang merereentaikan engetahuan. 7. Rereentai engetahuan Penggunaan iualiai dan teknik rereentai untuk menunjukkan engetahuan hail enggalian gunung data keada engguna. Data Warehoue Data Cleaning Pattern Ealuation Data mining Tak-releant Data Data Integration Databae Selection and Tranformation Gambar Tahaan Proe KDD (Han & Kamber 200) Data mining Data mining meruakan roe ektraki informai data berukuran bear (Han & Kamber 200). enurut Kantardzic (2003) data mining meruakan keeluruhan roe mengalikaikan komuter dan bermacam teknik untuk menemukan informai dari ekumulan data. Dari udut andang analii data data mining daat diklaifikai menjadi dua kategori yaitu decritie data mining dan redictie data mining. Decritie data mining menjelakan ekumulan data dalam cara yang lebih ringka. Ringkaan terebut menjelakan ifat-ifat yang menarik dari data. Predictie data mining menganalii data dengan tujuan mengkontruki atu atau ekumulan model dan melakukan rediki erilaku dari kumulan data yang baru. Alikai data mining telah banyak diterakan ada berbagai bidang eerti analia aar dan manajemen analii eruahaan dan manajemen reiko telekomunikai aurani dan keuangan. Klaifikai Klaifikai adalah roe menemukan model (fungi) yang menjelakan dan membedakan kela-kela atau kone dengan tujuan agar model yang dieroleh daat digunakan untuk memredikikan kela atau objek yang memiliki label kela yang tidak diketahui. Klaifikai termauk ke dalam kategori redictie data mining. odel yang diturunkan didaarkan ada analii dari training data. Teknik klaifikai adalah endekatan itemati untuk embuatan model klaifikai (claifier) dari ebuah data et inut. Proe klaifikai dibagi menjadi dua fae yaitu learning dan teting (Han & Kamber 200). Pada fae learning ebagian data yang telah diketahui kela datanya (training et) digunakan untuk membentuk model. Selanjutnya ada fae teting model yang udah terbentuk diuji dengan ebagian data lainnya (tet et) untuk mengetahui akurai dari model terebut. Jika akurainya mencukui maka model terebut daat diakai untuk rediki kela data yang belum diketahui. Himunan Fuzzy Kone logika fuzzy ertama kali dierkenalkan oleh Prof. otfi A Zadeh dari Unierita California ada bulan Juni 965. ogika fuzzy meruakan generaliai dari logika klaik yang hanya memiliki dua nilai keanggotaan 0 dan. Dalam logika fuzzy nilai kebenaran uatu ernyataan berkiar dari eenuhnya benar ke eenuhnya alah. Inti dari himunan fuzzy yaitu fungi keanggotaan yang menggambarkan hubungan antara domain himunan fuzzy dengan nilai derajat keanggotaan. Derajat keanggotaan menunjukkan nilai keanggotaan uatu objek ada uatu himunan. Nilai keanggotaan ini berkiar antara 0 amai. Dengan teori himunan fuzzy uatu objek daat menjadi anggota dari banyak himunan dengan derajat keanggotaan yang berbeda dalam maingmaing himunan (Cox 2005). Peubah inguitik Peubah linguitik meruakan eubah yang memunyai nilai linguitik berua kumulan kata (linguitic term) yang bereuaian dengan derajat keanggotaan dalam uatu himunan. Peubah linguitik dikarakteriai oleh quintale ( x T ( x) X G ) dengan x adalah nama eubah T(x) adalah kumulan dari linguitic term X menunjukkan nilai interal x G adalah aturan intak yang membangkitkan term dalam T(x) adalah aturan emantik yang bereuaian dengan nilai linguitik (A) dengan (A) menunjukkan

3 3 fungi keanggotaan untuk himunan fuzzy dalam X. Sebagai contoh jika umur diinterretaikan ebagai eubah linguitik maka himunan dari linguitic term T(umur) menjadi : T(umur) = {angat muda muda tua} Setia term dalam T(umur) dikarakteriai oleh himunan fuzzy dalam X. Aturan intak membangkitkan term dalam T(x) edangkan aturan emantik menunjukkan fungi keanggotaan dari etia nilai ada himunan linguitic term (Kantardzic 2003). inguitic term inguitic term didefiniikan ebagai kumulan himunan fuzzy yang didaarkan ada fungi keanggotaan yang bereuaian dengan eubah linguitik (Au & Chan 200). D kumulan dari record yang terdiri dari kumulan atribut I = { I... In} dengan I =... n. Atribut I daat berua atribut numerik atau kategorikal. Untuk etia record d elemen D d [ I ] menotaikan nilai i dalam record d untuk atribut I. Kumulan linguitic term daat didefiniikan ada eluruh domain dari atribut kuantitatif. Himunan fuzzy daat didefiniikan untuk etia r dengan r r =... menotaikan linguitic term yang beraoiai dengan atribut I. Himunan fuzzy r r =... didefiniikan ebagai : µ ( i ) dom( I ) r jika dikret i I r = µ ( i ) dom( I ) r jika I kontinu i untuk emua i dom( I ) dengan dom I ) = i... i. ( { m } Derajat keanggotaan dari nilai i dom( I ) dengan beberaa linguitic term r dinotaikan oleh µ. Untuk atribut r kategorikal linguitic term r r =...m direreentaikan oleh himunan fuzzy ebagai : r r = ir Secara umum untuk atribut numerik dan kategorikal himunan linguitic term dinotaikan oleh = { =... n r =... } r dengan = m elama linguitic term digambarkan ebagai himunan fuzzy maka himunan linguitic term daat dinyatakan ebagai himunan fuzzy. Diberikan record d D linguitic term r nilai derajat dan himunan fuzzy r keanggotaan dalam d dengan linguitic term dinotaikan oleh µ d[ I ]). r ( r d dikarakteriai oleh term r dengan derajat keanggotaan µ ( d[ I ]). Jika r µ ( d ) = d ecara utuh dikarakteriai I r [ ]. Jika ( d[ ]) = 0 oleh term r µ I r d tidak dikarakteriai oleh term r. Jika 0 µ ( d I ) < ecara arial d < r [ ] dikarakteriai oleh term r. d daat dikarakteriai oleh lebih dari atu term. Diberikan I ϕ dengan r { ϕ } I ϕ = I beraoiai oleh linguitic term ϕr r =... φ dengan =. Notai ϕ menotaikan ubet ϕ ϕ dari bilangan integer ϕ = {... m }... {... n}... m m dan ϕ = h. dengan Setia ϕr didefiniikan oleh kumulan linguitic term r... mr. Nilai m derajat dengan d dikarakteriai oleh term λ d didefiniikan oleh : ( ) ϕr ( ) ϕr ( d[ I ])... d[ ] λ ϕ r = min µ r µ m rm ( ) I m D daat direreentaikan oleh kumulan data fuzzy F yang dikarakteriai oleh kumulan atribut linguitik = (... n ). Untuk etia atribut linguitik nilai dari dalam record t F adalah

4 4 [ ] = {( )...( )} t µ µ dengan k ebagai linguitic term dan µ k ebagai derajat keanggotaan dengan { } k... ϕ. Untuk t F o q menotaikan nilai derajat dengan t dikarakteriai oleh linguitic term q dan φ yang didefiniikan oleh : o = min ( µ ) q ψ k µ q () Jumlah dari derajat uatu record dalam F yang dikarakteriai oleh linguitic term q dan didefiniikan oleh : deg q = o t F q (2) Dengan menggunakan linguitic term daat ditemukan uatu aturan fuzzy dari ejumlah data fuzzy dan merereentaikannya dengan cara yang mudah diahami oleh manuia (Au & Chan 200). Algoritma Derajat Keanggotaan dalam Fuzzy Prini dari algoritma data mining fuzzy yaitu menyajikan aturan fuzzy dengan beberaa orde. Orde ertama dari aturan fuzzy didefiniikan oleh aturan yang hanya melibatkan ebuah linguitic term dalam anteeden orde kedua melibatkan dua buah linguitic term orde ketiga melibatkan tiga buah linguitic term dan elanjutnya. Algoritma data mining fuzzy daat dilihat ada Gambar 2. Untuk mencari nilai kemenarikan (interetingne) dari orde ertama digunakan ukuran kemenarikan objektif. Setelah ditemukan nilai kemenarikan maka diiman ada eubah R. Aturan di R digunakan untuk membangkitkan orde kedua yang teriman dalam R 2. R 2 akan digunakan untuk membangkitkan aturan orde ketiga yang teriman ada R 3 dan begitu eterunya. Fungi intereting ( q ) menghitung nilai hubungan kemenarikan antara q dengan. Jika fungi intereting ( q ) menghailkan nilai benar maka aturan fuzzy terebut dibangkitkan oleh fungi rulegen kemudian dihitung nilai bobot bukti. Semua aturan fuzzy yang dibangkitkan oleh rulegen diiman dalam R dan akan digunakan untuk roe rediki. ) R { firt - order fuzzy rule} = 2) for ( m = 2; R m φ; m + + ) do 3) begin 4)C = {each condition in the antecedent of r r R m- } 5) forall ϕ comoed of m element in C do 6) begin 7) forall t F do 8) forall ( q µ q ) t[ ] ( µ ϕ k ) t[ ϕ ] ϕ do 9) deg + = min ( µ q µ ) ; q 0) forall ( q µ q ) t[ ] ( µ ϕ k ) t[ ϕ ] ϕ do ) if interetin g ( q ) then 2) Rm = Rm rulegen ( q ) ; 3) end 4) end 5) R = U R ; m m Gambar 2 Algoritma data mining fuzzy (Au & Chan 200) Aturan Kemenarikan dalam Data Fuzzy Hubungan antara q dengan dikatakan menarik jika nilai P r ( ) q = ϕ k jml derajat dari berbeda dengan nilai ( ) P = r q dengan jml derajat dari jml derajat dari record ϕ record yang dikarakteriai oleh q dan record yang dikarakteriai oleh yang dikarakteriai oleh q = deg. Nilai u= i = u ϕ i erbedaan terebut ecara objektif daat diealuai menggunakan nilai adjuted reidual yang didefiniikan oleh : z q d = q (3) γ q dengan z q adalah nilai tandardized reidual yang didefiniikan oleh : deg e q q z = q e (4) q

5 5 dengan e q adalah jumlah derajat dari record yang diduga dikarakteriai oleh q dengan yang didefiniikan oleh : ϕ deg deg qϕi u i= u= e = q (5) dan γ q adalah nilai maximum likelihood etimate dari ragam z q yang didefinikan oleh : γ ϕ i= = q deg qϕi u= deg u (6) Jika d q >.96 (nilai erentil dari ditribui normal) daat diimulkan bahwa nilai antara Pr ( q ) dan P( r q ) ecara ignifikan berbeda ehingga hubungan antara q dengan menarik (intereting). Perhitungan Nilai Bobot Bukti Diberikan linguitic term yang beraoiai dengan linguitic term q daat dibentuk uatu aturan fuzzy q [ w ] q dengan w adalah q ϕ k nilai bobot bukti. Selama hubungan antara q dengan menarik maka terdaat bukti berua record yang dikarakteriai oleh q memunyai. Perhitungan nilai bobot bukti dikenal ebagai informai mutual. Informai mutual menghitung nilai ketidakatian dari q ada uatu record yang memunyai yang didefiniikan oleh : P ( : ) ( : ) log r q ϕ I k q ϕ k = (7) P r ( ) dengan berdaarkan nilai informai mutual erhitungan bobot bukti didefiniikan ebagai: q w q = I ( ) q : I ( ) U i i q P ( ) = log P r r U i q q i (8) w q ϕ daat diinterretaikan ecara intuitif k ebagai erhitungan erbedaan dari record yang dikarakteriai oleh q dan i i q. Diberikan yang didefiniikan oleh kumulan linguitic term r... m r m daat dibentuk aturan fuzzy ada tingkat yang lebih tinggi (high-order) ebagai :... [ ] r w r m m q q dengan... m ϕ (Au & Chan 200). Prediki Nilai Yang Tidak Diketahui enggunakan Aturan Fuzzy Diberikan uatu record d dom( I )... dom( I )... dom( I n ) d dikarakteriai oleh n atribut α... α... α n dengan α adalah nilai yang akan dirediki. =... ϕ adalah linguitic term dari atribut kela I. l linguitic term dengan domain dom( I ) = {... }. Nilai dari α didefiniikan oleh nilai l. Untuk memrediki nilai l digunakan endekatan aturan fuzzy dengan q dom ( I ) ebagai konekuen. Kombinai dari nilai atribut α ϕ dari d dikarakteriai oleh linguitic term ϕ dengan derajat λ () d untuk etia k {... ϕ }. Nilai bobot bukti dari... [ ] r w r m m q q untuk emua k ζ {... ϕ } didefiniikan oleh : ( d ) w α = w. λ (9) q ϕ k ζ q ialkan n- atribut (tana α ) α []... α[ j ]... α[ β ] dengan

6 6 α [ j] = { αi i (... n) { } ditemukan untuk menyamakan atu atau lebih aturan maka bobot bukti untuk nilai l diberikan oleh : β w = w (0) q j= α q [ j ] Nilai α didefiniikan oleh w... w... w. {( ) ( ) ( )} q q Jika I kategorikal l diberikan ke c jika wc > w g g =... ' dan g c () dengan ' ( ) adalah linguitic term yang tercantum dalam aturan dan α diberikan ke i c dom( I ). Jika I kuantitatif diberikan linguitic term... bobot bukti w... w µ ' ( i ) bobot derajat keanggotaan dari i u dom( I ) dengan himunan fuzzy u u {... }. µ ' i didefiniikan u oleh : µ ' ( ) w u ( i ) u i =. µ (2) u i dan u {... }. dengan dom( I ) Nilai defuzifikai = U F u u= didefiniikan ebagai : F = u= ( i ). i untuk α dom( I ) U u = (3) µ '... µ ' ( ) dom I... ( i ). di di dengan µ () i = max ( µ ' ( i) µ ' ( i) ) X Y X Y untuk himunan fuzzy X dan Y. Untuk mengealuai hail erhitungan digunakan root-mean-quared error. Nilai root-mean quared error (rm) didefinikan oleh : rm = 2 tr or l n u u l r D (4) dengan D ekumulan tet record n ebagai jumlah tet record dalam D untuk record r D dan [ l u] R ebagai atribut kela t r ebagai nilai target dari atribut kela dalam r dan o r nilai yang dirediki (Au & Chan 200). K-Fold Cro Validation K-Fold Cro Validation dilakukan untuk membagi training et dan tet et. K-Fold Cro Validation mengulang k-kali untuk membagi eluruh himunan contoh ecara acak menjadi k ubet yang aling beba etia ulangan diiakan atu ubet untuk engujian dan ubet lainnya untuk elatihan (Fu 994). Pada metode terebut data awal dibagi menjadi k ubet atau fold yang aling beba ecara acak yaitu S S 2 S k dengan ukuran etia ubet kira-kira ama. Pelatihan dan engujian dilakukan k kali. Pada iterai ke-i ubet S i dierlakukan ebagai data elatihan. Pada iterai ertama S 2 S k menjadi data elatihan dan S menjadi data engujian ada iterai kedua S S 3 S k menjadi data elatihan dan S 2 menjadi data engujian dan eterunya. ETODE PENEITIAN Proe Daar Sitem Data yang digunakan dalam enelitian ini adalah data hail emerikaan laboratorium dan data catatan medi rawat ina dari tahun 2004 amai Tahaan roe daar item daat dilihat ada amiran. Proe terebut daat diuraikan ebagai berikut : a. Pemberihan data dilakukan jika ditemukan data yang mengandung noie nilai hilang dan data yang dulikat. b. Tranformai data roe tranformai data ke bentuk yang daat di-mining. Sebelum di-mining data diabete diubah ke dalam bentuk data fuzzy. c. Alikai teknik data mining meruakan taha yang enting karena ada taha ini teknik data mining dialikaikan terhada data. Teknik data mining yang digunakan yaitu klaifikai. Klaifikai dilakukan melalui dua tahaan roe yaitu :. embangun model untuk menemukan aturan klaifikai (training). Taha embangunan model memerlukan