Ahmad Fashel Sholeh Dosen Pembimbing : Prof. Ir. Arif Djunaidy, M.Sc., Ph.D. Wiwik Anggraeni, S.Si., M.Kom.

Transkripsi

1 Ahmad Fashel Sholeh Dosen Pembimbing : Prof. Ir. Arif Djunaidy, M.Sc., Ph.D. Wiwik Anggraeni, S.Si., M.Kom.

2 Stroke merupakan salah satu penyakit yang menyebabkan kematian dan cacat tertinggi. Organisasi stroke dunia mencatat hampir 85% orang yang mempunyai faktor risiko dapat terhindar dari penyakit stroke bila menyadari dan mengatasi faktor risiko tersebut sejak dini

3 Bagi para ahli saraf, diagnosis risiko terkena penyakit stroke merupakan hal yang tidak mudah Selain faktor risikonya yang sangat banyak, juga tidak terdapat batas yang ketat antara apa yang sehat, apa yang berisiko dan apa yang sakit, sehingga membedakannya tidak pasti dan jelas. Sebuah sistem pendukung keputusan untuk membantu ahli saraf dalam melakukan analisis terhadap faktor-faktor risiko tersebut sehingga didapatkan hasil diagnosis yang akurat

4 Aplikasi ini menggunakan konsep logika fuzzy mamdani sebagai dasar dalam pemrosesan data Metode yang diterapkan, dibuat berdasarkan sistem pakar dan data rekam medik rumah sakit XYZ

5 Bagaimana merumuskan fungsi keanggotaan metode fuzzy dari faktor-faktor yang akan digunakan untuk mendeteksi dini tingkat risiko terkena serangan stroke? Bagaimana merumuskan komposisi aturan yang akan digunakan untuk mendeteksi dini tingkat risiko terkena serangan stroke berdasarkan fungsi keanggotaan yang telah dirumuskan?

6 Secara umum aplikasi pendukung keputusan untuk deteksi dini penyakit stroke ini dapat digunakan sebagai alat bantu ahli saraf dalam mendeteksi risiko terkena penyakit stroke Selain itu, dapat dilihat sebagai metode alternatif yang berbeda dalam mendeteksi dini risiko terkena penyakit stroke.

7 Mendesain dan mengimplementasikan aplikasi pendukung keputusan deteksi dini risiko penyakit stroke menggunakan logika fuzzy mamdani.

8

9 Data rekam medik pada RS XYZ dalam kurun waktu 9 bulan yaitu dari bulan september 2012 sampai bulan mei Total data sebesar 226 data Total data yang digunakan sebesar 156 data Data hasil wawancara dengan pakar yakni dokter spesialis saraf.

10 Status Data Jumlah data yang memiliki nilai kosong Jumlah data yang lengkap Jumlah data yang sudah diproses Jumlah data yang digunakan Tinggi Sedang Rendah Total

11 1) Analisis nilai data yang kosong Jumlah data Data yang kosong Variabel yang tidak Rata-rata kosong Jumlah Persentase BUN , ,5 Kreatinin 191 1, ,5 Kadar Gula , Asam urat 149 6, ,1 LDL , ,6 Kolesterol total , Total data yang kosong ,6% Total data yang tidak kosong ,4%

12 2) Pengisian nilai data yang kosong (mean imputation)

13 a. Variabel Masukan Ada Sembilan variabel yang digunakan yaitu tekanan darah, diabetes, kolesterol total, kolesterol LDL, usia, asam urat, jenis kelamin, BUN dan kreatinin. b. Variabel Keluaran Variabel keluaran mengacu pada adanya risiko terkena serangan stroke dengan rentang nilai 0-10 yang mewakili status risiko rendah, sedang dan tinggi.

14 a) Tekanan Darah Variabel Rentang Nilai Himpunan Fuzzy < 120 Normal Tekanan Prahipertensi Darah Hipertensi Tahap I > 160 Hipertensi Tahap II

15 a) Tekanan Darah

16 b) Kadar Gula Darah -> Gula 2 JPP Variabel Rentang Nilai Himpunan Fuzzy Kadar < 60 mg/dl Rendah Gula mg/dl Normal Darah mg/dl Intermediete >= 200 mg/dl Diabetes

17 b) Kadar Gula Darah

18 c) Kolesterol Total Variabel Rentang Nilai Himpunan Fuzzy Kolesterol < 200 mg/dl Normal Total mg/dl Tinggi >= 240 mg/dl Sangat Tinggi

19 c) Kolesterol Total

20 d) Kolesterol - LDL Variabel Rentang Nilai Himpunan Fuzzy Kolesterol - < 100 mg/dl Normal LDL mg/dl Tinggi >= 190 mg/dl Sangat Tinggi

21 d) Kolesterol - LDL

22 e) Usia Variabel Rentang Nilai Himpunan Fuzzy Usia <= 30 Muda Paruh baya >= 60 Tua

23 e) Usia

24 f) Asam urat (lk) Variabel Rentang Nilai Himpunan Fuzzy Asaam <= 3,5 mg/dl Rendah urat (lk) 3,5-7,0 mg/dl Normal >= 7,0 mg/dl Asam urat

25 f) Asam urat (lk)

26 g) Asam urat (pr) Variabel Rentang Nilai Himpunan Fuzzy Asaam <= 2,6 mg/dl Rendah urat (pr) 2,6-6,0 mg/dl Normal >= 6,0 mg/dl Asam urat

27 g) Asam urat (pr)

28 h) Jenis kelamin Menurut studi kasus yang sering ditemukan, laki-laki lebih berisiko terkena tiga kali lipat dibandingkan dengan wanita. Laki-laki cenderung terkena stroke iskemik, sedangkan wanita cenderung terkena stroke hemorragik (Nabyl, 2012). Pada variabel ini terdapat satu himpunan fuzzy benar yang memiliki 2 nilai (0,1). Jika perempuan, maka nilai 0 akan masuk ke aplikasi dan jika lakilaki, maka nilai 1 akan masuk ke aplikasi.

29 i) Blood Urea Nitrogen (BUN) Variabel Rentang Nilai Himpunan Fuzzy BUN < 6 mg/dl Rendah 6-23 mg/dl Normal > 23 mg/dl Tinggi

30 i) Blood Urea Nitrogen (BUN)

31 j) Kreatinin Variabel Rentang Nilai Himpunan Fuzzy Kreatinin < 0,7 mg/dl Rendah 0,7-1,2 mg/dl Normal > 1,2 mg/dl Tinggi

32 j) Kreatinin

33 Variabel Rentang Nilai Himpunan Fuzzy Status Rendah Risiko Normal 3 10 Tinggi

34 Terdapat 253 aturan, 90 aturan dengan status risiko tinggi 83 aturan dengan status risiko sedang 80 aturan dengan status risiko rendah

35 No Kondisi Status 1 IF tekanan_darah IS hipertensi_tahap_ii AND kolesterol_total IS normal AND LDL IS normal AND usia IS tua AND jenis_kelamin IS laki AND BUN IS normal Tinggi IF tekanan_darah IS normal AND kadar_gula IS normal AND kolesterol_total IS normal AND LDL IS tinggi AND jenis_kelamin IS laki AND usia IS tua AND au_lk IS asam_urat AND BUN IS normal AND kreatinin IS tinggi IF tekanan_darah IS hipertensi_tahap_i AND kadar_gula IS intermediete AND kolesterol_total IS normal AND LDL IS normal AND usia IS muda AND jenis_kelamin IS perempuan AND au_pr IS rendah AND BUN IS rendah AND kreatinin IS normal IF kadar_gula IS diabetes AND kolesterol_total IS sangat_tinggi AND LDL IS sangat_tinggi AND au_lk IS rendah IF tekanan_darah IS normal AND kadar_gula IS rendah AND LDL IS normal AND usia IS muda AND jenis_kelamin IS perempuan AND au_pr IS normal AND BUN IS rendah Sedang Sedang Rendah Rendah

36 Implementasi Fuzzy Control Language (FCL) Implementasi proses klasifikasi logika fuzzy Implementasi hasil keluaran Implementasi verifikasi hasil keluaran

37

38

39

40 Perangkat keras Perangkat lunak Processor Intel Core 2 Duo Memory 2 GB Kapasitas harddisk free sebesar 350 GB Operating System : XP Service Pack 3 MATLAB R2009a Netbeans IDE Java SE Development Kit 6 Update 18 Microsoft Excel 2010

41 Uji coba Variabel Tekanan darah 190 (hipertensi tahap II) 100 (normal) 100 (normal) Kadar gula darah 173 (intermediate) 155 (intermediate) 100 (normal) Kolesterol total 147 (normal) 195 (normal) 195 (normal) LDL 80 (normal) 127 (normal) 127 (normal) Usia 70 th (tua) 35 th (muda) 28 th (muda) Jenis kelamin Laki-laki Perempuan Laki-laki Asam urat (lk) 6.6 (normal) (normal) Asam urat (pr) (asam urat) 0 BUN 21.5 (normal) 20 (normal) 16.2 (normal) Kreatinin 0.9 (normal) 1.5 (tinggi) 0.6 (normal) Hasil pada MATLAB 4,93 1,79 0,871 Hasil pada aplikasi JAVA 4,92 1,79 0,87

42 Status Risiko Stroke Jenis Penilaian Tinggi Sedang Rendah Akurasi Total precision 85,71% 76,92% 83,33% recall 85,71% 76,92% 83,33% accuration 82,98% 86,67% 95,12% F-Measure 85,71% 76,92% 83,33% 82,98% Akurasi keluaran aplikasi cukup baik, yaitu mencapai 82,98% Tingkat kepercayaan hasil analisis untuk kelas tinggi, sedang dan rendah masing-masing sebesar 85,71%, 76,92% dan 83,33%

43 Kelas False positive (FP) False negative (FN) Tingkat Kesalahan Prediksi Tinggi 15,22% 16,12% 14,29% Sedang 19,44% 30,95% 23,08% Rendah 39,29% 19,04% 16,64% Tingkat Kesalahan Prediksi Total 20,51% Tingkat kesalahan prediksi aplikasi secara keseluruhan tergolong besar, yaitu sebesar 20,51% kelas tinggi perlu mendapat perhatian yang serius karena tingkat kesalahan prediksinya terbilang cukup tinggi yang mencapai 15,22% pada FP dan 16,12% pada FN. Sedangkan pada kesalahan prediksi FP yang mencapai 19,44% juga perlu diwaspadai karena enam dari tujuh prediksi yang salah merupakan kelas tinggi dimana kondisi kelas tinggi memerlukan penanganan khusus. Pada kelas sedang juga perlu mendapat perhatian yang serius, khususnya pada FN karena tingkat kesalahan prediksinya merupakan yang paling besar yakni mencapai 30,95%. Tingkat kesalahan FP pada kelas rendah terbilang cukup besar yaitu sebesar 39,29% dan berpotensi mengakibatkan kesalahan fatal dimana sembilan dari 11 kesalahan prediksinya merupakan kelas tinggi pada data yang sebenarnya

44 Aplikasi yang telah diuji coba dengan menggunakan data yang diperoleh dari Rumah Sakit XYZ memberikan hasil yang memuaskan. Selain itu, uji coba verifikasi menunjukkan bahwa aplikasi memberikan hasil yang sama dengan yang dihasilkan oleh perangkat lunak MATLAB. Dari keseluruhan data yang diuji cobakan, aplikasi mampu melakukan proses klasifikasi tingkat risiko secara benar sebesar 82,98%.

45 Dari aspek pengukuran keakuratan proses klasifikasi, akurasi sebesar 82,98%, 86,67%, dan 95,12% berturut-turut diperoleh untuk pengujian proses klasifikasi tingkat risiko tinggi, sedang, dan rendah. Dari aspek pengukuran kehandalan proses klasifikasi, kehandalan sebesar 85,71%, 76,92%, dan 83,33% berturut-turut diperoleh untuk pengujian proses klasifikasi tingkat risiko tinggi, sedang, dan rendah.

46 Potensi kesalahan untuk mendeteksi risiko sedang masih terbilang cukup besar dengan nilai sebesar 23,08%. Potensi kesalahan prediksi aplikasi secara keseluruhan tergolong besar, yaitu sebesar 20,51%. Kesalahan prediksi pada kelas sedang dan rendah cenderung mengarah ke prediksi tinggi dapat disebabkan karena rentang nilai variabel keluaran kelas tinggi merupakan yang paling panjang. Tingkat kesalahan prediksi pada kelas sedang cukup besar dapat disebabkan rentang nilai variabel keluaran kelas sedang yang merupakan paling pendek dibandingkan rentang nilai variabel keluaran kelas yang lain.

47 Saran yang dapat diberikan oleh penulis terhadap pengembangan lebih lanjut mengenai topik tugas akhir ini yaitu sebaiknya melibatkan banyak pakar, sehingga fungsi keanggotaan dan aturan logika fuzzy yang terbentuk tidak hanya berdasarkan pemikiran satu pakar.