DIAGNOSA PENYAKIT TUBERKULOSIS PARU MENGGUNAKAN ALGORITME VFI5 ABDUL ROSYID

Transkripsi

1 i DIAGNOSA PENYAKIT TUBERKULOSIS PARU MENGGUNAKAN ALGORITME VFI5 ABDUL ROSYID DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009

2 ii DIAGNOSA PENYAKIT TUBERKULOSIS PARU MENGGUNAKAN ALGORITME VFI5 Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor ABDUL ROSYID G DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009

3 i ABSTRAK ABDUL ROSYID. Diagnosa Penyakit Tuberkulosis Paru Menggunakan Algoritme VFI5. Dibimbing oleh Aziz Kustiyo dan Tri Noviati. Tuberkulosis () merupakan salah satu penyakit menular yang disebabkan oleh kuman C (Mycobacterium Tuberculosys) (Depkes 2007). lebih sering menyerang paru-paru, tetapi juga dapat menyerang bagian tubuh lain seperti selaput otak, kulit, tulang, kelenjar getah bening, dan bagian tubuh lainnya. Pengobatan Paru sangat penting dilakukan dalam mengurangi angka kematian. Pengobatan akan mudah dilakukan apabila proses diagnosa dilakukan secara dini. Diagnosa yang sekarang dilakukan masih menggunakan metode lama (Menkes 2008). Metode yang dilakukan bertumpu pada uji lab, baik uji mikroskopis maupun rontgen. Metode tersebut tidak dapat dilakukan di klinik-klinik kesehatan yang tidak memiliki poliklinik paru dengan peralatan yang memadai, sementara jumlah penderita Paru semakin bertambah. Pada penelitian ini, tujuan yang ingin dicapai adalah menerapkan algoritme VFI5 pada proses diagnosa dini penyakit Paru. Data yang digunakan pada penelitian ini adalah data rekam medis pasien rawat inap rumah sakit Pasar Rebo sebanyak 191 data. Data tersebut terbagi atas dua kelas, yaitu kelas dan kelas tidak. Adapun fitur-fitur dari setiap kelasnya, yaitu batuk, batuk berdarah, sakit dinding dada, nafas pendek, berat badan menurun, demam dan berkeringat, hilang nafsu makan, dan lemas. Dalam memperkirakan generalisasi error digunakan metode 3-Fold Cross Validation, dimana pada proses ini dilakukan membagi suatu himpunan menjadi subsetsubset yang saling bebas. Pada penelitian ini juga, setiap fitur diberikan bobot yang dinilai oleh pakar dari sisi tingkat pengaruh antar fitur yang bersesuaian. Hasil penelitian menunjukkan bahwa algoritme VFI5 masih termasuk algoritme yang mempunyai akurasi baik pada penelitian diagnosa penyakit. Akan tetapi pada penelitian ini akurasi yang didapatkan masih belum maksimal dengan nilai yang didapatkan rata-rata 83%. Gejala umum Paru memiliki ke khasan dari gejala-gejala penyakit lainnya. Dengan algoritme VFI5 dapat diperkirakan seseorang mengarah ke atau tidak dengan melihat hasil diagnosa tersebut. Hasil penelitian menunjukkan bahwa untuk menentukan seseorang menderita atau tidak, tidak dapat ditentukan hanya oleh satu gejala saja. Gejala yang paling berpengaruh adalah batuk berdarah dan berat badan menurun. Kata Kunci : Tuberkulosis () Paru, Algoritme VFI5.

4 ii Judul Nama NRP : Diagnosa Penyakit Tuberkulosis Paru Menggunakan Algoritme VFI5 : Abdul Rosyid : G Menyetujui, Pembimbing I Pembimbing II Aziz Kustiyo, S.Si, M.Kom. NIP dr. Tri Noviati, MARS NIP Mengetahui, Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. drh. Hasim, DEA NIP Tanggal Lulus :

5 iii RIWAYAT HIDUP Penulis dilahirkan di Kuningan pada tanggal 13 Juni Anak pertama dari tiga bersaudara, dari pasangan Bapak Aang Anshori dan Ibu Caskinah. Riwayat pendidikan : SMU Negeri 3 Kuningan D3 Program Studi Informatika Sub Program Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor S1 Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Pengalaman Organisasi : Ketua OSIS Bidang I SMU Negeri 3 Kuningan Ketua PMR SMU Negeri 3 Kuningan Anggota PMR Gabungan Kabupaten Ketua Departemen Sosial dan Advokasi BEM FMIPA IPB Ketua Himpunan Mahasiswa Aria Kamuning Kuningan LSM Perhimpunan Petani Nelayan Sejahtera Indonesia (PPNSI) LSM Indonesian Labour Foundation (ILF) Saat ini penulis juga adalah seorang karyawan di salah satu perusahaan swasta di Jakarta.

6 iv Bismillahirrahmanirrahim, PRAKATA Segala puji bagi Allah SWT, atas limpahan rahmat dan karunianya dan semoga shalawat dan salam tetap tercurahkan kepada nabi Muhammad SAW. Penulis mengucapkan Alhamdulillahi rabbal alamin, atas selesainya skripsi denga judul Diagnosa Penyakit Menggunakan Algoritme VFI5. Skripsi ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer Fakultas Matematikan dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Penulis mengucapkan terima kasih kepada semua pihak sehingga terselesaikannya skripsi ini, diantaranya : Orang tua tercinta yang selalu memberikan do a dan motivasi kepada penulis Bapak Aziz Kustiyo, S.Si.,M.Kom. dan ibu dr. Tri Noviati, MARS., selaku pembimbing yang telah memberikan arahan dan masukan sehingga selesainya skripsi ini. Bapak dr. Muhammad Syafii, M.Kom., dr. Syafrizal, dr. Diana, Ibu Merriani Girsang, M.Si. yang telah memberikan arahan kepada penulis dalam menyelesaikan penelitian ini. Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB Bapak Ir. Eddy Zanur, MSAE., Bapak Ir. Syamsul Rizal, M.Sc., selaku pimpinan perusahaan yang telah mendukung dalam proses pendidikan penulis. Bapak Drs. Aryo Judhoko, Bapak Drs. Agus Widodo, Ibu Ully Ullva, Bapak Maulana Mustika dan teman-teman kerja yang telah memberikan motivasi dan dukungan. Teman-teman Keluarga Muslim Ekstensi (KAMUS) IPB Teman-teman DKM Al Ghifari IPB Teman-teman HIMARIKA Kuningan Teman-teman BAFADA Adik-adiku tercinta Ade Opik Hidayat, Siti Romlah, Tuti Solihat, Dika Kadarwati yang telah memberikan bantuan dan motivasi. Seta Baehera, Muhammad Haikal, dan seluruh teman-teman angkatan I, II, dan III ILKOM Ekstensi IPB yang tidak dapat disebutkan satu pe rsatu. Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak yang membutuhkan. Amin. Bogor, Juni 2009 Abdul Rosyid

7 v DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR...iii DAFTAR LAMPIRAN... iv PENDAHULUAN Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 Manfaat... 1 TINJAUAN PUSTAKA Klasifikasi... 2 Algoritme Voting Feature Intervals... 2 K-Fold Cross Validation... 3 Confusion Matrix... 3 Tuberkulosis... 3 Penyebab Penyakit... 3 Cara Penularan Penyakit... 4 Gejala Umum Penyakit... 4 Metode Diagnosa... 4 METODE PENELITIAN Survei... 5 Konsultasi dengan dokter... 5 Data... 6 Praproses... 6 Data latih data uji... 6 Pelatihan... 6 Klasifikasi... 6 Akurasi... 6 Lingkungan Pengembangan... 6 HASIL DAN PEMBAHASAN Iterasi Pertama... 7 Iterasi Kedua... 8 Iterasi Ketiga... 9 Akurasi KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN... 12

8 vi DAFTAR TABEL Halaman 1 Confusion matrix data dengan dua kelas Pembobotan data gejala umum penderita Paru Kombinasi 3-Fold Cross Validation Contoh Konversi Data Gejala Pembagian Data dengan Metode 3-Fold Cross Validation Data Iterasi Pertama Confusion Matrix Iterasi Pertama Data instance salah iterasi pertama kelas Data instance salah iterasi pertama kelas Bukan Data Iterasi Kedua Confusion matrix pada Iterasi II Data instance salah iterasi kedua Kelas Data instance salah iterasi kedua Kelas Data instance salah iterasi kedua kelas Bukan Data iterasi ketiga Confusion matrix pada Iterasi Ketiga Data instance salah iterasi ketiga kelas Data instance salah iterasi ketiga kelas Data instance salah iterasi ketiga kelas Bukan Hasil rata-rata dari semua iterasi DAFTAR GAMBAR Halaman 1 Algoritme pelatihan VFI5 (Demiroz 1997) Bakteri Mycobacterium Tuberculosys Pola penyebaran bakteri Sistem diagnosa Paru Alur metode penelitian Grafik akurasi setiap iterasi... 12

9 vii DAFTAR LAMPIRAN Halaman 1 Kuisioner pembobotan variabel Penilaian masing-masing variabel Data Pasien Rawat Inap Dewasa Rumah Sakit Pasar Rebo tahun Data Testing Iterasi I Data Testing Iterasi II Data Testing Iterasi III Instance salah iterasi pertama kelas Instance salah iterasi pertama kelas Bukan Instance salah iterasi kedua kelas Instance salah iterasi kedua kelas tidak Instance salah iterasi ketiga kelas Instance salah iterasi ketiga kelas tidak Confusion matrix iterasi pertama Confusion matrix iterasi kedua Confusion matrix iterasi ketiga Halaman utama program Halaman training program Halaman testing program Halaman simulasi testing program Halaman simulas akurasi testing program Halaman publik utama program... 31

10 1 Latar Belakang PENDAHULUAN Tuberkulosis () merupakan salah satu penyakit menular yang disebabkan oleh kuman C (Mycobacterium Tuberculosys). (Depkes 2007). Sebagian besar kuman menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya seperti otak, ginjal, saluran pencernaan, tulang, kelenjar getah bening, dan lain-lain. Diperkirakan sekitar sepertiga penduduk dunia telah terinfeksi oleh Mycobacterium Tuberculosys. Pada tahun 1995, diperkirakan ada sembilan juta pasien baru dan tiga juta kematian akibat diseluruh dunia. Diperkirakan 95% kematian akibat didunia terjadi di negara-negara berkembang (Depkes 2007). Menurut buku Pedoman Nasional Penanggulangan Tuberkulosis Departemen Kesehatan tahun 2007, di Indonesia merupakan masalah utama kesehatan masyarakat. Jumlah pasien di Indonesia adalah ketiga terbanyak di dunia setelah India dan Cina dengan jumlah pasien sekitar 10% dari total jumlah pasien di dunia. Pada tahun 1995, hasil Survei Kesehatan Rumah Tangga (SKRT) menunjukkan bahwa penyakit merupakan penyebab kematian nomor tiga setelah penyakit kardiovaskuler (jantung) dan penyakit saluran pernafasan pada semua kelompok usia, dan nomor satu dari golongan penyakit infeksi. mempunyai riwayat alamiah pasien yang tidak diobati setelah lima tahun, dapat menyebabkan : 50% meninggal 25% akan sembuh sendiri dengan daya tahan tubuh yang tinggi 25% menjadi kasus kronis yang tetap menular Oleh karena itu pengobatan merupakan hal yang sangat penting dalam mengurangi angka kematian tersebut. Pengobatan akan mudah dilakukan apabila proses diagnosa dilakukan secara dini. Penelitian ini mencoba mengembangkan metode diagnosa Paru dengan menguji data gejala-gejala umumnya. Hasil uji lab dijadikan sebagai data kontrol untuk mengukur tingkat akurasi dari pengujian gejala umum Paru. Algoritme VFI5 digunakan pada penelitian ini, karena selain merupakan algoritme klasifikasi algortime ini juga cukup kokoh terhadap feature yang tidak relevan tetapi memberikan hasil yang baik. Pada data diagnosa penyakit Paru feature yang tidak relevan kemungkinan akan ada, dikarenakan data diagnosa dari setiap dokter akan berbeda-beda. Penelitian sebelumnya tentang diagnosa penyakit menggunakan VFI5 yaitu tentang Penyakit Parvo & Distemper (Iqbal 2006). Sedangkan penelitian khusus yang pernah dilakukan yaitu tentang Evaluasi Program DOTS (Directly Observed Treatment, Shorcourse Chemotherapy) (Girsang 2008). Tujuan Tujuan penelitian ini adalah menerapkan algoritme VFI5 pada proses diagnosa dini penyakit Paru. Ruang Lingkup Ruang lingkup penelitian ini dibatasi pada : 1 Jenis penyakit yang diteliti adalah jenis paru. 2 Data yang diuji menggunakan variabel gejala umum Paru. 3 Data dibagi dua kelas, yaitu kelas dan kelas tidak. 4 Data Paru bersumber dari data pasien rawat inap dewasa tahun 2008 di Rumah Sakit Pasar Rebo Jakarta Timur. 5 Pada diagnosa ini tidak menggunakan proses uji klinis, baik uji mikroskopis maupun foto toraks atau rontgen, tetapi menggunakan data hasil pemeriksaan gejala - gejala umum dari pasien Paru. Manfaat Metode diagnosa penyakit Paru menggunakan algoritme VFI5 diharapkan membantu pihak medis ataupun non medis dalam melakukan diagnosa dini penyakit Paru. Metode ini juga dapat dijadikan

11 2 sebagai bentuk tindakan preventif sebelum penyakit tersebut parah. Klasifikasi TINJAUAN PUSTAKA Klasifikasi merupakan salah satu bidang kajian dalam machine learning. Klasifikasi merupakan proses menemukan sekumpulan model atau fungsi yang menggambarkan dan membedakan konsep atau kelas-kelas data, dengan tujuan agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu objek atau data yang tabel kelasnya tidak diketahui (Han & Kamber 2001). Klasifikasi dibagi menjadi dua tahap, yaitu pelatihan dan klasifikasi. Pada tahap pelatihan dibentuk sebuah model domain permasalahan dari setiap instance (data pelatihan) yang label kelasnya sudah diketahui (Gambar 1). Pada tahap klasifikasi dilakukan prediksi kelas baru dengan menggunakan model yang dibuat pada tahap pelatihan (Güvenir 1997). Algoritme Voting Feature Intervals Voting Feature Intervals merupakan salah satu algoritme klasifikasi. Algoritme ini dikembangkan oleh Demiroz dan Guvenir pada tahun Algoritme ini mempresentasikan deskripsi sebuah konsep oleh sekumpulan interval nilai-nilai feature atau atribut. Demiroz dan Guvenir (1997) mengemukakan bahwa VFI merupakan algoritme yang supervised artinya memiliki target berupa kelas-kelas data dan bersifat non-incremental yaitu semua instance pelatihan diproses secara bersamaan. Algoritme Voting Feature Intervals yang dikembangkan sudah sampai pada versi yang ke-5 atau sering disebut algoritme VFI5. Algoritme VFI5 membuat interval untuk setiap feature yang berupa range interval atau point interval. Nilai vote untuk setiap interval akan disimpan, sehingga algoritme VFI5 dapat disebut sebagai Multiclass feature projection based algorithms. train(trainingset): begin for each feature f for each class c EndPoints[f] = EndPoints[f] find_end_points(trainingset,f,c); sort(endpoint[f]); if f is linear for each end point p in EndPoints[f] form a point interval from end point p form a range interval between p and the next end point p else /*f is nominal*/ each distinct point in EndPoint[f] forms a point interval for each interval i on feature dimension f for each class c interval_class_count[f,i,c] = 0 count_instances(f,trainingset); for each interval i on feature dimension f for each class c end interval_class_vote[f,i,c] = normalize interval_class_vote[f,i,c] * such that interval_class_vote[f,i,c] = I * Gambar 1 Algoritme pelatihan VFI5 (Demiroz 1997)

12 3 Keunggulan algoritme VFI5 adalah algoritme tersebut cukup kokoh (robust) terhadap feature yang tidak relevan namun mampu memberikan hasil yang baik pada real world datasets yang ada. VFI5 mampu menghilangkan pengaruh yang kurang menguntungkan dari feature yang tidak relevan dengan mekanisme votingnya (Güvenir 1998). Algoritme klasifikasi mampu melakukan klasifikasi lebih cepat dibandingkan dengan algoritme nearst neighbor dan decision tree. VFI5 mampu menangani nilai feature yang tidak diketahui (hilang) dengan cara mengabaikan nilai feature yanga ada pada data pelatihan dan data pengujian, sedangkan pada algoritme Nearst Neighbor dan Decision Tree data tersebut harus diganti (Güvenir 1997). K-Fold Cross Validation Merupakan metode membagi sebuah himpunan contoh secara acak menjadi k himpunan bagian (subset) yang saling bebas dengan ulangan sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan disisipkan subset lainnya untuk pelatihan (Fu 1994). Pada metode ini, data dibagi menjadi k- fold yang saling bebas secara acak, dengan ukuran setiap fold kira-kira sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada iterasi ke-i, subset S i dijadikan sebagai data pengujian, dan data subset lainnya dijadikan sebagai data pelatihan. Untuk mengetahui tingkat akurasi dihitung dengan cara membagi jumlah hasil klasifikasi yang benar dari k iterasi dengan jumlah semua instance pada data awal (Han & Kamber 2001). Confusion Matrix Confusion matrix merupakan informasi tentang kelas data aktual yang direpresentasikan pada baris matriks dan kelas data hasil prediksi suatu algoritme yang direpresentasikan pada kolom matriks klasifikasi. Akurasi algoritme klasifikasi biasanya dievaluasi dari data yang ada pada matriks. Pada Tabel 1 disajikan confusion matrix untuk data dengan dua kelas (Kohavi & Provost 1998 diacu dalam Hamilton 2002). Tabel 1 Confusion matrix data dengan dua kelas. Prediksi Data Kelas 1 Kelas 2 Kelas 1 a b Aktual Kelas 2 c d Keterangan : a adalah jumlah instance kelas 1 yang berhasil diprediksi dengan benar sebagai kelas 1, b adalah jumlah instance kelas 1 yang tidak berhasil diprediksi dengan benar karena diprediksi sebagai kelas 2, c adalah jumlah instance kelas 2 yang tidak berhasil diprediksi dengan benar karena diprediksi sebagai kelas 1, d adalah jumlah instance kelas 2 yang berhasil diprediksi dengan benar sebagai kelas 2. Tuberkulosis Tuberkulosis adalah penyakit menular yang disebabkan oleh kuman C (Mycobacterium Tuberculosis). lebih sering menyerang paru-paru, namun juga dapat menyerang bagian tubuh lain seperti selaput otak, kulit, tulang, kelenjar getah bening, dan bagian tubuh lainnya. dapat menyerang siapa saja (tua, muda, laki-laki, perempuan). Sekitar 75% pasien adalah kelompok usia yang paling produktif secara ekonomis (15-50 tahun). Diperkirakan seorang pasien dewasa, akan kehilangan rata-rata waktu kerjanya 3 sampai 4 bulan. Survei prevalensi yang dilakukan di enam provinsi pada tahun menunjukkan bahwa prevalensi di Indonesia berkisar antara 0,2 0,65%. Menurut laporan Penanggulangan Global yang dikeluarkan oleh WHO pada tahun 2004, angka insidensi pada tahun 2002 mencapai kasus (256 kasus/ penduduk), dan 46% diantaranya diperkirakan merupakan kasus baru (Depkes 2007). Penyebab Penyakit Penyakit adalah suatu penyakit infeksi yang disebabkan oleh bakteri Mycobacterium Tuberculosys (Gambar 2). Bakteri ini berbentuk batang/basil dan bersifat tahan asam sehingga dikenal juga

13 4 sebagai Basil Tahan Asam (BTA). Bakteri ini pertama kali ditemukan oleh Robert Koch pada tanggal 24 Maret 1882, sehingga untuk mengenang jasanya bakteri tersebut diberi nama baksil Koch. Bahkan, penyakit C pada paru-paru kadang disebut sebagai Koch Pulmonum (KP) (Depkes 2007). Gambar 2 Bakteri Mycobacterium Tuberculosys Cara Penularan Penyakit Penyakit biasanya menular melalui udara yang tercemar dengan bakteri Mycobacterium Tuberculosys yang dilepaskan pada saat penderita batuk, dan pada anak-anak sumber infeksi umumnya berasal dari penderita dewasa. Bakteri ini bila sering masuk dan terkumpul di dalam paru-paru akan berkembang biak menjadi banyak (terutama pada orang dengan daya tahan tubuh yang rendah), dan dapat menyebar melalui pembuluh darah atau kelenjar getah bening. Oleh sebab itu infeksi dapat menginfeksi hampir seluruh organ tubuh seperti: paru-paru, otak, ginjal, saluran pencernaan, tulang, kelenjar getah bening, dan lain-lain, meskipun demikian organ tubuh yang paling sering terkena yaitu paru-paru (Gambar 3). Gejala umum penyakit paru -batuk selama lebih dari 3 minggu (dapat disertai dengan darah). Sakit dinding dada. Demam tidak terlalu tinggi yang berlangsung lama, biasanya dirasakan malam hari disertai keringat malam. Terkadang serangan demam seperti influenza dan bersifat hilang timbul. Penurunan nafsu makan dan berat badan. Perasaan tidak enak (malaise), lemah. Metode Diagnosa Paru (Departemen Kesehatan RI) Sumber : Depkes 2007 Gambar 3 Pola penyebaran bakteri Sumber : Depkes 2007 Gambar 4 Sistem diagnosa Paru Proses diagnosa Paru pada pasien dewasa ditunjukkan pada Gambar 4, sedangkan pada anak Paru sulit di deteksi karena anak susah mengeluarkan dahak, sehingga untuk diagnosanya menggunakan sistem skor berdasarkan gejala yang sudah ditetapkan oleh Departemen Kesehatan (Depkes 2007). Pada pasien anak yang tidak menimbulkan gejala, C dapat terdeteksi kalau diketahui adanya kontak dengan pasien C dewasa. Kira-kira 30-50% anak yang kontak dengan penderita C paru dewasa memberikan hasil uji tuberkulin positif. Pada anak usia 3 bulan 5 tahun yang tinggal serumah dengan penderita C paru dewasa dengan BTA positif, dilaporkan

14 5 30% terinfeksi berdasarkan pemeriksaan serologi/darah. METODE PENELITIAN Pada penelitian ini dilakukan beberapa tahapan proses untuk mendapat hasil yang diinginkan. Proses-proses tersebut dapat dilihat pada Gambar 5. VFI5 Gambar 5 Alur metode penelitian Pada tahap pertama proses yang dilakukan adalah mengidentifikasi data terlebih dahulu yang disesuaikan dengan topik penelitian. Tahap selanjutnya adalah mencari instansi yang tepat dan siap untuk menyediakan data. Survei Data latih Pelatihan Klasifikasi Akurasi Survei Konsultasi dengan dokter Data Praproses Data Uji Survei data dilakukan ke lembaga/instansi yang bersedia menyediakan data dan bersedia dijadikan sebagai tempat penelitian. Dalam hal ini instansi yang dijadikan tempat survei dan penelitian adalah Rumah Sakit Umum Daerah Pasar Rebo Jakarta Timur. Rumah Sakit Pasar Rebo dijadikan sebagai tempat penelitian dengan alasan bahwa rumah sakit ini merupakan salah satu rumah sakit yang mempunyai poliklinik paru terbesar di Jakarta, selain Rumah Sakit Umum Persahabatan. Penelitian ini dilakukan selama dua bulan. Konsultasi dengan dokter Tahap selanjutnya adalah konsultasi dengan dokter, hal ini dilakukan untuk mendapatkan informasi data va riabel gejala pendukung Paru yang relevan untuk bahan penelitian. Konsultasi tersebut dilakukan dengan beberapa dokter diantaranya : a b c d dr. Tri Noviati, MARS (Rumah Sakit Pasar Rebo) dr. Syafrizal (Rumah Sakit Pasar Rebo) dr. Muhammad Syafii, M.Kom (Kepala Pusat Data dan Informasi Dinas Kesehatan Provinsi DKI Jakarta) dr. Diana (Yayasan Madani Dompet Peduli - Republika) Proses konsultasi dilakukan lebih membahas pada pembobotan variabel gejala dilihat dari tingkat seberapa besar pengaruh gejala tersebut pada penyakit Paru. Metode konsultasi yang dilakukan menggunakan metode kuisioner dengan respondennya adalah dokter. Data kuisioner adalah data variabel gejala yang didapatkan dari literatur dan hasil dari saringan dokter. Hasil yang didapatkan dari konsultasi tersebut dintunjukkan pada Tabel 2. Tabel 2 Pembobotan data gejala umum penderita Paru No Gejala Bobot berdarah Sakit dinding dada Nafas pendek 5 5. Berat badan menurun Demam berkeringat 5 7. Hilang nafsu makan 5 8. Lemas 5

15 6 Data Data yang digunakan pada penelitian ini adalah data rekam medis dokter dan perawat di Rumah Sakit Pasar Rebo. Data yang diteliti merupakan data gejala umum Paru yang berupa data ordinal gejalagejala Paru. Kemudian untuk mempermudah proses algoritme data ordinal dikonversi menjadi data nominal. Data tersebut berjumlah 191 data yang terbagi menjadi dua kelas, yaitu kelas kelas bukan. Kelas diambil dari pasien Paru rawat inap sebanyak 120 data sedangkan kelas bukan diambil dari pasien yang dirujuk pulang karena kondisi menjelang sembuh sebanyak 71 data. Data yang diambil merupakan data gejala pendukung Pa ru. Kemudian dikonsultasikan dengan pihak dokter sehingga didapatkan relevansi data yang tepat untuk diagnosa penyakti Paru. Praproses Pada tahap ini dilakukan proses pembersihan feature yang datanya kosong untuk tidak dipakai. Pembersihan dilakukan dengan tujuan mendapatkan feature yang betul relevan karena akan mempengaruhi hasil klasifikasi. Pada tahap selanjutnya dilakukan proses konversi data yang bernilai ordinal menjadi data nominal. Proses ini dilakukan agar mempermudah proses perhitungan oleh algoritme. Data latih dan data uji Tahap selanjutnya adalah proses pembagian data menggunakan konsep 3-fold cross validation yaitu membagi data menjadi tiga, masing-masing data sebanyak 120 dengan kombinasi data (40 : 40 : 40) dan data bukan sebanyak 71 dengan kombinasi data (24 : 24 : 23) yang terbagi menjadi data latih dan data uji, seperti yang ditunjukkan pada Tabel 3. Tabel 3 Kombinasi 3-Fold Cross Validation Iterasi Data Latih Data Uji I Subset 1, Subset 2 Subset 3 II Subset 1, Subset 3 Subset 2 III Subset 2, Subset 3 Subset 1 Pelatihan Tahap pelatihan diawali dengan prosedur untuk mencari nilai end point suatu feature. Nilai end point untuk feature numerik (diskret atau kontinu) merupakan nilai maksimum dan nilai minimum sebuah feature, sedangkan end point feature nominal merupakan nilai yang ada pada feature tersebut. Data gejala umum Paru merupakan feature dari masing-masing data pasien. Kriteria positif dan bukan menjadi kelas dari masing-masing data tersebut. Langkah selanjutnya adalah normalisasi. Data pada setiap atribut dihitung sampai dengan didapatkan nilai vote nya. Nilai vote tersebut akan digunakan pada tahap klasifikasi. Klasifikasi Pada tahap ini setiap nilai pada feature diperiksa dan dilihat pada interval berapa nilai tersebut jatuh. Nilai vote yang diberikan setiap kelas untuk setiap feature pada interval yang bersesuaian diambil dan kemudian dijumlahkan. Kelas dengan nilai vote tertinggi menjadi kelas prediksi dari pengujian tersebut. Hasil dari klasifikasi ini akan menghasilkan diagnosa dini penderita dengan keputusan mengarah ke Paru atau tidak. Dikatakan mengarah apabila nilai prediksi lebih besar dari nilai bukan. Akurasi Pengolahan data menggunakan algoritme VFI5 selesai, maka akan diketahui akurasi diagnosa penyakit Paru tersebut. Apabila tingkat akurasi Paru tinggi (mendekati 100%) maka algoritme VFI5 memiliki akurasi yang baik untuk diagnosa penyakit Paru. Proses penghitungan akurasi dapat dilihat pada rumus di bawah ini : Akurasi = Σ data uji benar klasifikasi x 100% Σ total data uji Lingkungan Pengembangan Lingkungan pengembangan ini berbasis web, diimplementasikan menggunakan basisdata MySQL. Perangkat lunak pendukungnya menggunakan PHP dengan pengolahnya yaitu Macromedia

16 7 Dreamwever 8. Adobe Photoshop CS2 sebagai software desainnya. Arah pengembangan sistem diagnosa ini meliputi : 1 Sistem ini berbasis web (internet). Hal ini dilakukan dengan tujuan sistem diagnosa ini dapat diakses dengan mudah oleh pihak-pihak yang bersangkutan dimanapun berada. 2 Koneksi jaringan yang digunakan adalah jaringan telepon atau teknologi mobile. 3 Konten sistem yang digunakan berupa pertanyaan seputar gejala-gejala yang telah ditentukan jenis gejala dan pilihan jawabannya. 4 Teknologi yang dapat digunakan untuk menjalankan sistem ini diantaranya : a Koneksi ke jaringan internet berupa modem b Komputer Pentium III ke atas lengkap dengan browsernya. Perangkat keras yang digunakan pada penelitian ini adalah komputer Notebook dengan spesifikasi sebagai berikut : Processor Intel Pentium IV Dual Core 1,86 GB, HDD 80GB, RAM 512MB. HASIL DAN PEMBAHASAN Pada tahap awal data gejala atau data variabel yang masih berbentuk data ordinal dikonversi menjadi data nominal. Proses ini dilakukan untuk mempermudah proses perhitungan algoritme. Misal data gejala batuk seperti ditunjukkan pada Tabel 4. Tabel 4 Contoh Konversi Data Gejala Gejala Nilai > 3 bulan bulan 3 1 minggu 1 bulan 2 Tidak 1 Proses konversi dilakukan melalui konsultasi dengan dokter menggunakan kuisioner dari gejala-gejala yang telah ditentukan. Hal ini dilakukan karena pihak dokter lebih memahami setiap gejala Paru yang relevan dilihat dari tingkat pengaruh pada setiap gejala. 3-Fold Cross Validation Data yang telah dikonversi kemudian dibagi tiga sesuai dengan konsep 3-Fold Cross Validation. Pembagian data menjadi 3 dapat dilihat pada Tabel 5. Tabel 5 Pembagian Data dengan Metode 3-Fold Cross Validation Gejala Jumlah Data Subset I II III Bukan Jumlah Iterasi pertama Pada iterasi pertama data latih berjumlah 128, masing-masing adalah data subset I dan II dari semua kelas. Sedangkan subset III sebanyak 63 data dijadikan sebagai data uji, seperti yang ditunjukkan pada Tabel 6. Tabel 6 Data Iterasi Pertama Data Latih Data Uji Subset 1 (64 instance) Subset 3 Subset 2 (64 instance) (63 instance) Data tersebut di olah menggunakan algoritme VFI5. Langkah pertama adalah proses training, dimana setiap data dicari nilai minimum & maksimumnya sampai dengan didapatkan nilai vote nya. Akurasi hasil perhitungan iterasi pertama adalah 76% dengan instance yang benar sebanyak 48 dari 63. Tabel 7 Confusion Matrix Iterasi Pertama Aktual Data Prediksi Tidak Tidak 5 23 Jumlah instance yang salah berjumlah 15, masing-masing 10 yang seharusnya diprediksi bukan dan 5 yang seharusnya bukan diprediksi. Hasil penelitian instance-instance yang salah pada iterasi pertama kelas ditunjukkan pada Tabel 8 dan Tabel 9.

17 8 Tabel 8 Data instance salah iterasi pertama kelas No Gejala Pasien 1 Pasien 15 Pasien 17 Pasien 24 Pasien 39 Bukan 1. 9% 91% 58% 42% 9% 91% 9% 91% 9% 91% 2. berdarah 44% 56% 44% 56% 44% 56% 44% 56% 44% 56% Bukan 3. Sakit dinding dada 47% 53% 32% 68% 100 % Bukan Bukan Bukan 0% 47% 53% 47% 53% 4. Nafas pendek 20% 80% 20% 80% 20% 80% 89% 11% 20% 80% 5. Berat badan menurun 53% 47% 53% 47% 53% 47% 53% 47% 53% 47% 6. Demam berkeringat 80% 20% 57% 43% 42% 58% 42% 58% 80% 20% 7. Hilang nafsu makan 48% 52% 48% 52% 48% 52% 48% 52% 48% 52% 8. Lemas 66% 34% 66% 34% 66% 34% 66% 34% 66% 34% Akurasi 43% 57% 47% 53% 49% 51% 46% 54% 43% 57% Pada pasien 1 gejala yang menentukan seseorang diprediksi adalah gejala berat badan menurun, demam berkeringat, dan lemas. Nilai dari gejala tersebut masingmasing 53%, 80%, dan 66%. Nilai gejala tertinggi hanya ada pada gejala demam berkeringat, sedangkan pada berat badan dan lemas nilainya kecil ditambah bobot dari gejala-gejala tersebut bernilai kecil. Artinya pasien prediksi hanya dipengaruhi oleh 1 gejala yaitu berat badan menurun. Hal ini menunjukkan bahwa pasien tidak dapat diprediksi hanya dengan gejala berat badan menurun. Gejala yang menentukan seseorang diprediksi pada pasien 15 adalah variabel batuk, berat badan menurun, demam berkeringat, dan lemas. Nilai gejala prediksi pada pasien 15 rata-rata bernilai kecil, sehingga sulit diprediksi pasien tersebut. Pada pasien 17 gejala yang diprediksi adalah sakit dinding dada, berat badan menurun, dan lemas. Nilai tertinggi hanya ada pada gejala sakit dinding dada dengan nilai 100%, akan tetapi gejala tersebut tidak terlalu berpengaruh untuk memprediksi pasien tersebut. Prediksi pada pasien 24 ditentukan oleh gejala nafas pendek, berat badan menurun, dan lemas. Nilai tertinggi hanya ada pada satu gejala, yaitu nafas pendek. Hal ini tidak dapat dijadikan sebagai bahan prediksi. Pada pasien 39 prediksi ditentukan oleh gejala berat badan menurun, demam berkeringat, dan lemas. Nilai tertingginya hanya pada gejala demam berkeringat, dan ini tidak dapat dijadikan sebagai prediksi. Pada Tabel 8 dapat disimpulkan bahwa salah prediksi yang terjadi disebabkan oleh : 1 Gejala yang diprediksi adalah gejala yang mempunyai bobot kecil, seperti nafas pendek, demam berkeringat, dan lemas. 2 Rata-rata hanya satu gejala yang mempunyai presentasi tinggi, selebihnya bernilai kurang dari 60%. Tabel 9 Data instance salah iterasi pertama kelas bukan. No Gejala Pasien 42 Pasien 46 Pasien 49 Bukan Pada pasien 42 gejala yang memprediksi bukan adalah batuk berdarah dan sakit dinding dada. Nilai pada gejala-gejala tersebut sangat kecil yaitu 56% 53%. Hal ini sulit dijadikan sebagai prediksi pasien bukan karena rata-rata gejala mengarah ke. Bukan Bukan 1. 58% 42% 100% 0% 100% 0% berdarah 44% 56% 0% 100% 44% 56% Sakit dinding 47% 53% 47% 53% 47% 53% dada Nafas pendek 89% 11% 100% 0% 89% 11% Berat badan 53% 47% 53% 47% 53% 47% menurun Demam 57% berkeringat 43% 80% 20% 57% 43% Hilang nafsu 48% 52% 48% 52% 48% 52% makan 8. Lemas 66% 34% 66% 34% 37% 63% Akurasi 55% 45% 58% 42% 60% 40%

18 9 Gejala yang memprediksi tidak pada pasien 46 adalah batuk berdarah, sakit dinding dada, dan, hilang nafsu makan. Nilai tertinggi hanya ada pada gejala batuk berdarah. Hal ini tidak dapat dijadikan sebagai prediksi pasien bukan karena satu gejala tidak dapat dijadikan sebagai penentu. Pada pasien 49 gejala yang memprediksi tidak adalah batuk bedarah, sakit dinding dada, dan lemas. Nilai pada masing-masing variabel tersebut tergolong kecil, yaitu 53persen, 56persen, 52%, dan 66%. Hal ini menunjukkan bahwa gejala-gejala tersebut tidak dapat dijadikan sebagai indikator penentu pasien tidak. Pada Tabel 9 dapat disimpulkan bahwa prediksi bukan yaitu gejala-gejala yang rata-rata nilainya kecil dan juga hanya ditentukan oleh 1 gejala. Pada iterasi pertama dapat diambil kesimpulan bahwa prediksi atau bukan sangat dipengaruhi oleh jumlah, bobot, dan nilai dari masing-masing gejala. Iterasi kedua Pada tahap ini dilakukan proses yang sama dengan iterasi pertama, hanya data uji dan data latih yang digunakan berbeda. Data latih dan data uji untuk iterasi kedua dapat dilihat pada Tabel 10. Tabel 10 Data iterasi kedua Data Latih Data Uji Subset 1 (64 instance) Subset 2 Subset 3 (63 instance) (64 instance) Hasil pengolahan dari iterasi kedua menghasilkan akurasi sebesar 84% dengan jumlah instance yang benar sebanyak 54 dari 64 instance. Tabel 11 Confusion matrix Iterasi kedua Aktual Data Prediksi Tidak 40 7 Tidak 3 24 Pada iterasi kedua nilai akurasi Algoritme VFI5 sebesar 84%. Instance yang salah berjumlah 10, masing-masing 7 yang seharusnya di, diprediksi bukan dan 3 yang seharusnya bukan, diprediksi. Data instance salah iterasi kedua ditunjukkan pada Tabel 12 dan Tabel 13. Tabel 12 Data instance salah iterasi kedua kelas No Gejala Pasien 8 Pasien 15 Bukan Bukan 1. 57% 43% 57% 43% berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan 41% 59% 41% 59% 45% 55% 45% 55% 29% 71% 29% 71% 51% 49% 51% 49% 44% 56% 37% 63% 49% 51% 49% 51% 8. Lemas 32% 68% 71% 29% Akurasi 45% 55% 48% 52% Tabel 13 Data instance salah iterasi kedua kelas No Gejala Pasien 19 Pasien 26 Bukan Bukan 1. 75% 25% 23% 77% berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan 41% 59% 41% 59% 45% 55% 16% 84% 29% 71% 29% 71% 51% 49% 49% 51% 44% 56% 37% 63% 49% 51% 49% 51% 8. Lemas 32% 68% 32% 68% Akurasi 48% 52% 34% 66% Pada pasien 8 gejala yang memprediksi adalah batuk dan berat badan menurun. Nilai dari masing-masing gejala tersebut masih kecil, yaitu 57% dan 51%. Hal ini tidak dapat gejala-gejala tersebut tidak dapat dijadikan prediksi. Pada pasien 15 nilai tertinggi gejala yaitu pada gejala lemas saja, hal ini tidak dapat menjadi penentu prediksi pasien tersebut. Pada pasien 19 nilai tertinggi gejala yang memprediksi hanya pada gejala batuk saja, hal ini sama seperti pada pasien 15 tidak dapat menjadi acuan prediksi.

19 10 Pada pasien 26 tidak ada sama sekali nilai di atas 50%. Hal ini sudah pasti gejalagejala tersebut lebih mengarah pada prediksi bukan. Pada Tabel 12 dan 13 prediksi ditunjukkan dengan gejala yang rata-rata nilainya kecil. Hal ini menjadi alasan salah prediksi untuk pasien pada iterasi kedua. Tabel 14 Data instance salah iterasi kedua kelas bukan No Gejala Pasien 52 Pasien 53 Pasien 59 Bukan Bukan Bukan 1. 57% 43% 57% 43% 87% 13% berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan 41% 59% 41% 59% 91% 9% 45% 55% 45% 55% 45% 55% 75% 25% 29% 71% 29% 71% 51% 49% 51% 49% 51% 49% 44% 56% 85% 15% 44% 56% 49% 51% 49% 51% 49% 51% 8. Lemas 71% 29% 71% 29% 32% 68% Akurasi 52% 48% 52% 48% 59% 41% Pada pasien 52, gejala prediksi bukan adalah batuk berdarah, sakit dinding dada, demam berkeringat, dan hilang nafsu makan. Nilai pada gejala-gejala tersebut masih dibawah 60%, hal ini menunjukkan bahwa gejala-gejala tersebut tidak dapat menjadi prediksi pasien bukan. Pada pasien 53, gejala bukan yang mempunyai nilai tertinggi adalah nafas pendek sebesar 71%. Nafas pendek merupakan gejala yang mempunyai bobot kecil, sehingga nafas pendek tidak dapat dijadikan sebagai prediksi pasien bukan. Pada pasien 59, gejala prediksi bukan tertinggi adalah pada gejala nafas pendek dan gejala lemas. Gejala nafas pendek dan lemas merupakan gejala yang nilai bobotnya kecil, sehingga gejala tersebut tidak dapat dijadikan sebagai prediksi pasien bukan. Pada Tabel 12, 13, dan 14 menunjukkan bahwa iterasi kedua untuk prediksi atau bukan rata-rata ditentukan oleh gejala nafas pendek. Hal ini menunjukkan bahwa nafas pendek tidak dapat dijadikan sebagai prediksi, selain merupakan gejala umum juga nafas pendek juga mempnyai nilai bobot yang kecil. Iterasi ketiga Pada iterasi ketiga dilakukan kembali proses cross validation dengan data latih menggunakan subset 2 dan subset 3, sedangkan data uji nya menggunakan subset 1. Jumlah instance yang dijadikan data latih dan data uji ditunjukkan pada Tabel 15. Tabel 15 Data iterasi ketiga Data Latih Data Uji Subset 2 (64 instance) Subset 1 Subset 3 (63 instance) (64 instance) Iterasi ketiga merupakan iterasi terakhir yang dilakukan pada penelitian ini. Hasil akurasi pada iterasi ketiga adalah 89% dengan jumlah instance yang benar adalah 57 dari 64 instance. Tabel 16 Confusion matrix iterasi ketiga Aktual Data Prediksi Tidak 40 5 Tidak 2 24 Pada iterasi ketiga nilai akurasi Algoritme VFI5 sebesar 89%. Instance yang salah berjumlah 7, masing-masing 5 instance yang seharusnya, diprediksi bukan dan 3 instance yang seharusnya bukan, diprediksi. Tujuh data instance yang salah prediksi ditunjukkan pada Tabel 17 dan18. Tabel 17 Data instance salah iterasi ketiga kelas No Gejala Pasien 3 Pasien 5 Bukan Bukan 1. 47% 53% 47% 53% berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan 44% 56% 44% 56% 45% 55% 45% 55% 73% 27% 73% 27% 16% 84% 16% 84% 45% 55% 45% 55% 50% 50% 50% 50% 8. Lemas 60% 40% 42% 58% Akurasi 44% 56% 43% 57%

20 11 Tabel 18 Data instance salah iterasi ketiga kelas No Gejala Pasien 11 Pasien 21 Bukan Bukan 1. 37% 63% 47% 53% berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan 44% 56% 44% 56% 45% 55% 45% 55% 31% 69% 73% 27% 53% 47% 16% 84% 45% 55% 45% 55% 50% 50% 50% 50% 8. Lemas 60% 40% 42% 58% Akurasi 45% 55% 43% 57% Pada pasien 3 gejala yang diprediksi adalah gejala nafas pendek dan lemas, masing-masing 73% dan 60%. Nilai tersebut masih belum dapat dijadikan indikator pasien dinayatakan karena dua gejala tersebut merupakan gejala yang nilai bobotnya kecil. Nilai yang di atas 60% hanya satu gejala yaitu nafas pendek saja. Pada pasien 5 gejala yang diprediksi dengan nilai tertinggi hanya ada pada gejala nafas pendek sebesar 73%. Artinya satu gejala tidak dapat dijadikan sebagai penentu prediksi. Pada pasien 11 nilai gejala prediksi rata-rata di bawah 60%. Hal ini menunjukkan bahwa gejala-gejala tersebut masih sangat kecil kemungkinan untuk dikategorikan pasien tersebut. Pada pasien 21 kondisinya hampir sama dengan pasien 5 gejala yang diprediksi dengan nilai tertinggi hanya ada pada gejala nafas pendek sebesar 73%. Artinya satu gejala tidak dapat dijadikan sebagai penentu prediksi. Pada Tabel 17 dan 18 rata-rata gejala nafas pendek menjadi faktor yang membuat prediksi salah. Nilai gejala nafas pendek cukup tinggi dengan rata-rata lebih dari 60%, akan tetapi gejala tersebut timbu sendiri tidak diikuti oleh gejala lainyang nilainya tinggi. Hal ini dapat disimpulkan bahwa nafas pendek dan satu gejala pada prediksi tidak dapat dijadikan sebagai prediksi. Tabel 19 Data instance salah iterasi ketiga kelas bukan No Gejala Pasien 42 Pasien 51 Bukan Bukan 1. 42% 58% 37% 63% berdarah Sakit dinding dada Nafas pendek Berat badan menurun Demam ber keringat Hilang nafsu makan 50% 50% 95% 5% 45% 55% 45% 55% 53% 47% 31% 69% 31% 69% 53% 47% 45% 55% 45% 55% 95% 5% 50% 50% 8. Lemas 37% 63% 42% 58% Akurasi 52% 48% 52% 48% Pada pasien 42 gejala yang diprediksi bukan dengan nilai lebih dari 60% adalah berat badan menurun dan lemas, masing-masing 69% dan 63%. Nilai-nilai tersebut tidak dapat dijadikan sebagai indikator pasien diprediksi bukan karena gejala lemas merupakan gejala dengan nilai bobot rendah dan juga nilainya hanya 63%. Pada pasien 51 nilai gejala prediksi bukan yang di atas 60% yaitu pada batuk dan nafas pendek. Nilai dari masing-masing gejala tersebut adalah 63% dan 69%. Nilai tertinggi yaitu pada gejala nafas pendek, hal ini tidak dapat dijadikan sebagai indikator penentu prediksi pasien bukan, selain nilai gejala tersebut masih kecil juga gejala nafas pendek merupakan gejala yang mempunyai nilai bobot rendah. Pada iterasi ketiga, kesalahan instance rata-rata ditunjukkan dengan data gejala berat nafas pendek. Gejala-gejala lain dilura nafas pendek rata-rata bernilai di bawah 60%. Hal ini dapat disimpulkan bahwa prediksi atau bukan tidak dapat ditentukan oleh satu gejala, terlebih gejala tersebut mempunyai nilai bobot rendah, seperti gejala nafas pendek. Akurasi Hasil dari ketiga iterasi tersebut dirataratakan sehingga menghasilkan akurasi sebesar 83% seperti ditunjukkan pada Tabel 20.

21 12 Tabel 20 Hasil rata-rata dari semua iterasi Gejala Jumlah data uji Jumlah data latih Akurasi Iterasi I % Iterasi II % Iterasi III % Rata-rata 83% Dari ketiga iterasi ini menunjukkan bahwa akurasi diagnosa penyakit Tuberkulosis menggunakan VFI5 dengan 3- Fold Cross Validation sebesar 83%. Gambar 6 Grafik akurasi setiap iterasi Data gejala penentu atau tidak ditentukan tidak hanya oleh satu variabel, melainkan lebih dari satu variabel. Variabel yang mempunyai prediksi tinggi yaitu pada variabel batuk, batuk berdarah, dan berat badan menurun. Hal ini terbukti dari beberapa iterasi yang instance nya salah gejala-gejala tersebut mempunyai nilai tinggi pada hasil sebaliknya. Gejala tersebut juga memiliki nilai bobot cukup tinggi dibandingkan dengan gejala-gejala lainnya walaupun nilainya tinggi. KESIMPULAN DAN SARAN Kesimpulan Algoritme VFI5 masih termasuk algoritme yang mempunyai akurasi baik pada penelitian diagnosa penyakit. Pada penelitian ini akurasi yang didapatkan masih belum maksimal dengan nilai masingmasing iterasi pertama sampai dengan ketiga (76%, 84%, dan 89%), sehingga didapatkan rata-rata 83%. Gejala umum Paru memiliki ke khasan dari gejala-gejala penyakit lainnya, seperti batuk, batuk berdarah, dan berat badan menurun. Dengan algoritme VFI5 dapat diperkirakan seseorang mengarah ke atau tidak dengan melihat hasil diagnosa tersebut. Saran Penelitian ini dapat dijadikan referensi yang dapat dikembangkan sebagai metode diagnosa dini penyakit khususnya penyakit Paru di Indonesia. Untuk penelitian selanjutnya dapat digunakan sumber data lain, misalnya data rekam medis di rumah sakit Persahabatan atau di rumah sakit paru Ciawi - Bogor. Penelitian selanjutnya dapat ditingkatkan dengan pemberikan bobot pada setiap variabel, sehingga akurasi yang didapatkan lebih tinggi. DAFTAR PUSTAKA Aritonang, Rosida Klasifikasi Imbalance Data Menggunakan Algoritme Voting Feature Intervals[skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Crofton, John Tuberkulosis Klinis, Jakarta : Penerbit Widya Medika Demiroz G, Guvenir HA, Classification by Voting Feature Intervals. ~ecl/papers/miros97classification.pdf. Depkes Pedoman Nasional Penanggulangan Tuberkulosis Jakarta. Fu L Neural Network in Computers Intelligence. Singapura : McGraw-Hill. Guvenir An expert system for the differential diagnosis of erythematosquamous diseases. Turki : Department of Computer Engineering, Bilkent University. Girsang, Merriyani Evaluasi Program DOTS (Directly Observed Treatment, Shorcourse Chemotherapy) [tesis]. Jogjakarta : Universitas Gajah Mada.

22 13 Hamilton H, Gurak E, Findlater L Confusion Matrix. cs. uregina.ca/ ~dbd/cs831/notes/confusion_ matrix/confusion_matrix.html. Han J, Kamber M Data Mining Concepts & Techniques. USA : Academic Press. Iqbal, Muhammad Klasifikasi Pasien Suspect Parvo dan Distemper Pada Data Rekam Medik Rumah Sakit Hewan IPB Menggunakan Algoritme Voting Feature Intervals[skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Syafii, Muhammad Adaftive Neuro Fuzzy Inference System (ANFIS) Untuk Diagnosa dan Tatalaksana Penyakit Demam Berdarah Dengue [tesis]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor.

23 LAMPIRAN 14

24 15 Lampiran 1 Kuisioner pembobotan variabel Bobot variabel gejala Paru adalah Penilaian subjektif dokter terhadap tingkat pengaruh antar gejala penyakit Paru. Range Bobot (0 10) No Gejala Bobot Keterangan 1 2 berdarah 3 Sakit dinding dada 4 Nafas pendek 5 Berat badan menurun 6 Demam berkeringat 7 Hilang nafsu makan 8 Lemas Jakarta, Februari 2009 Penilai ( )

25 16 Lampiran 2 Konversi nilai dari setiap variabel No Variabel Nilai 1 a. Tidak 1 b. 1 Minggu - < bulan 2 c. 1 bulan - < 3 bulan 3 d. > 3bulan 4 2 Berdarah a. Keluar darah < 1 minggu 2 b. Keluar darah 1 minggu - 3 Minggu 3 c. Keluar darah > 3 Minggu 4 d. Tidak keluar darah 1 3 Sakit Dinding dada a. Sakit dada 2 b. Sakit dada setiap batuk 4 c. Sakit dada sebelah kiri 3 d. Tidak sakit dada 1 4 Napas Pendek a. < 1 minggu 2 b. > 1 minggu - 1 bln 3 c. > 1 bulan 4 d. Tidak Sesak napas 1 5 Demam + Keringat Malam a. < 1 minggu 2 b. 1 minggu - 1 bln 3 c. > 1 bulan 4 d. Tidak Demam/Keringat 1 6 Hilang Napsu Makan a. Ya 2 b. Tidak 1 7 Berat Badan Menurun a. Ya 2 b. Tidak 1 8 Lemas a. Tidak Lemas 1 b. 1-2 Minggu 2 c. > 2 Minggu 3

26 17 Lampiran 3 Data pasien rawat inap Rumah Sakit Pasar Rebo tahun 2008 No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Ber- keringat Hilang Nafsu Makan Lemas Kelas

27 18 Lanjutan No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Ber- keringat Hilang Nafsu Makan Lemas Kelas

28 19 Lanjutan No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Ber- keringat Hilang Nafsu Makan Lemas Kelas

29 20 Lanjutan No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Ber- keringat Hilang Nafsu Makan Lemas Kelas

30 21 Lanjutan No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Ber- keringat Hilang Nafsu Makan Lemas Kelas

31 22 Lampiran 4 Data testing iterasi I No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Berkeringat Hilang Nafsu Makan Lemas Kelas

32 23 Lanjutan No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Berkeringat Hilang Nafsu Makan Lemas Kelas Lampiran 5 Data testing iterasi II No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Berkeringat Hilang Nafsu Makan Lemas Kelas

33 24 Lanjutan No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Berkeringat Hilang Nafsu Makan Lemas Kelas

34 25 Lampiran 6 Data testing iterasi III No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Berkeringat Hilang Nafsu Makan Lemas Kelas

35 26 Lanjutan No Berdarah Sakit Dinding Dada Nafas Pendek Berat Badan Turun Demam & Berkeringat Hilang Nafsu Makan Lemas Kelas Lampiran 7 Instance salah iterasi I Kelas No Berdarah Sakit dinding dada Napas Pendek Berat Badan Menurun Demam & Berkeringat Hilang Nafsu Makan lemas kelas Bukan ,2% 56,8% ,5% 56,5% ,9% 51,1% ,8% 54,2% ,6% 51,4% ,8% 54,2% ,8% 54,2% ,2% 56,8%

36 27 Lampiran 8 Instance salah iterasi I Kelas Bukan No Berdarah Sakit dinding dada Napas Pendek Berat Badan Menurun Demam & Berkeringat Hilang Nafsu Makan lemas kelas Bukan ,1% 48,9% ,0% 46,0% ,0% 48,0% ,7% 43,3% ,5% 49,5% Lampiran 9 Instance salah iterasi II Kelas No Berdarah Sakit dinding dada Napas Pendek Berat Badan Menurun Demam & Berkeringat Hilang Nafsu Makan lemas kelas Bukan % 55% % 51% % 52% % 52% % 66% % 51% % 51% Lampiran 10 Instance salah iterasi II Kelas Bukan No Berdarah Sakit dinding dada Napas Pendek Berat Badan Menurun Demam & Berkeringat Hilang Nafsu Makan lemas kelas Bukan % 48% % 48% % 41%

37 28 Lampiran 11 Instance salah iterasi III Kelas No Berdarah Sakit dinding dada Napas Pendek Berat Badan Menurun Demam & Berkeringat Hilang Nafsu Makan lemas kelas Bukan % 57% % 54% % 51% % 51% % 55% Lampiran 12 Instance salah iterasi III Kelas Bukan No Berdarah Sakit dinding dada Napas Pendek Berat Badan Menurun Demam & Berkeringat Hilang Nafsu Makan lemas kelas Bukan % 48% % 48% Lampiran 13 Confusion Matrix Iterasi Pertama Aktual Data Prediksi Tidak Tidak 5 23 Lampiran 14 Confusion Matrix Iterasi Kedua Aktual Data Prediksi Tidak 40 7 Tidak 3 24 Lampiran 15 Confusion Matrix Iterasi Ketiga Aktual Data Prediksi Tidak 40 5 Tidak 2 24

38 29 Lampiran 16 Halaman utama sistem Lampiran 17 Halaman training sistem

39 30 Lampiran 18 Halaman testing sistem Lampiran 19 Halaman simulasi sistem

40 31 Lampiran 20 Halaman akurasi simulasi sistem Lampiran 21 Halaman utama publik