PEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO

Transkripsi

1 PEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR

2 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Pembangunan Sistem Data Mining untuk Diagnosis Penyakit Diabetes Menggunakan Algoritme Classification Based Association adalah karya saya sendiri dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Bogor, September 2006 Herwanto NIM G

3 PEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Ilmu Komputer SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR

4 ABSTRAK HERWANTO. Pembangunan Sistem Data Mining Untuk Diagnosis Penyakit Diabetes Menggunakan Algoritme Classification Based Association. Dibimbing oleh IMAS S. SITANGGANG dan RINDANG KARYADIN. Basis data rumah sakit umumnya berisi data dalam jumlah besar dengan banyak variasi, tetapi belum dimanfaatkan secara optimal. Diperlukan suatu sistem data mining yang bisa memanfaatkan gunungan data menjadi informasi yang bernilai strategis. Dalam penelitian ini dipelajari bagaimana data bisa digunakan untuk membantu mendiagnosa penyakit, khususnya penyakit diabetes Data-data pasien yang beresiko menderiita penyakit diabetes dikumpulkan ke dalam data warehouse diabetes. Dua tahapan utama yang dilakukan dalam penelitian ini, yaitu proses pembentukan model klasifikasi dan pembuatan program aplikasi untuk mendeteksi penyakit diabetes. Dalam proses pembentukan model klasifikasi ada tiga tahapan yang dilakukan. Tahap pertama adalah menangani data-data yang beragam, tidak lengkap, dan tidak konsisten. Kemudian melakukan proses perubahan data kontinyu menjadi data kategori, dimana setiap variabel dikelompokkan ke dalam sejumlah kategori. Tahap berikutnya adalah membuat rule mining dan klasifikasi. 700 pasien dipilih sebagai data training, 400 pasien dengan diagnosa negatif diabetes dan 300 pasien positif diabetes. Pada pembentukan model klasifikasi dipilih 12 variabel yang digunakan untuk menghasilkan aturan yaitu usia, sex dan hasil-hasil pemeriksaan laboratorium. Didapatkan hasil pemeriksaan glukosa darah 2 jam pasca puasa, glukosa urin 2 jam pasca puasa, serta glukosa darah puasa menjadi penentu utama untuk menentukan apakah pasien positif diabetes atau negatif diabetes. Aturan-aturan yang dihasilkan selanjutnya digunakan dalam program aplikasi untuk mendiagnosa pasien apakah positif diabetes atau negatif diabetes.. 4

5 PRAKATA Syukur Alhamdulillah penulis panjatkan kepada Allah SWT atas limpahan rahmat dan karunianya sehingga penulis akhirnya dapat menyelesaikan karya ilmiah ini. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juni 2005 ini adalah sistem data mining, dengan judul Pembangunan Sistem Data Mining untuk Diagnosis Penyakit Diabetes Menggunakan Algoritme Classification Based Association. Dalam kesempatan ini penulis ingin menyampaikan ucapan terima kasih dan penghargaan kepada Ibu Imas S Sitanggang, S.Si., M.Kom., dan Bapak Rindang Karyadin S.T., M.Kom. selaku pembimbing yang sejak awal penulisan proposal sampai pada penulisan karya ilmiah ini, telah membimbing dengan penuh keikhlasan, dan kesabaran. Di samping itu penghargaan penulis sampaikan kepada para dosen Program Studi Ilmu Komputer, Sekolah Pascasarjana, Institut Pertanian Bogor, yang telah memberikan wawasan dan pengetahuan baru bagi penulis. Atas do a, pengorbanan, kesabaran, ketulusan, serta dukungan semangatnya, penulis juga menyampaikan ucapan terima kasih dan rasa hormat yang setulus-tulusnya kepada kedua orang tua, serta seluruh keluarga. Semoga karya ilmiah ini bermanfaat. Bogor, September 2006 Herwanto 5

6 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 24 May 1962 dari ayah Paridjan dan ibu Parinah. Penulis merupakan putra kelima dari delapan bersaudara. Pada tahun 1982 penulis lulus dari SMA Negeri 43 Jakarta. Pendidikan sarjana ditempuh pada tahun 1991 di Sekolah Tinggi Manajemen Informatika dan Komputer Gunadarma, jurusan Manajemen Informatika, lulus pada tahun Kesempatan untuk melanjutkan ke program magister pada Program Studi Ilmu Komputer, Sekolah Pascasarjana IPB diperoleh pada tahun Penulis bekerja di Rumah Sakit Pusat Pertamina Jakarta pada bagian Sistem Informasi & Telekomunikasi Elektronika sejak tahun Bidang yang menjadi tanggung jawab penulis ialah pembangunan dan pengembangan sistem informasi rumah sakit. Pada tahun 2005 penulis dipercaya sebagai kepala bagian Sistem Informasi & Telekomunikasi Elektronika. 6

7 Judul Tesis Nama NIM : Pembangunan Sistem Data Mining Untuk Diagnosis Penyakit Diabetes Menggunakan Algoritme Classification Based Association : Herwanto : G Disetujui Komisi Pembimbing Imas S Sitanggang, S.Si., M.Kom. Ketua Rindang Karyadin, S.T., M.Kom. Anggota Diketahui Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana Dr. Sugi Guritman. Dr. Ir. Khairil A. Notodiputro, MS Tanggal Ujian: 5 September

8 DAFTAR ISI Halaman DAFTAR GAMBAR xi DAFTAR TABEL xii DAFTAR LAMPIRAN xiii I. PENDAHULUAN 1.1 Latar belakang Tujuan Penelitian Ruang lingkup Manfaat Penelitian 3 II. TINJAUAN PUSTAKA 2.1. Diabetes Melitus Data Warehouse Metodologi Perancangan Data Warehouse Star Schema Data Mining Klasifikasi dan Prediksi Metodologi Data Mining Teknik Data Mining Membangun Model Prediksi 26 III. BAHAN DAN METODE 3.1. Bahan Metode Kerangka Pemikiran Tata Laksana 33 IV. PERANCANGAN ARSITEKTUR SISTEM DATA MINING 4.1 Gambaran umum sistem Pembangunan Data Warehouse Pembangunan Model Klasifikasi Antarmuka Pemakai Basis Pengetahuan Modul Diagnosa dan Terapi 41 8

9 Halaman V. IMPLEMENTASI 5.1. Preproses Data Pembentukan Sampel Positif dan Sampel Negatif Pembentukan PN Array Pembentukan Gain Program Aplikasi 51 VI. PENGUJIAN DAN PEMBAHASAN 6.1. Mekanisme Pengujian Pelatihan Dengan Data Training Proses Optimalisasi 58 VII. KESIMPULAN DAN SARAN 7.1. Kesimpulan Saran 64 DAFTAR PUSTAKA 65 LAMPIRAN 66 9

10 DAFTAR GAMBAR Halaman 1. Arsitektur Data Warehouse 7 2. Relasi antartabel dimensi dan table fakta sederhana Data mining sebagai salah satu tahapan dalam proses knowledge discovery Model proses pembuatan data mining Algoritme Appriori Algoritme FOIL Algoritma PRM Metoda startcpar Metoda cpargeneration Langkah-langkah membangun model prediksi Kerangka pemikiran pembangunan model untuk diagnosis penyakit diabetes Tahapan Proses data mining Model aplikasi diabetes Relasi antartabel skema bintang data warehouse diabetes Ekstraksi dan Transformasi Basis Data SIM RSPP Flowchart Algoritme CPAR Grafik Gain data training untuk kelas positip diabetes Grafik Gain data training untuk kelas negatip diabetes Grafik Gain negatif diabetes setelah proses optimalisasi Grafik Gain negatif diabetes setelah proses optimalisasi 60 10

11 DAFTAR TABEL Halaman 1. Transaksi Penjualan Barang Karakteristik umum data pasien Rata-rata variabel pemeriksaan laboratorium Klasifikasi Berat Badan berdasarkan IMT Nilai referensi hasil laboratorium Kategori untuk tabel sampel_data Contoh sampel data Sampel positif dari data pada Tabel Sampel negatif dari data pada Tabel PN Array Kategori dan nilai Gain Karakteristik umum data training Rata-rata variabel pemeriksaan laboratorium data training Perbandingan bobot sampel dan gain Aturan yang dihasilkan dengan gain similarity ratio 99% Aturan yang dihasilkan dengan gain similarity ratio 80% Aturan yang dihasilkan dengan gain similarity ratio 50% Aturan yang dihasilkan dengan gain similarity ratio 20% Aturan yang dihasilkan dengan gain similarity ratio 10% Kategori untuk tabel sampel_data setelah proses optimalisasi Aturan setelah proses optimalisasi dengan Gain similarity ratio 99% Aturan setelah proses optimalisasi dengan Gain similarity ratio 80% Aturan setelah proses optimalisasi dengan Gain similarity ratio 50% Aturan setelah proses optimalisasi dengan Gain similarity ratio 20% Aturan setelah proses optimalisasi dengan Gain similarity ratio 10% 63 11

12 DAFTAR LAMPIRAN Halaman 1. Proses Pasien Rawat Jalan Proses Pasien rawat Inap Kamus Data Pasien Rawat Jalan dan Pasien Rawat Inap Kamus Data Data Warehouse diabetes Sampel data positif diabetes dan negatif diabetes Tampilan halaman Status Pasien Tampilan halaman Anamnes is Tampilan halaman Riwayat DM Tampilan halaman Anamnesis Keluarga Tampilan halaman Pemeriksaan Fisis Tampilan halaman Laboratoriu Tampilan halaman Pemeriksaan Penunjang Tampilan halaman Diagnosis Tampilan halaman Terapi 81 12