Penerapan Algoritme Fuzzy K-Nearest Neighbor (FK-NN) Pada Pengklasifikasian Penyakit Kejiwaan Skizofrenia

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 10, Oktober 2018, hlm Penerapan Algoritme Fuzzy K-Nearest Neighbor (FK-NN) Pada Pengklasifikasian Penyakit Kejiwaan Skizofrenia Tania Oka Sianturi 1, Muhammad Tanzil Furqon 2, Indriati 3 Program Studi Teknik Informatika, 1 taniaokasianturi@gmail.com, 2 m.tanzil.furqon@ub.ac.id, 3 indriati.tif@ub.ac.id Abstrak Salah satu penyakit kejiwaan yang banyak menyerang penduduk Indonesia adalah penyakit kejiwaan Skizofrenia. Skizofrenia menyebabkan seseorang mengalami delusi, halusinasi, pikiran kacau, dan perubahan terhadap perilaku. Menurut Riset Kesehatan Dasar (Riskesdas) pada tahun 2013, prevalensi Skizofrenia sebesar 1,7% per 1000 penduduk atau sekitar orang. Untuk wilayah Indonesia yang sangat luas dengan jumlah penduduk sekitar 237 juta, jumlah ahli jiwa atau psikiater yang dimiliki sekitar 616 orang tergolong masih sangat sedikit. Dengan keterbatasan tersebut diperlukan sebuah sistem yang dapat digunakan untuk membantu paramedis dalam mendiagnosis dan mengklasifikasi penyakit kejiwaan Skizofrenia. Pada penelitian ini diterapkan algoritme fuzzy K-nearest neighbor untuk mendiagnosis dan mengklasifikasi penyakit kejiwaan Skizofrenia. Jenis-jenis penyakit kejiwaan Skizofrenia yang digunakan pada penelitian ini yaitu Skizofrenia paranoid, Skizofrenia hebefrenik, Skizofrenia katatonik, Skizofrenia tak terinci, dan Skizofrenia simpleks. Proses klasifikasi terdiri atas tiga proses yaitu proses inisialisasi fuzzy, proses algoritme K-nearest neighbor, dan proses algoritme fuzzy K-nearest neighbor. Untuk menguji sistem, maka dilakukan pengujian terhadap nilai K dan pengujian terhadap K-Fold. Berdasarkan hasil pengujian terhadap nilai K, didapatkan nilai akurasi tertinggi sebesar 38,33% pada nilai K=5. Hasil pengujian pengaruh K-Fold didapatkan rata-rata nilai akurasi tertinggi sebesar 34,17% pada K-Fold=10. Kata kunci: assymetric binary, k-fold, skizofrenia Abstract One of the psychiatric diseases that affects many Indonesians is schizophrenia. Schizophrenia causes a person to sustain delusions, hallucinations, chaotic thoughts, and behavioral changes. According to Riset Kesehatan Dasar (Riskesdas) in 2013, prevalence of schizophrenia is 1.7% per 1000 people or about 400,000 people. For very wide territory of Indonesia with total population around 237 million, the number of psychologists or psychiatrists about 616 people is still very small. With this limitation, a system that can be used to assist paramedics in diagnosing and classifying psychiatric illnesses of schizophrenia. In this study applied fuzzy K-nearest neighbor algorithm to diagnose and classify psychiatric illness of schizophrenia. Types of schizophrenia used in this study are paranoid schizophrenia, hebephrenic schizophrenia, catatonic schizophrenia, undifferentiated schizophrenia, and simple schizophrenia. The classification process consists of three processes are the fuzzy initialization process, the K-nearest neighbor algorithm process, and the fuzzy K-nearest neighbor algorithm process. The testing consists of the effect of K value and the effect of K-Fold. Based on the test results on the K value, obtained the highest accuracy of 38.33% at K=5. The effect of K-Fold test results obtained the highest average accuracy of 34.17% at K-Fold= 10. Keywords: assymetric binary, k-fold, schizophrenia 1. PENDAHULUAN Skizofrenia merupakan salah satu jenis gangguan jiwa (mental disorder) yang menyebabkan seseorang mengalami delusi, halusinasi, pikiran kacau, dan perubahan terhadap perilaku. Penyakit kejiwaan ini tergolong ke dalam jenis gangguan jiwa berat dan kronis. Penderita gangguan jiwa berat akan mengalami gangguan fungsi sosial dengan orang lain dan fungsi kerja yang mengakibatkan Fakultas Ilmu Komputer Universitas Brawijaya 3492

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3493 seseorang menjadi tidak produktif. Menurut World Health Organization (WHO), pada tahun 2008, sebanyak 450 juta orang menderita penyakit kejiwaan Skizofrenia dan terus meningkat setiap tahunnya. Walaupun tidak menyebabkan kematian secara langsung, sekitar 1 juta orang penderita Skizofrenia meninggal akibat bunuh diri setiap tahunnya. Paramedis belum mengetahui secara pasti penyebab penyakit kejiwaan Skizofrenia, tetapi ada beberapa dugaan yang dapat menjadi penyebab, antara lain faktor genetik, susunan saraf pusat, zat neurotransmiter yang tidak seimbang, lahir prematur, dan hubungan kurang harmonis dengan orang lain (Hudaya, 2015). Penyakit kejiwaan Skizofrenia dapat terjadi pada usia sekitar tahun. Berdasarkan Riset Kesehatan Dasar (Riskesdas) pada tahun 2013, prevalensi gangguan jiwa ringan seperti depresi dan kecemasan sebesar 6% untuk usia di atas 15 tahun atau sekitar 14 juta orang. Sementara itu prevalensi Skizofrenia sebesar 1,7% per 1000 penduduk atau sekitar orang (Depkes, 2014). Berdasarkan data tersebut, tingkat beban penyakit untuk penyakit jiwa khususnya Skizofrenia di Indonesia cukup besar. Untuk wilayah Indonesia yang sangat luas dengan jumlah penduduk sekitar 237 juta, jumlah ahli jiwa atau psikiater yang dimiliki sekitar 616 orang tergolong masih sangat sedikit (Safitri, 2011). Dengan keterbatasan tersebut diperlukan sebuah sistem yang dapat digunakan untuk membantu paramedis dalam mendiagnosis dan mengklasifikasi penyakit kejiwaan Skizofrenia. Penelitian terkait penyakit kejiwaan Skizofrenia masih sangat sedikit. Untuk itu diperlukan lebih banyak penelitian terkait penyakit kejiwaan ini. Masyarakat sering kali memandang remeh penyakit kejiwaan dan lebih sering menjauhi bahkan membuang keluarganya yang menderita gangguan jiwa. Padahal penyakit gangguan jiwa dapat ditangani dan penderitanya dapat disembuhkan bukan hanya dengan bantuan medis tetapi juga dengan keluarga terdekat. Berdasarkan data-data tersebut, penulis membuat penelitian dengan objek penyakit kejiwaan Skizofrenia dengan studi kasus Rumah Sakit Jiwa Dr. Radjiman Wediodiningrat. Penelitian ini menggunakan algoritme fuzzy K-nearest neighbor (FK-NN) untuk klasifikasi penyakit kejiwaan Skizofrenia. Penelitian sebelumnya terkait dengan algoritme fuzzy K-nearest neighbor dengan judul Klasifikasi Kondisi Detak Jantung berdasarkan Hasil Elektrokardiogram (EKG) Menggunakan Metode Fuzzy K-Nearest Neighbor (FK-NN) oleh Lintang Resita Mayangsari memperoleh nilai akurasi yang cukup stabil. Penelitian tersebut menggunakan data dari database MIT BIH Arrhytmia yaitu data gambar sinyal EKG, data pengambilan atribut/parameter input, dan data nilai-nilai masing-masing pengambilan atribut/parameter input. Berdasarkan penelitian, irama detak jantung dapat diklasifikasikan dalam empat kelas yaitu normal, ventricular tachycardia, PVC bigeminy, dan atrial fibrilation. Banyaknya tetangga terdekat yang akan ditentukan oleh nilai K sangat berpengaruh terhadap nilai akurasi. Akurasi paling tinggi dihasilkan saat nilai K=8 yaitu sebesar 81,25% dengan menggunakan 124 data latih dan 16 data uji yang dihitung dengan jarak Manhattan (Mayangsari, 2016). Berdasarkan uraian di atas, maka penulis membuat penelitian dengan judul Penerapan Algoritme Fuzzy K-Nearest Neighbor (FK-NN) pada Pengklasifikasian Penyakit Kejiwaan Skizofrenia untuk mendiagnosis dan mengklasifikasikan penyakit kejiwaan Skizofrenia. 2. SKIZOFRENIA Skizofrenia merupakan sebuah kata yang berasal dari bahasa Yunani, schizophrenie. Schizophrenie terbagi atas dua kata, yaitu schizein yang artinya pecah atau pisah dan phren yang artinya pikiran. Berdasarkan pengertian tersebut, penderita Skizofrenia merupakan orang yang mengalami pemisahan antara pikiran, emosi, dan perilaku. Skizofrenia diartikan sebagai gangguan jiwa berat yang ditandai oleh delusi, halusinasi, pikiran kacau, dan perubahan perilaku pada penderitanya. Penderita Skizofrenia tidak dapat menghadapi kenyataan hidup karena pikiran dan perasaan dipenuhi oleh halusinasi. Sehingga menurut data statistik, 50% penderita Skizofrenia pernah berusaha bunuh diri dan 10% di antaranya meninggal (Hawari, 2001). 3. FUZZY K-NEAREST NEIGHBOR Fuzzy K-nearest neighbor (FK-NN) adalah gabungan algoritme klasifikasi antara Logika fuzzy dan K-nearest neighbor. Fuzzy K-nearest neighbor memiliki dua kelebihan jika dibandingkan dengan algoritme K-nearest neighbor, yaitu dapat memberikan pertimbangan

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3494 jika ada sifat ambigu dari tetangga dan sebuah objek akan memiliki nilai derajat keanggotaan pada masing-masing kelas sehingga akan lebih memberikan kekuatan/kepercayaan suatu objek berada pada suatu kelas (Jowik, 2013). Langkah-langkah yang perlu dilakukan pada algoritme fuzzy K-nearest neighbor (FK-NN) adalah sebagai berikut (Asri, 2016): 1. Menghitung jarak kedekatan antara data latih dengan menggunakan Persamaan 1 berikut N d (xi,x j ) = (Σ l=1 (x i x j ) ) Keterangan: (1) d (xi,x j ) : jarak kedekatan antara data latih dan data uji N x i x j : jumlah fitur data : data latih ke-i : data uji ke-j 2. Mengurutkan jarak kedekatan antara data latih dari yang terkecil sampai terbesar 3. Mengubah id data latih sesuai dengan data latih 4. Mengubah kelas data latih sesuai dengan data latih 5. Menentukan jumlah tetangga terdekat sebanyak K 6. Mengambil data jarak kedekatan antara data latih yang telah diubah menjadi kelas data sebanyak K 7. Menghitung jarak kedekatan antara data uji dengan data latih dengan menggunakan Persamaan 1 8. Mengurutkan jarak kedekatan antara data uji dengan data latih dari yang terkecil sampai terbesar 9. Inisialisasi fuzzy pada data latih dengan menggunakan Persamaan 2 berikut u (xj,c i ) = { 0,51 + ((nj) 0,49), jika j = i K ( n j Keterangan: K ) 0,49, jika j i (2) u (xj,c i ) : nilai keanggotaan data latih n j : jumlah anggota kelas j pada himpunan K-tetangga terdekat data latih k i j : jumlah tetangga terdekat : kelas data latih : kelas target 10. Menghitung nilai keanggotaan menggunakan Persamaan 3 berikut u (x,ci ) = Keterangan: K Σ j=1u(xj,c i ) Σ K j=1 ( ( 1 2 d (m 1) (x,xj) ) 1 2 d (m 1) (x,xj) ) (3) u (x,ci ) : nilai keanggotaan data x ke kelas c i k : jumlah tetangga terdekat u (xj,c i ) : nilai keanggotaan data tetangga dalam K tetangga pada kelas c i d (x,xj ) : jarak dari data x ke data x j dalam K tetangga terdekat m: bobot pangkat, m > Menentukan nilai terbesar dari nilai keanggotaan sebagai hasil dari klasifikasi. 4. ASSYMETRIC BINARY Assymetric binary merupakan pengukuran jarak yang biasanya digunakan pada data berupa biner. Variabel biner termasuk assymetric jika statusnya tidak sama penting. Misalnya untuk hasil positif dan negatif dari tes medis diberi nilai 1 untuk positif dan 0 untuk negatif. Perhitungan assymetric binary ditunjukkan pada Persamaan 4 (Han, 2006). d ij = Keterangan: r+s q+r+s d ij : Assymetric binary q : jika i = 1 dan j = 1 r : jika i = 1 dan j = 0 s : jika i = 0 dan j = 1 5. K-FOLD CROSS VALIDATION (4) K-Fold Cross Validation merupakan suatu pengujian dengan membagi data sejumlah K-

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3495 Fold dan menjadikan data tersebut berupa sub set sebanyak K-Fold. Sub set dibagi atas dua yaitu sub set data latih dan sub set data uji. Data uji terdiri dari 1 sub set, sedangkan sisa K-Fold menjadi sub set data latih. Pengujian akan dilakukan berulang sebanyak K-Fold dengan melakukan iterasi pada sub set data secara bergantian menjadi sub set data latih dan sub set data uji. Contoh K-Fold Cross Validation ditunjukkan pada Gambar 1 (Hastie, 2009). 6. METODE PENELITIAN Metode penelitian dilakukan melalui beberapa proses yaitu proses inisialisasi fuzzy, proses assymetric binary, proses sorting, proses algoritma K-nearest neighbor (FK-NN), dan algoritma fuzzy K-nearest neighbor (FK-NN). Secara keseluruhan proses klasifikasi ditunjukkan pada Gambar Proses Inisialisasi Fuzzy Proses inisialisasi fuzzy dilakukan untuk menghitung nilai fuzzy data latih pada seluruh jenis penyakit. Langkah awal dalam mencari hasil inisialisasi fuzzy adalah dengan mencari jarak kedekatan antara data latih. Kemudian mengurutkan jarak kedekatan antara data latih berdasarkan kolom dimulai dari jarak kedekatan terkecil sampai terbesar. Kemudian menentukan id data dan kelas data berdasarkan data latih. Setelah semua proses tersebut dilakukan, selanjutnya dapat mencari hasil inisialisasi fuzzy. Proses inisialisasi fuzzy ditunjukkan pada Gambar Proses Assymetric Binary Proses assymetric binary dilakukan untuk menghitung jarak kedekatan antara data latih dan jarak kedekatan antara data uji dengan data latih. Proses assymetric binary ditunjukkan pada Gambar Proses Sorting Proses sorting dilakukan untuk mengurutkan jarak kedekatan antara data latih dan jarak kedekatan antara data uji dengan data latih dari jarak kedekatan terkecil sampai terbesar. Proses sorting ditunjukkan pada Gambar 5. Gambar 1. Contoh K-Fold Cross Validation 6.4 Proses Algoritme K-nearest neighbor Proses algoritme K-nearest neighbor dilakukan untuk menentukan ketetanggaan data sebanyak nilai K. Algoritme K-nearest Gambar 2. Proses Klasifikasi Gambar 3. Proses Inisialisasi Fuzzy

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3496 Gambar 5. Proses Sorting Gambar 4. Proses Assymetric Binary neighbor dimulai dengan mencari jarak kedekatan antara data uji dengan data latih. Kemudian jarak kedekatan antara data uji dengan data latih diurutkan mulai jarak kedekatan terkecil sampai terbesar. Langkah terakhir mengambil hasil jarak kedekatan urut tersebut sebanyak nilai K. Proses algoritme K- nearest neighbor ditunjukkan pada Gambar Proses Algoritme Fuzzy K-nearest neighbor Proses algoritme fuzzy K-nearest neighbor dilakukan untuk menentukan hasil klasifikasi data uji. Algoritme fuzzy K-nearest neighbor dimulai dengan mencari nilai keanggotaan setiap kelas. Kemudian hasil dari nilai keanggotaan terbesar ditentukan sebagai kelas data uji. Proses algoritme fuzzy K-nearest neighbor ditunjukkan pada Gambar 7. Gambar 6. Proses Algoritme K-nearest neighbor 7. IMPLEMENTASI Implementasi antarmuka pada penelitian penerapan ini terdiri dari implementasi halaman awal, implementasi halaman data, dan halaman proses fuzzy K-nearest neighbor. Untuk menampilkan proses fuzzy K-nearest neighbor dan nilai akurasi sistem yaitu dengan

6 Persentase (%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Analisis Pengujian terhadap Nilai K Hasil pengujian terhadap nilai K=1 sampai K=10 menunjukkan nilai akurasi yang bervariasi. Pada nilai akurasi terjadi turun dan naik yang tidak terlalu jauh. Hal ini terjadi karena sebaran data dalam satu kelas tidak teratur. Sehingga data tetangga dalam satu kelas yang sama dapat tersebar jauh dan dekat. Berdasarkan hasil pengujian, dapat ditarik kesimpulan bahwa nilai K memiliki pengaruh terhadap nilai akurasi. Pada pengujian dengan menggunakan K-Fold=10, nilai akurasi tertinggi terdapat pada nilai K=5 sebesar 38,33%. Grafik hasil pengujian terhadap nilai K ditunjukkan pada Gambar 9. Gambar 7. Proses Algoritme Fuzzy K-nearest neighbor data dan nilai K, kemudian memilih button proses. Proses-proses perhitungan sistem akan ditampilkan pada tabbed pane proses fuzzy K- nearest neighbor. Nilai akurasi akan ditampilkan pada text field akurasi. Implementasi antarmuka ditunjukkan pada Gambar PENGUJIAN DAN ANALISIS Pengujian sistem yang dilakukan adalah pengujian terhadap nilai K, pengujian terhadap K-Fold, dan pengujian terhadap data seimbang. 8.1 Pengujian terhadap Nilai K Pengujian terhadap nilai K dilakukan pada sistem untuk mengamati pengaruh nilai akurasi berdasarkan nilai K yang telah ditentukan. Pengujian dilakukan dengan menentukan nilai K yang bervariasi menggunakan K-Fold=10. K- Fold=10 menggunakan 90% data latih dan 10% data uji berdasarkan 111 data gejala dan penyakit kejiwaan Skizofrenia. Setiap proses K-Fold=10 menggunakan K=1 sampai K= Pengujian terhadap K-Fold Pengujian terhadap K-Fold dilakukan pada sistem untuk mengamati pengaruh nilai akurasi berdasarkan variasi jumlah data latih dan data uji dengan menggunakan K-Fold. Pengujian dilakukan dengan menentukan K-Fold dan nilai K yang bervariasi. Setiap proses menggunakan K=1 sampai K=10 dengan perbandingan data latih dan data uji berdasarkan K-Fold sebagai berikut: K-Fold=2 terdiri dari data latih 50% dan data uji 50%, K-Fold=3 terdiri dari data latih 67% dan data uji 30%, K-Fold=4 terdiri dari data latih 75% dan data uji 25%, K-Fold=5 terdiri dari data latih 80% dan data uji 20%, K-Fold=6 terdiri dari data latih 83% dan data uji 17%, K- Fold=7 terdiri dari data latih 86% dan data uji 14%, K-Fold=8 terdiri dari data latih 87.5% dan data uji 12.5%, K-Fold=9 terdiri dari data latih 89% dan data uji 11%, dan K-Fold=10 terdiri dari data latih 90% dan data uji 10% Hasil Pengujian terhadap Nilai K 33,33 34,17 32,5 35,83 38,33 34,17 31,67 33,33 34,17 34, Nilai K Akurasi Gambar 8. Implementasi Antarmuka Gambar 9. Hasil Pengujian terhadap Nilai K

7 Persentase (%) Persentase (%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Analisis Pengujian terhadap K-Fold Hasil pengujian terhadap nilai K-Fold=1 sampai K-Fold=10 menunjukkan nilai rata-rata akurasi yang bervariasi. Klasifikasi dengan menggunakan algoritme fuzzy K-nearest neighbor (FK-NN) mempelajari pola-pola yang terdapat pada data latih. Pada rata-rata nilai akurasi terjadi turun dan naik yang cukup jauh. Hal ini terjadi karena data yang digunakan memiliki banyak kesamaan pola pada setiap kelas. Sehingga sistem sulit untuk menentukan pola untuk kelas yang sama. Berdasarkan hasil pengujian, dapat ditarik kesimpulan bahwa variasi jumlah data latih dan data uji memiliki pengaruh terhadap nilai akurasi. Pada pengujian, nilai rata-rata akurasi tertinggi terdapat pada K- Fold=10 dengan rata-rata nilai akurasi sebesar 34,17%. Grafik hasil pengujian terhadap K-Fold ditunjukkan pada Gambar Pengujian terhadap Data Seimbang Pengujian terhadap data seimbang dilakukan pada sistem untuk mengamati pengaruh nilai akurasi terhadap keseimbangan jumlah data. Pengujian dilakukan dengan nilai K=5 dan K- Fold=10 berdasarkan nilai akurasi tertinggi pada pengujian terhadap nilai K. Pengujian dilakukan dengan menentukan jumlah data seimbang yaitu 10 data dan 14 data pada setiap kelas jenis penyakit kejiwaan Skizofrenia. Jumlah data yang digunakan pada pengujian terhadap data seimbang sebanyak 50 data dan 70 data. Hasil Rata-rata Pengujian terhadap K- Fold ,71 7,48 21,58 25,13 29,13 33,7 34,17 26,53 25, Nilai K-Fold Akurasi Gambar 10. Hasil Rata-rata Pengujian terhadap K- Fold Analisis Pengujian terhadap Data Seimbang Hasil pengujian terhadap data seimbang menunjukkan nilai akurasi yang bervariasi. Pada nilai akurasi terjadi turun dan naik yang cukup jauh. Hal ini terjadi karena data yang digunakan memiliki banyak kesamaan pola pada setiap kelas. Sehingga sistem sulit untuk menentukan pola untuk kelas yang sama. Berdasarkan hasil pengujian, dapat ditarik kesimpulan bahwa keseimbangan jumlah data memiliki pengaruh terhadap nilai akurasi. Pada pengujian, nilai akurasi tertinggi terdapat pada jumlah data sebanyak 50 data dengan nilai akurasi sebesar 32,00%. Grafik hasil pengujian terhadap data seimbang ditunjukkan pada Gambar KESIMPULAN Berdasarkan penelitian, maka dapat disimpulkan bahwa algoritme fuzzy K-nearest neighbor (FK-NN) dapat diterapkan pada pengklasifikasian penyakit kejiwaan Skizofrenia. Untuk menerapkan algoritme fuzzy K-nearest neighbor (FK-NN) diperlukan tiga langkah yaitu inisialisasi fuzzy untuk menentukan nilai fuzzy data latih, proses K- nearest neighbor (K-NN) untuk menentukkan tetangga terdekat, dan fuzzy K-nearest neighbor (FK-NN) untuk menentukkan nilai keanggotaan yang digunakan sebagai penentu kelas data uji. Kesimpulan selanjutnya terkait dengan pengujian nilai akurasi sistem, yaitu pengujian terhadap nilai K yang menggunakan 111 data dengan perbandingan data latih 90% dan data uji 10% mencapai nilai akurasi tertinggi yaitu 38,33% dengan nilai K=5. Pengujian terhadap K- Fold yang menggunakan jumlah data latih dan data uji yang bervariasi mencapai rata-rata Hasil Pengujian terhadap Data Seimbang Jumlah Data Akurasi Gambar 11. Hasil Pengujian terhadap Data Seimbang

8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3499 nilai akurasi tertinggi yaitu 34,17% dengan K- Fold=10. Pengujian terhadap data seimbang yang menggunakan 50 data 70 data mencapai nilai akurasi tertinggi 32,00%. < khusus/2011/10/111004_mental1> [Diakses 23 Januari 2017] 10. DAFTAR PUSTAKA Asri, R., Pemodelan Sistem Pakar untuk Identifikasi Penyakit pada Tanaman Kedelai Menggunakan Metode Fuzzy K- nearest neighbor. S1. Universitas Brawijaya. Depkes., Lighting the Hope for Schizoprenia Warnai Peringatan Hari Kesehatan Jiwa tahun Kementrian Kesehatan Republik Indonesia, [online]. Tersedia melalui: < /lighting-the-hope-forschizoprenia-warnai-peringatan-harikesehatan-jiwa-tahun-2014.html> [Diakses 23 Januari 2017] Hastie, T., Tibshirani, R., The Element of Statistical Learning: Data Mining, Inference, and Prediction Second Edition. California: Springer. Han, J., Kamber, M., Data Mining: Concept and Techniques Second Edition. San Francisco: Morgan Kaufmann Publishers. Hawari, H., Pendekatan Holistik Pada Gangguan Jiwa Skizofrenia. Jakarta: Balai Penerbit Fakultas Kedokteran Universitas Indonesia. Hudaya, M., Pengaruh Terapi Guided Imagery terhadap Tingkat Kecemasan pada Pasien Skizofrenia di RSJD Surakarta. Tersedia melalui: Universitas Muhammadiyah Surakarta < [Diakses 8 Februari 2017] Jowik, A., A Learning Scheme for A Fuzzy K-NN Rule. Pattern Recognition Letters (1), Mayangsari, L., Klasifikasi Kondisi Detak Jantung Berdasarkan Hasil Elektrokardiogram (EKG) Menggunakan Metode Fuzzy K-Nearest Neighbor (FK- NN). S1. Universitas Brawijaya. Safitri, D., Bukan Gila tetapi Menderita Sakit Jiwa. BBC Indonesia, [online]. Tersedia melalui: