ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK DIAGNOSA DAN TATALAKSANA PENYAKIT DEMAM BERDARAH DENGUE MUHAMMAD SYAFII

Transkripsi

1 ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK DIAGNOSA DAN TATALAKSANA PENYAKIT DEMAM BERDARAH DENGUE MUHAMMAD SYAFII SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006

2 ABSTRAK Kematian akibat penyakit demam berdarah dengue (DBD) di Jakarta masih tinggi. Mendiagnosa penderita DBD sedini mungkin serta memberi pertolongan dengan segera diharapkan dapat mencegah kematian. Sistem pakar dapat digunakan untuk diagnosa penyakit. Penelitian yang akan dilakukan ini memodelkan sistem Neuro-fuzzy yaitu ANFIS untuk diagnosa dan tatalaksana penyakit DBD. Sampel penelitian terdiri dari data pasien yang menderita penyakit DBD dan demam dengue (DD) yang dirawat inap, terdiri dari 32 kasus DBD dan 32 kasus DD. Pengujian model dilakukan beberapa tahap yaitu pengujian model dengan data sebelum dan setelah validasi, pengujian model dengan jumlah dan tipe membership function. Penelitian ini menyimpulkan (a) ANFIS dapat digunakan secara selektif untuk mendiagnosa penyakit DBD dan dapat digunakan dengan baik apabila terpenuhi kondisi minimal sesuai aturan yang sudah diketahui. Dalam penelitian ini kondisi minimal tersebut ditemukannya salah satu manifestasi pendarahan dan ditemukannya demam (b) Model menggunakan 3 membership function (3mf) pada kriteria demam dan tipe Gaussian menghasilkan tingkat akurasi mendiagnosa DBD 86,67%. Pengujian dengan 4mf dan 5mf menghasilkan tingkat akurasi yang sama (86,67%) namun rata-rata error 3mf = 0.20, rata-rata error 4mf = 0.83 dan rata-rata error 5mf = 3,55. (c) Model menggunakan membership function tipe Gaussian menghasilkan akurasi 86,67%, tipe trapezoid menghasilkan akurasi 40%, tipe bells menghasilkan akurasi40% dan tipe triangular menghasilkan akurasi 40%.

3 ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK DIAGNOSA DAN TATALAKSANA PENYAKIT DEMAM BERDARAH DENGUE MUHAMMAD SYAFII Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Ilmu Komputer SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006

4 Judul Tesis : Adaptive Neuro Fuzzy Inference System (Anfis) Untuk Diagnosa Dan Tatalaksana Penyakit Demam Berdarah Dengue Nama : Muhammad Syafii N R P : G Disetujui Komisi Pembimbing Ir. Agus Buono, M.Si., M. Kom. Ketua Irman Hermadi, S. Kom.,MS. Anggota Diketahui Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana Ir. Agus Buono, M.Si., M. Komp. Prof. Dr. Ir. Syafrida Manuwoto, M.Sc. Tanggal Lulus :

5 PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dari penelitian yang dilaksanakan sejak bulan September 2005 ialah Adaptive Neuro Fuzzy Inference System (Anfis) Untuk Diagnosa Dan Tatalaksana Penyakit Demam Berdarah Dengue. Terima kasih penulis ucapkan kepada Bapak Ir. Agus Buono M.Si, M.Kom dan Bapak Irman Hermadi S.Kom, M.S selaku pembimbing serta Bapak Aziz Kustiyo S.Si, M.Kom selaku penguji. Disamping itu penulis juga menyampaikan penghargaan dan terima kasih kepada Bapak Profesor DR. dr. Sutaryo, Sp.A (K) guru besar pada Ilmu Kesehatan Anak Fakultas Kedokteran Universitas Gajah Mada Yogyakarta dan Bapak dr. Arsul Hasral, SpD dokter spesialis Penyakit Dalam rumah sakit Dharmais Jakarta selaku pakar pada penelitian saya ini. Ucapan terima kasih juga saya sampaikan kepada Bapak dr. Taufik Alief Fuad Kepala Subdinas Pemasaran Informasi Kesehatan Dinas Kesehatan Provinsi DKI Jakarta, Ibu Ir. Meuthia Rachmaniah, M.Sc dosen pada Pascasarjana Ilmu Komputer IPB Bogor, Bapak Dr. H. Adang Bachtiar, MPH, ScD dosen pada Fakultas Kesehatan Masyarakat Universitas Indonesia serta Bapak DR-Ing. Adang Suhendra dosen pada Fakultas Ilmu Komputer Universitas Gunadarma Jakarta yang telah banyak memberi saran. Penulis juga mengucapkan terima kasih kepada Ibu dr. Endang Suparniati, M.Kes Kepala Instalasi Medical Record rumah sakit Dr. Sardjito Yogyakarta serta Bapak Mt. Sutena, SKM supervisor penelitian pada Devisi Pendidikan dan SDM rumah sakit Dr. Sardjito Yogyakarta yang telah banyak membantu dalam pengumpulan data. Ungkapan terima kasih juga disampaikan kepada seluruh temanteman Pascasarjana Ilmu Komputer IPB Bogor serta isteri dan anak-anak saya atas segala doa dan dukungannya. Semoga karya ilmiah ini bermanfaat Bogor, Januari 2006 Muhammad Syafii

6 RIWAYAT HIDUP Penulis dilahirkan di Kisaran pada tanggal 3 September 1956 dari ayah Hamdi Budiman dan ibu Siti Aminah. Penulis merupakan putra ketiga dari tiga bersaudara. Penulis beristerikan Misniarti dan mempunyai 3 orang putri. Tahun 1976 penulis lulus dari SMA Negeri II Yogyakarta. Tahun 1985 lulus dokter dari Fakultas Kedokteran Universitas Gajah Mada Yogyakarta. Tahun 2003 lulus seleksi masuk Program Pascasarjana Ilmu Komputer IPB Bogor. Penulis mengawali karir pekerjaan dimulai pada tahun 1985 menjadi Kepala Puskesmas Kecamatan Membalong, Kab. Belitung. Pada tahun 1987 menjadi Kepala Puskesmas Kecamatan Tanjung Pandan, Kab. Belitung. Pada tahun 1989 menjadi Direktur Rumah Sakit Umum Daerah Tanjung Pandan, Kab. Belitung. Pada tahun 1999 bertugas sebagai Kepala Seksi Data dan Informasi Kanwil Depkes Provinsi DKI Jakarta dan pada tahun 2001 hingga sekarang sebagai Kepala Seksi Pengelolaan Data Kesehatan Dinas Kesehatan Provinsi DKI Jakarta. Penulis tinggal di Bogor dengan alamat Jl. Rimbamulya II No.65, RT/RW 02/03, Kelurahan Pasir Mulya, Kecamatan Bogor Barat, Kodya Bogor Telpon (0251)

7 DAFTAR ISI Halaman DAFTAR GAMBAR. iv DAFTAR TABEL.. v DAFTAR LAMPIRAN.. vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian Manfaat Penelitian.. 2 Blok Diagram Sistem.. 3 TINJAUAN PUSTAKA 4 Demam Berdarah Dengue Sistem Fuzzy.. 5 Jaringan Saraf Tiruan. 10 ANFIS. 11 BAHAN DAN METODE 17 Bahan Metode RANCANG BANGUN SISTEM 22 Desain Struktur Data Desain Arsitektur Fasilitas Penjelasan Desain Keluaran (output) IMPLEMENTASI 30 MATLAB Program Aplikasi PENGUJIAN DAN PEMBAHASAN 34 Mekanisme Pengujian 34 Pengujian Pembahasan KESIMPULAN DAN SARAN 60 Kesimpulan Saran DAFTAR PUSTAKA 61

8 DAFTAR GAMBAR Halaman 1 Blok Diagram Sistem Diagnosa dan Tatalaksana Demam Berdarah Dengue 3 2 Keanggotaan himpunan biasa umur muda dan parobaya. 6 3 Fungsi Keanggotaan USIA dengan representasi Sigmoid Fungsi implikasi MIN Fungsi implikasi DOT Model Fuzzy Sugeno Arsitektur ANFIS (J.S.R.Jang) Model perambatan balik error dari node O 5. ke node O 1, Kerangka Berpikir Penelitian Model aplikasi DBD Membership function demam tipe Gaussian Membership function bercak tipe Gaussian Membership function pendarahan tipe Gaussian Membership function uji tornikuet tipe Gaussian Arsitektur ANFIS Fungsi keanggotaan data kategori Membership function demam tipe Gaussian Membership function bercak tipe Gaussian Membership function pendarahan tipe Gaussian Membership function uji tornikuet tipe Gaussian Inferensi output persamaan liniar Rule FIS Arsitektur ANFIS Sebaran hasil pelatihan 44 data training sebelum validasi Sebaran hasil pelatihan 27 data training setelah validasi Sebaran hasil testing 20 data testing sebelum validasi Sebaran hasil testing 20 data testing setelah validasi Sebaran hasil testing Model 1 (3 mf) Sebaran hasil testing Model 2 (4 mf) Sebaran hasil testing Model 3 (5 mf) Sebaran hasil testing Model 4 (Gaussian) Sebaran hasil testing Model 5 (trapezoid ) Sebaran hasil testing Model 6 (bells) Sebaran hasil testing Model 7 (triangular).. 54

9 DAFTAR TABEL Halaman 1 Nilai fuzzy demam Nilai fuzzy bercak Nilai fuzzy pendarahan Nilai fuzzy uji tornikuet Basis aturan Nilai minimal dan maksimal output data training Jumlah data sebelum dan sesudah validasi Input dan output pengujian sebelum validasi Akurasi kesimpulan Model sebelum validasi Input dan output pengujian setelah validasi Akurasi kesimpulan Model setelah validasi Input dan output pengujian Model Akurasi kesimpulan Model Input dan output pengujian Model Akurasi kesimpulan Model Input dan output pengujian Model Akurasi kesimpulan Model Input dan output pengujian Model Akurasi kesimpulan Model Input dan output pengujian Model Akurasi kesimpulan Model Input dan output pengujian Model Akurasi kesimpulan Model Input dan output pengujian Model Akurasi kesimpulan Model Hasil uji berbagai jumlah membership function Hasil uji berbagai tipe membership function... 59

10 DAFTAR LAMPIRAN 1 Daftar penderita demam berdarah dengue (A.91) rawat inap di RS Dr. Sardjito Yogyakarta, bulan Januari November Daftar penderita demam dengue (A.90) rawat inap di RS Dr. Sardjito Yogyakarta, bulan Januari November Halaman Daftar 44 data training sebelum validasi 67 4 Daftar 27 data training setelah validasi 68 5 Daftar 20 data testing sebelum validasi 69 6 Daftar 15 data testing setelah validasi 70 7 Rule (aturan) lengkap DBD 71 8 Arsitektur ANFIS DBD menggunakan Matlab ver Data training dalam format teks (training.dat) Pengkodean program DBD Langkah instalasi aplikasi DBD Cara menjalankan aplikasi DBD 76

11 BAB I PENDAHULUAN 1.1. Latar Belakang Kematian akibat penyakit demam berdarah dengue (DBD) di Jakarta masih tinggi. Dari laporan surveilans aktif rumah sakit Dinas Kesehatan Provinsi DKI Jakarta tahun 2004 terjadi kasus DBD dengan kematian 91 jiwa atau case fatality rate (CFR) sebesar 0,44%. Kematian DBD di Jakarta cukup tinggi dibandingkan kematian DBD di dunia yang dilaporkan Word Health Organitation (WHO) tahun 2000 CFR sebesar 0,16%. Kematian disebabkan banyak faktor antara lain akibat keterlambatan diagnosis`(sutaryo 2004). Mendiagnosa penderita DBD sedini mungkin serta memberi pertolongan dengan segera diharapkan dapat mencegah kematian. Penyakit DBD mempunyai gejala demam, manifestasi pendarahan dan penurunan jumlah trombosit darah (Hasan 1985). Penyebab demam pada awal penyakit umumnya sulit diketahui, adanya bintik kemerahan (ruam) akut seperti pada penyakit morbili perlu dibedakan dengan penyakit DBD (Hendarwanto 1987). Sistem pakar dapat digunakan untuk diagnosa penyakit seperti pada sistem Mycin (Kusumadewi 2004). Sistem ini dikembangkan tahun 1970-an oleh Edward Shortliffe Ph.D dari Universitas Standford. Mycin menyertakan dasar pengetahuan yang menyimpan informasi tentang penyakit. Seorang dokter dapat menggunakan dasar pengetahuan tersebut lewat sebuah program inference machine (Kristanto 2004). Jaringan syaraf tiruan juga dapat diterapkan untuk membantu mengambil keputusan dalam mene tapkan diagnosa penyakit. Pada tahun 1980-an Anderson dan kawan kawan mengembangkan aplikasi jaringan syaraf tiruan yang disebut Instant Physician. Aplikasi ini melatih jaringan syaraf memori untuk menyimpan sejumlah data kedokteran meliputi data gejala, diagnosa dan perawatan pasien (Kristanto 2004).

12 2 Pada tahun 1992, J.S.R. Jang mengembangkan sistem Neuro-fuzzy yang disebut adaptive neuro fuzzy inference system (ANFIS). ANFIS adalah jaringan adaptif yang berbasis pada fuzzy inference system (sistem inferensi fuzzy). Pada tahun 2003 Castelano dan kawan kawan menggunakan sistem Neuro-fuzzy yang disebut Kernel untuk mendiagnosa penyakit kulit. Penelitian yang akan dilakukan ini memodelkan sistem Neuro-fuzzy yaitu ANFIS untuk diagnosa dan tatalaksana penyakit DBD Tujuan Penelitian Penelitian ini bertujuan membangun model Neuro-fuzzy yaitu ANFIS untuk diagnosa dan tatalaksana penyakit DBD Ruang Lingkup Penelitian a. Melakukan akuisisi pengetahuan pakar dengan wawancara menggunakan metode diskusi dan deskripsi masalah tentang penyakit DBD. b. Melakukan inferensi dengan sistem inferensi fuzzy tipe Takagi-Sugeno. c. Melakukan pembelajaran jaringan syaraf tiruan menggunakan algoritma pembelajaran hybrid. d. Membangun model Neuro-fuzzy yaitu ANFIS untuk diagnosa dan tatalaksana penyakit DBD e. Melakukan ujicoba model Manfaat Penelitian Hasil penelitian ini diharapkan dapat membantu sejawat dokter untuk mendiagnosa DBD secara klinis khususnya yang bekerja di Puskesmas yang sangat terbatas fasilitas laboratorium pemeriksaan darah trombosit. Dengan lebih awal mendiagnosa penyakit DBD diharapkan kematian akibat terlambat dirujuk ke rumah

13 3 sakit dapat dikurangi dan langkah-langkah intervensi seperti gerakan pemberantasan sarang nyamuk (PSN) maupun pengasapan (fogging) dapat lebih selektif, terarah dan tepat waktu. Penelitian ini juga ingin menggugah sejawat dokter muda agar tertarik pada bidang Artificial Intelligence (kecerdasan buatan). Bidang ini sangat kurang diminati para dokter bahkan hampir tidak ada Fakultas Kedokteran di Indonesia yang mengajarkan apalagi memiliki jurusan di bidang ini Blok Diagram Sistem Secara umum proses diagnosa dan tatalaksana penyakit DBD dapat digambarkan dengan blok diagram sistem sebagai berikut (Gambar 1) : Pasien Pemeriksaan Klinis : - demam - uji tornikuet - pendarahan spontan ANFIS Demam Berdarah Dengue Terapi & Tatalaksana DBD Pemeriksaan Laboratorium darah trombosit Hasil pemeriksaan trombosit Gambar 1 Blok diagram sistem diagnosa dan tatalaksana demam berdarah dengue (DBD)

14 4 BAB II. TINJAUAN PUSTAKA 2.1. Demam Berdarah Dengue (DBD) Dengue adalah penyakit infeksi virus yang ditularkan melalui nyamuk spesies Aedes (Hendarwanto 1987). Infeksi virus dengue pada manusia mengakibatkan suatu spektrum manifestasi klinis yang bervariasi. WHO pada tahun 1975 menetapkan 4 kriteria klinis untuk diagnosa DBD sebagai berikut (Hasan 1985) : 1). Demam tinggi dengan mendadak dan terus menerus selama 2-7 hari. 2). Dijumpai manifestasi pendarahan, paling sedikit rumple leede test (uji tornikuet) positif dan terdapat salah satu bentuk pendarahan yaitu pendarahan pada kulit (petekia, purpura, ekimosis), pendarahan hidung (epistaksis), pendarahan gusi, muntah berdarah (hematemesis) dan berak berdarah (melena). 3). Pembesaran hati (hepatomegali) dan 4). Shock yang ditandai dengan nadi lemah, cepat, tekanan darah menurun (tekanan sistolis kurang 80 mmhg, normal 120mmHg), kulit dingin dan lembab terutama ujung jari tangan dan kaki, penderita gelisah dan bibir kebiru-biruan (sianosis). Pemeriksaan laboratorium darah tepi penderita DBD dijumpai trombositopenia (jumlah trombosit kurang /mm3) dan dijumpai manifestasi hemokonsentrasi yang ditandai dengan meningkatnya nilai hematokrit sebanyak 20% atau lebih dibandingkan dengan hematokrit pada masa konvalesen (tenang). Ditemukannya 2 atau 3 kriteria klinis pertama WHO disertai trombositopenia dan hemokonsentrasi sudah cukup membuat diagnosa DBD (Hasan 1985). Berdasarkan kriteria di atas, maka WHO membagi derajat penyakit DBD dalam 4 kategori yaitu : Kategori (1). dijumpai demam disertai gejala tidak khas dan satu-satunya manifestasi pendarahan adalah uji tornikuet positif. Kategori (2). adalah kategori 1 disertai pendarahan spontan seperti petekia di kulit, epistaksis atau pendarahan lainnya. Kategori (3). adalah kategori 2 disertai kegagalan sirkulasi yaitu nadi lemah, cepat, tekanan darah menurun, disertai kulit dingin, lembab dan penderita gelisah. Dan kategori (4). adalah kategori 3 disertai shock berat dengan nadi tidak dapat diraba dan tekanan darah tidak dapat diukur.

15 5 Secara alamiah penyakit DBD mengalami perjalanan 4 tahap (Sutaryo, 2004) yaitu (1) masa inkubasi selama 5-9 hari, pada masa ini tidak dijumpai gejala. (2) masa akut selama 1-3 hari, pada masa ini akan muncul gejala subjektif (lemah, mual, muntah, nyeri kepala, dll) serta gejala objektif (demam, flushing, bercak merah, pendaraha n spontan hidung, gusi, pencernaan, pembesaran hati). (3) masa kritis selama 1-3 hari, pada masa ini dikuti gejala shock, kesadaran menurun, ekstremitas dingin, kulit lembab dan tekanan darah turun. (4) masa penyembuhan selama 1-2 hari, pada masa ini cepat sekali membaik dan gejala hilang tetapi terkadang muncul bercak merah yang disebut rash rekovalesen. Pemeriksaan uji tornikuet adalah menguji ketahanan kapiler darah dengan cara membendung pembuluh darah lengan atas dengan tekanan alat tensimeter yang dipompa sampai tekanan 100mmHg dan dipertahankan selama 10 menit kemudian dilepas (Gandasoebrata 1985). Dicari adanya bercak-bercak merah kecil yang disebut petekia yang timbul dalam lingkaran bergaris 5 cm, kira-kira 4 cm dibawah lipatan dalam lengan (fossa cubiti). Uji tornikuet positif bila ditemukan 10 petekia atau lebih dalam lingkaran. 2.2 Sistem Fuzzy Sistem fuzzy pertama kali diperkenalkan oleh Prof. L. A. Zadeh dari Barkelay pada tahun Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy. Dalam logika fuzzy terdapat beberapa proses yaitu penentuan himpunan fuzzy, penerapan aturan IF-THEN dan proses inferensi fuzzy (Marimin 2005) Himpunan Fuzzy Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy yaitu variabel fuzzy, himpunan fuzzy, semesta pembicaraan dan domain (Kusumadewi 2004). Variabel Fuzzy merupakan variabel yang akan dibahas dalam sistem fuzzy misalnya

16 6 umur, temperatur, permintaan, dsb. Himpunan Fuzzy merupakan suatu group yang mewakili suatu kondisi tertentu dalam variabel fuzzy misalnya variabel umur dibagi atas 3 himpunan fuzzy yaitu muda, parobaya dan tua. Semesta Pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy misalnya semesta pembicaraan variabel umur adalah 0 sampai 100. Domain adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam himpunan fuzzy misalnya domain umur muda 20 45, domain parobaya dan domain tua Fungsi Keanggotaan (membership function) Pada himpunan biasa (crisp) nilai keanggotaan memiliki 2 kemungkinan yaitu satu (1) berarti menjadi anggota himpunan dan dua (2) berarti tidak menjadi anggota. Bila 20-<35 himpunan umur muda, 35-<55 himpunan parobaya, maka seseorang berumur 35 tahun masuk himpunan parobaya, sedang umur 35 tahun kurang 1 hari masuk himpunan muda. Meskipun selisih umur hanya 1 hari, namun mengakibatkan perbedaan kategori cukup bermakna (Gambar 2). 35 th kurang 1 hari 20 th 35 th 55 th Umur muda Parobaya Gambar 2 Keanggotaan himpunan biasa umur muda dan parobaya. Dalam himpunan fuzzy seseorang dapat masuk dalam 2 himpunan yang berbeda. Seseorang berumur 40 tahun masuk himpunan berumur muda dengan derajat keanggotaan 0,15 dan sekaligus masuk himpunan berumur parobaya dengan derajat keanggotaan 0,85 (Gambar 3).

17 7 Gambar 3 Fungsi keanggotaan USIA dengan representasi sigmoid. Fungsi keanggotaan adalah kurva yang menunjukkan pemetaan titik input data ke dalam nilai keanggotaan yang mempunyai interval 0 1. Ada beberapa fungsi keanggotaan yang digunakan antara lain representasi kurva sigmoid, trapesoid dan triangular Operator Himpunan Fuzzy Seperti himpunan biasa, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasikan himpunan fuzzy. Ada 3 operator dasar yang diciptakan Zadeh yaitu operator AND, OR dan NOT. Nilai keanggotaan baru sebagai hasil dari operasi 2 himpunan disebut α -predikat. Operator AND merupakan operasi interseksi pada himpunan. α -predikat yang dihasilkan diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan bersangkutan. Misal nilai keanggotaan umur 27 pada himpunan muda adalah µ MUDA[27]= 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah µ GAJITINGGI[2juta]= 0,8 maka α -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai keanggotaan minimun : µ MUDA GAJITINGGI = min( µ MUDA[27], µ GAJITINGGI[2juta]) = min (0,6 ; 0,8) = 0,6 Operator OR merupakan operasi union pada himpunan. α -predikat yang dihasilkan diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada

18 8 himpunan bersangkutan. Misal nilai keanggotaan umur 27 pada himpunan muda adalah µ MUDA[27]= 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah µ GAJITINGGI[2juta]= 0,8 berpenghasilan TINGGI adalah nilai keanggotaan maksimum : maka α -predikat untuk usia MUDA atau µ MUDA GAJITINGGI = max( µ MUDA[27], µ GAJITINGGI[2juta]) = max (0,6 ; 0,8) = 0,8 Operator NOT merupakan operasi komplemen pada himpunan. α -predikat yang dihasilkan diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan dari 1. Misal nilai keanggotaan umur 27 pada himpunan muda adalah µ MUDA[27]= 0,6 maka α -predikat untuk usia TIDAK MUDA adalah : µ MUDA [27] = 1 - µ MUDA[27 = 1-0,6 = 0, Fungsi Implikasi Tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum aturan yang digunakan dalam fungsi implikasi adalah : IF x is A THEN y is B x dan y adalah skalar sedang A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut anteseden, sedangkan proposisi yang mengikuti THEN disebut konsekuen. Secara umum ada 2 fungsi implikasi yaitu fungsi implikasi Min (minimum) dan fungsi implikasi DOT (product). Misal bentuk aturan sebagai berikut : [R1] IF Permintaan NAIK AND Stok SEDIKIT THEN Produksi TINGGI Nilai keanggotaan Permintaan pada himpunan Permintaan NAIK adalah µ NAIK[8.000]= 0,7 dan nilai keanggotaan Stok pada himpunan Stok SEDIKIT adalah µ SEDIKIT[10.000]= 0,9 maka fungsi implikasi untuk Produksi TINGGI

19 9 adalah perpotongan nilai keanggotaan minimum sehingga nilai keanggotaan Produksi TINGGI adalah µ TINGGI=0,7. Aplikasi Fungsi implikasi Min (minimum) memotong output sebagai berikut : Gambar 4 Fungsi implikasi MIN Aplikasi Fungsi implikasi DOT (product) akan menskala output sebagai berikut : Gambar 5 Fungsi implikasi DOT Fuzzy inference system (FIS) Ada beberapa metode untuk merepresentasikan hasil logika fuzzy yaitu metode Tsukamoto, Mamdani dan Sugeno. Pada metode Tsukamoto, setiap konsekuen direpresentasikan dengan himpunan fuzzy dengan fungsi keanggotaan monoton. Output hasil inferensi masing-masing aturan adalah z, berupa himpunan biasa (crisp) yang ditetapkan berdasarkan α -predikatnya. Hasil akhir diperoleh dengan menggunakan rata-rata terbobotnya. Pada metode Mamdani, aplikasi fungsi implikasi menggunakan MIN, sedang komposisi aturan menggunakan metode MAX. Metode Mamdani dikenal juga dengan metode MAX-MIN. Inferensi output yang dihasilkan berupa bilangan fuzzy maka harus ditentukan suatu nilai crisp tertentu sebagai output. Proses ini dikenal dengan defuzzifikasi. Ada beberapa metoda yang dipakai dalam defuzzifikasi antara lain

20 10 metode centroid. Pada metode ini penetapan nilai crisp dengan cara mengambil titik pusat daerah fuzzy. Metode Sugeno mirip dengan metode Mamdani, hanya output (konsekuen) tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan liniar. Ada dua model metode Sugeno yaitu model fuzzy sugeno orde nol dan model fuzzy sugeno orde satu. Bentuk umum model fuzzy sugeno orde nol adalah : IF (x1 is A1) o (x 2 is A2) o.. o (xn is An) THEN z = k Bentuk umum model fuzzy Sugeno orde satu adalah : IF (x1 is A1) o (x 2 is A2) o.. o (xn is An) THEN z = p1.x1 + pn.xn + q Defuzzifikasi pada metode Sugeno dilakukan dengan mencari nilai rata-ratanya. µ A1 µ B1 µ A2 µ B2 w1 f1=p1x+q1y+r1 f = W1 f1 + w2 f2 W1 + w2 w2 f2=p2x+q2y+r2 = W1 f1 + w2 f2 x y Gambar 6 Model fuzzy sugeno orde Jaringan Syaraf Tiruan (JST) JST terdiri dari sejumlah elemen pemrosesan informasi yang disebut neuron (Kusumadewi 2003). Masing-masing neuron dihubungkan oleh saluran penghubung yang memiliki bobot. Bobot ini merepresentasikan informasi yang digunakan untuk pemecahan masalah oleh JST. Setiap neuron memiliki tingkat aktivasi. Umumnya setiap neuron mengirimkan nilai aktivasinya ke beberapa neuron lainnya. Kemampuan belajar JST direpresentasikan dalam metode pembelajaran. Salah satu metode pembelajaran JST menggunakan algoritma pembelajaran backpropagation (propagasi balik). Metoda ini merupakan algoritma pembelajaran terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron yang ada pada lapisan tersembunyi.

21 11 Algoritma backpropagation menggunakan error output mengubah nilai bobot dalam arah mundur (backward). Untuk mendapatkan error ini tahap perambatan maju (forward) harus dikerjakan terlebih dahulu. Pada saat penambahan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid 2.4. Adaptive Neuro Fuzzy Inference System (ANFIS) ANFIS dikembangkan oleh J.S.R Jang pada tahun Menurut Jang kelas adaptive network secara fungsional ekuivalen dengan fuzzy inference system. ANFIS adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno orde satu (Jang et al. 1997). Jika diasumsikan fuzzy inference system mempunyai dua input x dan y serta mempunyai satu output z, maka menurut model Sugeno orde satu, ada dua aturan sebagai berikut : Rule 1 : If x is A1 and y is B1, then f1 = p1x + q1y + r Rule 2 : If x is A2 and y is B2, then f2 = p2x + q2y + r Arsitektur ANFIS dan Model Sugeno orde -1 A1 B1 A2 B2 w1 f1=p1x+q1y+r1 f = W1 f1 + w2 f2 W1 + w2 w2 f2=p2x+q2y+r2 = W1 f1 + w2 f2 x y (a) x y Layer 1 Layer 2 Layer 3 Layer 4 Layer 5 A1 p A2 B1 p B2 w1 w2 (b) N N x y w1 w1f1 w2 x y W2 f2? f Gambar 7 (a) Model Sugeno orde-1 dengan 2 input dan 2 rule ; (b) Arsitektur ANFIS (J.S.R.Jang)

22 12 Jaringan ANFIS terdiri dari 5 lapisan sebagai berikut (J.S.R.Jang) : Lapisan 1 : Tiap node ke i pada lapisan ini adaptif terhadap parameter suatu fungsi aktivasi. Output tiap node berupa derajat keanggotaan yang diberikan oleh fungsi keanggotaan input. Bila output node ke i pada layer l disimbolkan Ol.i maka output layer 1 adalah : O 1.i = µa i (x), for i = atau O 1.i = µb i -2 (y), for i = Dimana x atau y adalah input ke node i dan A i atau B i-2 himpunan fuzzy dan O 1,i adalah derajat keanggotaan fuzzy set (A 1, A 2, B 1 atau B 2 ). Sebagai contoh sebuah fungsi bell sebagai berikut : 1 µ A( x) = 2bi x ci 1 + ai dimana {a i, b i, c i } adalah parameter. Jika nilai parameter ini berubah, maka kurva bell yang terjadi akan berubah. Parameter pada lapisan ini disebut parameter premis. Lapisan 2 : Tiap node pada lapisan ini berupa node tetap yang outputnya adalah hasil seluruh sinyal masuk sebagai berikut : O ( x) Bi( ), 2. i ω i = µ Ai µ y = for i = 1.2 Setiap output menggambarkan firing strength (α -predikat) dari sebuah rule. Biasanya digunakan operator AND. Lapisan 3 : Tiap node pada lapisan ini berupa node tetap. Output node ke i merupakan hasil perbandingan antara α -predikat aturan ke i terhadap jumlah seluruh α -predikat sebagai berikut : ω i O 3. i = ϖi = for i = 1, ω + ω Output dari lapisan ini disebut normalized firing strengths. Lapisan 4 : Tiap node pada lapisan ini merupakan node adaptive yang mempunyai persamaan fungsi sebagai berikut : ( pix+ qiy ri) O 4. i = ϖifi = ϖi +

23 13 Dimana? i adalah normalized firing strengths dari lapisan 3 dan { p i, q i, r i } adalah parameter di node ini. Parameter pada lapisan ini disebut parameter konsekuen. Lapisan 5 : Pada lapisan ini terdapat node tunggal yang tetap. Output node merupakan penjumlahan seluruh output sebagai berikut : O5. i = ϖifi i = i ω f i i i ωi Algoritma Pembelajaran Hybrid ANFIS dilatih dengan algoritma pelatihan hybrid (Jang et al. 1997). Ada dua langkah dalam pelatihan hybrid yaitu langkah maju (forward) dan langkah mundur (backward). Pada langkah maju, parameter premis tetap, input jaringan akan merambat maju sampai pada lapisan ke empat, dimana parameter konsekuen (p, q, r) akan diidentifikasi dengan menggunakan metode least-square estimator (LSE). Sedangkan pada langkah mundur error sinyal antara keluaran yang diinginkan dengan keluaran aktual, akan merambat mundur dan premis parameters (a, b, c) akan diperbaiki dengan metode gradient-descent (penurunan Gradien) Langkah Maju dengan Metode LSE Pada arsitektur ANFIS Gambar 7, parameter premis (a, b, c) tetap, maka output yang terjadi merupakan kombinasi linear dari parameter konsekuen. Sehingga output f adalah : ω1 f = ω1+ ω 2 f 1 ω2 + ω1 + ω 2 f 2 ( p 1 x + q 1 y + r 1) + 2( p 2 x + q 2 y + 2) = ϖ ϖ = 1 r ( ϖ 1x) p1 + ( ϖ 1y) q1 + ( ϖ 1) r1+ ( ϖ 2x) p2+ ( ϖ 2y) q2 + ( ϖ 2) r 2 dimana merupakan linear terhadap parameter konsekuen p1, q1, r1, p2, q2 dan r2. Misalkan ada P pasangan data pelatihan yaitu : x 1, y 1, x 2, y 2, x p, y p, dan output : f (1), f (2),.. f (p), maka diperoleh persamaan linear simultan sebagai berikut :

24 14 ( ) ( ) ( ) ( ) ( ) ( ) ) ( r q y p x r q y p x f ϖ ϖ ϖ ϖ ϖ ϖ = ( ) ( ) ( ) ( ) ( ) ( ) ) ( r q y p x r q y p x f ϖ ϖ ϖ ϖ ϖ ϖ =... ( ) ( ) ( ) ( ) ( ) ( ) ) ( r q y p x r q y p x f p p p p p ϖ ϖ ϖ ϖ ϖ ϖ = Dalam notasi matrik, persamaan di atas dapat ditulis sebagai berikut : F = A? F adalah vektor output ukuran P x 1 : = ) ( (2) (1). p f f f F A adalah matrik berukuran P x 6 : = ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ ϖ p p p p y y y x x x y y y x x x A Sedangkan? adalah vektor parameter yang dicari, berukuran 6 x 1 : = r q p r q p θ Kemudian dicari? yang meminimalkan jumlah error kuadrat yaitu : ( ) T T A A A 1 ^ = θ

25 Langkah Mundur dengan Metode Penurunan Gradien Dari arsitektur ANFIS Gambar 7 dimisalkan mempunyai P data pelatihan. Ukuran error untuk masukan ke p (1= p =P) adalah jumlah error kuadrat dari semua node keluaran : E p = N k= 1 ( dp, k fp, k ) 2 d p,k : keluaran yang diinginkan pada node ke k untuk masukan ke p. f p,k : keluaran aktual pada node ke k untuk masukan ke p. Karena pada ANFIS hanya satu keluaran maka : E p = ( dp fp) 2 Minimalisasi seluruh error untuk seluruh P pasangan data pelatihan dapat didefinisikan sebagai berikut : E = P P= 1 EP Dengan menggunakan metode penurunan gradien sederhana (steepest descent) tanpa minimalisasi garis maka formula perbaikan parameter premis sebagai berikut : α + E = η α? adalah laju pelatihan (digunakan konstanta yang kecil) Untuk menghitung vektor gradien, bila parameter premis mempengaruhi beberapa node digunakan formula sebagai berikut : + EP EP F = * α * O α + * O S S adalah himpunan node yang dipengaruhi parameter premis, O * keluaran node dalam S dan F * adalah fungsi dari node dalam S.

26 16 Pada ANFIS Gambar 7 node yang dipengaruhi oleh parameter premis di dalam node O 1,1 adalah node-node : O 2,1, O 3,1, O 3,2, O 4,1, O 4,2, O 5. Gambar berikut ini menunjukkan perambatan balik error dari node O 5. ke node O 1,1. Layer 1 Layer 2 Layer 3 Layer 4 Layer 5 O1 O2 O3 O4 O5 A1 A2 µa1 µb1 w1 p W (w1+w2)² N w1 -W (w1+w2)² f1 W1 f 1? f? 5 B1 p w2 N w2 f2 W 2 f2 B2 Gambar 8 Model perambatan balik error dari node O 5. ke node O 1,1.

27 17 BAB III BAHAN DAN METODE 3.1. BAHAN Sampel penelitian diambil dari medical record (catatan medis) rumah sakit Dr. Sardjito Yogyakarta pada tanggal Desember Sampel terdiri dari data pasien yang menderita penyakit DBD dan demam dengue (DD). Menurut international classification of deseases tenth revision (ICD 10 ) penyakit DBD diberi kode A.91 dan penyakit DD dengan kode A.90. Sampel diambil dari seluruh pasien yang dirawat inap pada bulan Januari sampai November Persyaratan catatan medis yang dijadikan sampel adalah apabila didalam catatan medis terdapat 4 (empat) catatan tentang kriteria klinis yaitu : demam (panas), bercakbercak (petekia), tanda pendarahan spontan (mimisan, gusi berdarah, muntah berdarah dan tinja bewarna hitam) dan hasil uji tornikuet. Dicatat juga kriteria laboratoris hasil pemeriksaan darah trombosit. Penyakit DD digunakan sebagai pembanding dalam penelitian ini karena pertimbangan adanya catatan 4 kriteria klinis dan 1 kriteria laboratoris. Pengambilan sampel dimulai dari pencetakan daftar penderita DBD dan penderita DD yang dibuat oleh bagian catatan medis rumah sakit Dr. Sardjito Yogyakarta. Jumlah penderita DBD 120 orang sedang jumlah penderita DD 111 orang (Lampiran 1 dan Lampiran 2). Berdasarkan daftar penderita ini maka dilakukan pencarian catatan medisnya. Dari pencarian 231 catatan medis ditemukan 205 catatan medis. Catatan medis yang tidak ditemukan karena sedang digunakan dan juga karena kasusnya bukan rawat inap. Dari 205 catatan medis yang ditemukan, catatan medis yang memenuhi persyaratan hanya 64, yang terdiri dari 32 kasus DBD dan 32 kasus DD. Catatan medis yang memenuhi persyaratan dikelompokkan menjadi 2 (dua) yaitu 44 kasus (70%) digunakan untuk data training (Lampiran 3) dan 20 kasus (30%) digunakan untuk data testing (Lampiran 5).

28 METODE Kerangka Berpikir Penelitian Mendiagnosa penyakit DBD secara klinis sangat tergantung kepada keahlian dokternya. Keadaan ini menimbulkan pemikiran bila keahlian tersebut dapat dialihkan dengan pelatihan ke suatu sistem pakar maka sistem yang telah dilatih mempunyai kemampuan menyerupai keahlian pakar tersebut sehingga seorang dokter yang belum berpengalaman mendiagnosa penyakit DBD akan mampu melakukan pekerjaan keahlian tersebut dengan bantuan sistem pakar yang telah dilatih tadi. Dari studi kepustakaan diperoleh identifikasi tentang penyakit DBD dan sistem pakar. Selanjutnya berdasarkan bisnis proses dikembangkan blok diagram sistem. Konsep dasar sistem pakar adalah keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan (Turban 1988). Pengalihan keahlian dilakukan dengan wawancara dengan pakar penyakit DBD yaitu dokter spesialis. ANFIS akan digunakan untuk pengembangan model. Sampel data diperoleh dari catatan medis penderita DBD dan bukan DBD yang dirawat di rumah sakit. Data yang diperoleh terdiri dari data training dan data testing. Pelatihan model menggunakan data training, sedang ujicoba model menggunakan data testing. Hasil kesimpulan ujicoba model akan diverifikasi dengan diagnosa pada data testing. Diagram alir konseptual kerangka berpikir penelitian selengkapnya dapat dilihat pada Gambar 9. Pengembangan perangkat lunak menggunakan model sekuensial linear atau model air terjun (waterfall model). Terdapat 5 tahap pengembangan model (Pressman 1997) yaitu analisis kebutuhan (requirements), desain (design), implementasi (implementation), pengujian (testing) dan pemeliharaan (maintenance).

29 19 Mulai Identifikasi Masalah Studi Pustaka Pengembangan Blok Diagram Sistem Bisnis proses diagnosis dan tatalaksana DBD Medical Record Data : - training - testing Akuisisi Pengetahuan Wawancara Pakar Pengembangan Model ANFIS Pengembangan Aplikasi Program Matlab Pelatihan (training) Ujicoba (testing) Pembahasan, kesimpulan, dokumentasi dan penulisan laporan Sesuai Harapan Tidak Ya Selesai Gambar 9 Kerangka berpikir penelitian

30 Analisis Sistem Dalam penelitian ini, masalah diagnosa penyakit DBD diatasi dengan pendekatan sistem pakar. Konsep dasar sistem pakar adalah keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan (Turban 1988). Ahli adalah dokter spesialis yang menguasai keahlian penyakit DBD. Pengalihan keahlian tentang penyakit DBD dari dokter spesialis ke komputer untuk kemudian dialihkan lagi ke dokter yang belum spesialis merupakan tujuan sistem ini. Proses ini membutuhkan 4 aktivitas yaitu tambahan pengetahuan (akuisisi dari dokter spesialis), representasi pengetahuan (ke komputer), inferensi pengetahuan dan pengalihan keahlian ke pemakai (dokter belum spesialis atau pasien) Akuisisi Pengetahuan Akuisisi pakar dilakukan melalui wawancara dengan 2 pakar. Pertama wawancara dengan Profesor DR. dr. Sutaryo, Sp.A (K), gurubesar pada Ilmu Kesehatan Anak Fakultas Kedokteran Universitas Gajah Mada Yogyakarta. Wawancara dilakukan di Rumah Sakit Dr. Sardjito Yogyakarta pada tanggal 15 Desember Wawancacara kedua dengan dr. Asrul Hasral, SpD, seorang Spesialis Penyakit Dalam. Wawancara dilakukan di rumah sakit Kanker Darmais Jakarta pada tanggal 16 Januari Dari wawancara dengan pakar dipero leh kesimpulan bahwa gejala klinis penyakit DBD ditandai dengan demam, flushing (kulit kemerahan), nyeri kepala, rasa lemah, mual sampai muntah, nyeri otot, nyeri sendi, uji tornikuet positif atau gejala pendarahan spontan, hepatomegali (pembesaran hati). Pemeriksaan laboratorium dijumpai leukopenia (angka leukosit kurang /mm3), trombositopenia (angka trombosit kurang dari /mm3), limfosit plasma biru lebih 4% dari seluruh hitung jenis leukosit. Pada stadium lanjut dapat dijumpai gejala shock. Secara alamiah penyakit DBD mengalami perjalanan 4 tahap yaitu (1) masa inkubasi selama 5-9 hari, pada masa ini tidak dijumpai gejala. (2) masa akut selama 1-3 hari, pada masa ini akan muncul gejala subjektif (lemah, mual, muntah, nyeri kepala, dll) serta gejala objektif (demam, flushing, bercak merah, pendarahan spontan hidung,

31 21 gusi, pencernaan, pembesaran hati). (3) masa kritis selama 1-3 hari, pada masa ini dikuti gejala shock, kesadaran menurun, ekstremitas dingin, kulit lembab dan tekanan darah turun. (4) masa penyembuhan selama 1-2 hari, pada masa ini cepat sekali membaik dan gejala hilang tetapi terkadang muncul bercak merah yang disebut rash rekovalesen. Kemunculan gejala klinis tergantung pada tahap perjalanan penyakitnya. Demam yang khas adalah demam tinggi secara mendadak dan terus menerus selama 4-5 hari tanpa diketahui sebabnya dan tidak menderita batuk pilek. Pendarahan paling ringan adalah uji tornikuet positif, tapi pemeriksaan ini kadang-kadang tidak dikerjakan secara standar dan sulit dilakukan pada anak-anak. Hasil uji tornikuet negatif pada keadaan pre shock dan shock. Pendarahan spontan jarang terjadi pada 4 hari pertama sakit. Pendarahan ringan seperti bercak merah di kulit dapat timbul pada awal demam, tapi pendarahan berat seperti melena umumnya timbul setelah sakit yang berat atau shock yang lama. Pembesaran hati meskipun merupakan tanda yang khas tapi sulit mengukurnya. Secara klinis pembesaran hati terjadi bila tepi hati teraba 2 cm (2 jari) di bawah iga dan seharusnya diukur setiap hari. Pemeriksaan yang tepat pembesaran hati mungkin perlu menggunakan alat ultra sonografi (USG). Dari penjelasan pakar maka pada penelitian ini digunakan 4 gejala klinis objektif yaitu demam, bercak, pendarahan spontan dan hasil uji tornikuet untuk menetapkan diagnosa DBD secara klinis. Demam tinggi yang mendadak disertai salah satu manifestasi pendarahan dapat dijadikan kesimpulan klinis penyakit DBD. Demam dikatakan ringan bila pengukuran suhu 36,0 37,3 ºC dan lama demam 1-2 hari, sedang bila pengukuran suhu 36,5 38,5 ºC dan lama demam 3 atau 6 hari dan tinggi bila pengukuran suhu 38,0 42,0 ºC dan lama demam 4-5 hari. Penilaian bercak dari pengamatan jumlah petekia (p) per lingkaran diameter 2,8 cm, dikatakan sedikit bila p < 4, sedang bila 4 = p < 10 dan banyak p = 10. Pendarahan tidak jelas bila dijumpai pendarahan hidung atau gusi sedikit, jelas bila dijumpai pendarahan hidung atau gusi banyak dan sangat jelas bila dijumpai hematemesis atau melena. Penilaian uji tornikuet dari pengamatan jumlah petekia (p) per lingkaran diameter 2,8 cm pada fossa cubiti, dikatakan negatif bila p < 4, ragu bila 4 = p < 10 dan positif bila p = 10.

32 22 BAB IV RANCANG BANGUN SISTEM Pengguna sistem adalah dokter namun sistem dapat juga digunakan oleh praktisi kesehatan lainnya seperti bidan, perawat bahkan masyarakat umum. Dokter dibantu dalam pengambilan keputusan mendiagnosa penyakit DBD, sedang masyarakat umum dapat melakukan diagnosa sendiri dengan tujuan untuk kewaspadaan dini dan segera mencari pertolongan ke dokter bila sistem menyimpulkan sakit DBD. Dari hasil analisis kebutuhan maka dikembangkan model yang mengacu pada sistem pakar sebagai berikut : Pengguna Antar muka Fasilitas Penjelasan Mekanisme Inferensi (interpretasi) Diagnosa & Tatalaksana Data base Rule base Basis Pengetahuan Training anfis Generate anfis Data training Gambar 10 Model aplikasi DBD

33 Desain Struktur Data Basis Data Fuzzy (Fuzzy Data Base) Desain struktur data menggunakan himpunan fuzzy. Data dibedakan atas kriteria dan parameter. Kriteria adalah gejala klinis penyakit DBD yaitu demam, bercak di kulit, pendarahan spontan dan uji tornikuet. Kriteria klinis direpresentasikan sebagai data fuzzy. Masing-masing kriteria memiliki parameter yang mencerminkan keanggotaan pada himpunan fuzzy. Dalam sistem fuzzy keanggotaan ini direpresentasikan dalam membership function (mf). Nilai fungsi keanggotaan masing-masing gejala klinis diperoleh berdasarkan wawancara dengan pakar. Demam terdiri 3 parameter yaitu ringan, sedang dan berat. Penilaian tingkat demam ditetapkan atas pengukuran suhu dan lamanya demam. Pengukuran suhu berkisar 36 C-42 C. Badan dikatakan demam bila suhu 37.3ºC atau lebih. Nilai fuzzy demam berdasarkan pengukuran suhu badan sebagai berikut : Tabel 1 Nilai fuzzy demam Demam Nilai Pengukuran Rendah 36,0 37,3 Suhu 36,0 37,3 ºC dan lama demam 1-2 hari Sedang 36,5 38,5 Suhu 36,5 38,5 ºC dan lama demam 3 atau 6 hari Tinggi 38,0 42,0 Suhu 38,0 42,0 ºC dan lama demam 4-5 hari Fungsi keanggotaan demam tipe Gaussian digambarkan sebagai berikut : Gambar 11 Membership function demam tipe Gaussian

34 24 Bercak terdiri 3 parameter yaitu sedikit, sedang dan banyak. Penilaian tingkat bercak ditetapkan atas pengukuran jumlah petekia per lingkaran diameter 2,8 cm pada kulit lengan, dada atau muka. Hasil pengukuran jumlah petekia diskor 0,00 1,00. Tingkat bercak ditetapkan berdasarkan skor sebagai berikut : Tabel 2 : Nilai fuzzy bercak Bercak Nilai Skor Pengukuran Sedikit 0,00 0,40 jumlah petekia < 4 per lingkaran diameter 2,8 cm Sedang 0,25 0,75 jumlah petekia 4-9 per lingkaran diameter 2,8 cm Banyak 0,60 1,00 jumlah petekia = 10 per lingkaran diameter 2,8 cm Fungsi keanggotaan bercak tipe Gaussian digambarkan sebagai berikut : Gambar 12 Membership function bercak tipe Gaussian Pendarahan spontan terdiri 3 parameter yaitu tidak jelas, jelas dan sangat jelas. Penilaian tingkat pendarahan spontan ditetapkan atas pengamatan pendarahan hidung, pendarahan gusi, hematemesis dan melena. Hasil pengamatan pendarahan spontan diskor 0,00 1,00. Tingkat pendarahan spontan ditetapkan berdasarkan skor sebagai berikut :

35 25 Tabel 3 : Nilai fuzzy pendarahan Pendarahan Nilai Skor Pengukuran Tidak jelas 0,00 0,40 Pendarahan hidung atau gusi sedikit. Jelas 0,25 0,75 Pendarahan hidung atau gusi banyak. Sangat jelas 0,60 1,00 Ditemukan hematemesis atau melena Fungsi keanggotaan pendarahan spontan tipe Gaussian digambarkan sebagai berikut : Gambar 13 : membership function pendarahan tipe Gaussian Uji tornikuet terdiri 3 parameter yaitu negatif, ragu-ragu dan positif. Penilaian tingkat uji tornikuet ditetapkan atas pengamatan jumlah petekia per lingkaran diameter 1 cm pada fossa cubiti. Hasil pengamatan uji tornikuet diskor 0,00 1,00. Tingkat uji tornikuet ditetapkan berdasarkan skor sebagai berikut : Tabel 4 : Nilai fuzzy tornikuet Tornikuet Nilai Skor Pengukuran Negatif 0,00 0,40 jumlah petekia < 4 per lingkaran diameter 2,8 cm pada fossa cubiti. Ragu-ragu 0,25 0,75 jumlah petekia 4-9 per lingkaran diameter 2,8 cm pada fossa cubiti. Positif 0,60 1,00 jumlah petekia = 10 per lingkaran diameter 2,8 cm pada fossa cubiti.

36 26 Fungsi keanggotaan uji tornikuet tipe Gaussian digambarkan sebagai berikut : Gambar 14 Membership function uji tornikuet tipe Gaussian Dalam penelitian ini digunakan ANFIS sebagai arsitektur jaringan neural dan ditetapkan 3 membership function jenis Gaussian. Pada arsitektur ANFIS membership function dibentuk secara adaptiv sesuai besaran data yang dimasukkan (data training) Basis Aturan (Rule Base) Pada penghitungan data fuzzy dengan ANFIS digunakan kaidah aturan IF THEN. Aturan dibuat berdasar pendapat pakar. Jumlah aturan sesuai dengan jumlah kriteria dan parameternya. Pada penelitian ini ada 4 kriteria yaitu demam, bercak, pendarahan spontan dan uji tornikuet. Masing-masing kriteria mempunyai 3 parameter (membership function) sehingga jumlah aturan sebanyak 3 4 = 81 aturan. Pada arsitektur ANFIS, aturan dibentuk secara adaptiv sesuai karakteristik data training yang dimasukkan. Contoh dibawah ini menggambarkan 2 buah aturan, lebih lengkapnya dapat dilihat pada lampiran 7 : Tabel 5 Basis aturan Rule-1 Rule-2 IF demam rendah AND bercak sedikit AND pendarahan_spontan tidak_jelas AND uji_tornikuet negatif IF demam tinggi AND bercak banyak AND pendarahan_spontan sangat_jelas AND uji_tornikuet positif THEN bukan DBD THEN DBD

37 Desain Arsitektur Desain arsitektur menggunakan ANFIS. Sistem inferensia fuzzy yang digunakan adalah tipe Takagi-Sugeno orde satu, sedangkan untuk fungsi keanggotaan menggunakan Gaussian. Proses pembelajaran yang dilakukan menggunakan algoritma Hybrid dan proses defuzzifikasi menggunakan metode Weighted Average Arsitektur ANFIS ditentukan oleh jumlah kriteria dan parameter. Ada 4 input kriteria yaitu demam, bercak, perdarahan dan uji tornikuet dimana masing-masing mempunyai 3 parameter. Struktur ANFIS seperti dapat dilihat pada Gambar 15. Struktur ANFIS secara detail dapat dilihat pada Lampiran 8. Demam Layer 1 Layer 2 Layer 3 Layer 4 demam Layer 5 bercak Pendarahan rendah Uji tornikuet w1 sedang ω 1 p N tinggi ω 1f1 Bercak sedikit sedang p w2 ω 2f2 ω 2 N? f banyak Pendarahan Tdk jelas Jelas p W3 N ω 3 ω 3f3 Sgt jelas ω 4f4 Uji tornikuet negatif ragu p W4 N ω 4 positif demam bercak Pendarahan Uji tornikuet Gambar 15 Arsitektur ANFIS

38 Fasilitas Penjelasan Bagian ini menerangkan penalaran, aksi maupun rekomensadi yang dilakukan oleh sistem pakar. Penjelasan dalam sistem pakar biasanya berhubungan dengan beberapa bentuk penelusuran aturan (rule) yang dilakukan selama pemecahan masalah baik berupa diagnosis, perlakuan dan komplikasi. Fasilitas penjelasan biasanya terdiri dari Why Explanations yaitu penjelasan sehubungan dengan pertanyaan pengapa sesuatu hal ditanyakan dan How Explanations yaitu penjelasan sehubungan dengan pertanyaan bagaimana kesimpulan dicapai Desain Keluaran (Output) Kesimpulan ANFIS diinterpretasikan dalam 2 kategori. Data kategori diperoleh dengan cara membuat fungsi keanggotaan output data training. Jumlah fungsi keanggotaan 2 dan jenisnya trapezoid. pengelompokan kategori ditetapkan berdasarkan nilai keanggotaan yang terbesar. Dari data training diperoleh nilai minimal dan maksimal output sebagai berikut : Tabel 6 Nilai minimal dan maksimal output data training. Jenis sampel data Nilai minimal Nilai maksimal Bukan DBD 89, ,0023 DBD 90, ,0005 Dibawah ini fungsi keanggotaan dengan menggunakan output data training. Gambar 16 Fungsi keanggotaan data kategori.

39 29 Misal pada Gambar 16 nilai kesimpulan ANFIS adalah 89,40 akan diinterpretasikan bukan DBD dan nilai kesimpulan ANFIS adalah 89,60 akan diinterpretasikan DBD. Interpretasi kesimpulan ANFIS dipresentasikan sebagai Diagnosa 1 yaitu Besar kemungkinan penderita terserang penyakit Demam Berdarah Dengue dan Diagnosa 2 yaitu Penderita tidak terserang penyakit Demam Berdarah Dengue. Masing-masing kategori sebagai output model ini disertai dengan tatalaksana tindak-lanjutnya. Tatalaksana sesuai dengan kategori output model adalah sebagai berikut : Diagnosa 1 : Besar kemungkinan penderita terserang penyakit Demam Berdarah Dengue. Tatalaksana : 1. Atasi pendarahan yang terjadi. 2. segera dirujuk ke fasilitas kesehatan yang lebih lengkap (rumah sakit) untuk dirawat dan pemeriksaan trombosit darah. 3. Lakukan penelitian ke rumah penderita. Cari penderita lain yang mengalami gejala serupa di rumah-rumah tetangga sampai radius 100 meter. Periksa jentik nyamuk dan lakukan pembersihan sarang nyamuk (PSN). Diagnosa 2 : Penderita tidak terserang penyakit Demam Berdarah Dengue. Tatalaksana : 1. Turunkan demamnya dengan obat penurun panas. 2. Segera kembali untuk dilakukan pemeriksaan ulang bila panas tidak turun atau timbul gejala bercak-bercak, mimisan, gusi berdarah muntah berdarah dan tinja bewarna hitam.

40 30 BAB V. IMPLEMENTASI 5.1. MATLAB Pembangunan Model menggunakan program MATLAB (Hanselman 1997). Pada penelitian ini digunakan MATLAB version 7.0. Pertama dibuat data training (training.dat). Data training dapat dilihat dalam Lampiran 9. Dengan menu matlab command dilakukan pembangunan Fuzzy inference system (FIS). FIS yang digunakan tipe Takagi-Sugeno orde satu. Membership function demam, bercak, pendarahan dan uji tornikuet masing-masing berjumlah 3 dengan tipe Gaussian. Proses defuzzifikasi menggunakan metode Weighted Average. Demam dikatakan ringan bila pengukuran suhu 36,0 37,3 ºC, sedang bila pengukuran suhu 36,5 38,5 ºC dan tinggi bila pengukuran suhu 38,0 42,0 ºC. Gambaran membership function demam menggunakan Matlab ver 7.0 sebagai berikut : Gambar 17 Membership function demam tipe Gaussian.

41 31 Bercak sedikit bila nilai skor 0,00 0,40 sedang bila nilai skor 0,25 0,75 dan banyak bila nilai skor 0,60 1,00. Gambaran menggunakan Matlab ver 7.0 sbb : Gambar 18 Membership function bercak tipe Gaussian. Pendarahan tidak jelas bila nilai skor 0,00 0,40 jelas bila nilai skor 0,25 0,75 dan sangat jelas bila nilai skor 0,60 1,00. Gambaran menggunakan Matlab ver 7.0 sbb: Gambar 19 Membership function pendarahan tipe Gaussian.

42 32 Uji tornikuet negatif bila nilai skor 0,00 0,40 ragu-ragu bila nilai skor 0,25 0,75 dan positif bila nilai skor 0,60 1,00. Gambaran menggunakan Matlab ver 7.0 sbb : Gambar 20 Membership function uji tornikuet tipe Gaussian. Inferensi output metode Takagi-Sugeno yang dihasilkan berupa persamaan liniar. Gambaran inferensi output menggunakan Matlab ver 7.0 sbb : Gambar 21 Inferensi output persamaan liniar

43 33 Gambaran rule menggunakan Matlab ver 7.0 sebagai berikut : Gambar 22 Rule FIS 5.2. Program Aplikasi Untuk memudahkan penggunaan aplikasi oleh pemakai maka dibuat program antar muka yang dibangun menggunakan graphical user interface (GUI) MATLAB. Untuk menjalankan aplikasi ini harus tersedia program MATLAB versi 7.0. Pengkodean program selengkapnya dapat dilihat pada Lampiran 10. Langkah langkah instalasi aplikasi dapat dilihat pada Lampiran 11 dan cara menjalankan aplikasi dapat dilihat pada lampiran 12.

44 34 BAB VI. PENGUJIAN DAN PEMBAHASAN 6.1. Penjelasan Pengujian Pengujian dilakukan terhadap model ANFIS yang dibangun. Tujuan pengujian adalah untuk menemukan model yang ideal. Sebelum dilakukan pengujian terlebih dahulu dilakukan pelatihan terhadap model. Pelatihan model menggunakan data training adapun pengujian model menggunakan data testing. Data training dan data testing memuat informasi tentang data input berupa demam, bercak, pendarahan, hasil test tornikuet dan data output berupa diagnosa (DBD atau bukan DBD). Model yang sudah dilatih diberi masukan sesuai input data testing. Hasil pengujian yang merupakan output model dibandingkan dengan diagnosa pada data testing. Semakin sama perbandingan output model dengan diagnosa berarti model semakin akurat. Pengujian dilakukan terhadap beberapa model. Kelompok model pertama dilakukan pengujian terhadap validitas data. Menurut pakar diagnosa DBD dapat ditetapkan bila ditemukan demam disertai salah satu manifestasi pendarahan seperti bercak, pendarahan dan uji tornikuet positif. Pada data training dan data testing ditemukan beberapa data yang tidak sesuai pendapat pakar tersebut. Maka akan diuji pengaruh data sebelum dan setelah validasi data. Kelompok model kedua adalah pengujian dengan berbagai jumlah membership function dari parameter dema m, sedang jumlah membership function parameter lainnya tetap yaitu 3. Dipilihnya parameter demam dikarenakan karakteristik data yang ada sangat bervariasi (36,40 41,30) dibandingkan parameter lain yang hanya terdiri dari 2 variasi (0 atau 1). Menurut pakar parameter demam ada tiga yaitu rendah, sedang dan tinggi. Maka diuji akurasi model bila menggunakan 4 parameter dan 5 parameter. Pengujian ini bersifat sekuensial artinya data terbaik dari pengujian kelompok pertama digunakan pada pengujian kelompok kedua ini.

45 35 Kelompok model ketiga adalah menguji dengan berbagai bentuk membership function seluruh parameter. Pada arsitektur ANFIS yang dikembangkan oleh Jang dan kawan kawan menggunakan generalized bell (gbell). Maka pada penelitian ini perlu diuji berbagai bentuk membership function. Pengujian ini juga bersifat sekuensial artinya data terbaik dari pengujian kelompok pertama dan kedua digunakan pada pengujian kelompok tiga ini Validasi Data Validasi adalah meneliti kebenaran data dalam kondisi khusus. Dalam hal ini kondisi khusus tersebut adalah aturan (rule base) yang diperoleh dari pakar. Validasi dilakukan dengan cara meneliti konsistensi data terhadap aturan tersebut. Menurut pendapat pakar dijumpai demam tinggi yang mendadak disertai salah satu manifestasi pendarahan dapat dijadikan kesimpulan klinis penyakit DBD. Hasil validasi data training dan testing setelah validasi dapat dilihat pada Lampiran 4 dan Lampiran 6. Jumlah data training dan testing sebelum dan sesudah validasi dapat dilihat pada tabel sebagai berikut : Tabel 7 Jumlah data sebelum dan sesudah validasi Kasus Data Training Data Testing Sebelum validasi Setelah validasi Sebelum validasi Setelah validasi DBD Bukan DBD Jumlah Pelatihan ANFIS. Proses pembelajaran model ANFIS menggunakan algoritma Hybrid. Pelatihan dilakukan sebanyak 150 epoch. Inferensi output metode Takagi-Sugeno yang dihasilkan berupa persamaan liniar. Kesimpulan ANFIS diinterpretasikan dengan cara mencocokkan dengan data kategori. Hasil interpretasi menjadi output Model yang dikelompokkan menjadi 2 kategori yaitu menderita DBD dan bukan menderita DBD.

46 36 Pelatihan dilakukan 2 kali, pertama pelatihan terhadap 44 data training sebelum validasi dan kedua pelatihan terhadap 27 data training setelah validasi. Sebaran hasil testing data training sebelum validasi dapat dilihat pada Gambar 24. Gambar 24 Sebaran hasil testing 44 data trainig sebelum validasi Sebaran hasil testing data training setelah validasi dapat dilihat pada Gambar 25. Gambar 25 Sebaran hasil testing 27 data trainig setelah validasi

47 Pengujian Pengujian model dilakukan beberapa tahap sebagai berikut : (1) pengujian model dengan data testing sebelum dan setelah verifikasi, (2) pengujian model dengan membership function deman jumlah 3 mf, 4 mf dan 5 mf. dan (3) pengujian model dengan tipe membership function Gaussian, trapezoid, bells dan triangular Pengujian model dengan data testing sebelum dan setelah verifikasi Pengujian dengan data testing sebelum validasi dilakukan melakukan entri data testing sebanyak 20 sampel. Hasil pengujian Model dapat dilihat pada Tabel 8. Tabel 8 Inp ut dan output pengujian sebelum validasi Input No Demam Bercak Pendarahan Tornikuet Catatan medis Output Model Error

48 38 Pengujian 10 kasus DBD sesuai diagnosa di catatan medis disimpulkan 3 kasus DBD dan 7 kasus bukan DBD. Pengujian 10 kasus bukan DBD sesuai diagnosa di catatan medis disimpulkan 9 kasus bukan DBD dan 1 kasus DBD. Dari total 20 kasus yang diuji maka 12 kasus (60%) tepat disimpulkan dan 8 kasus (40%) tidak tepat disimpulkan. Akurasi pengambilan kesimpulan Model dapat dilihat pada Tabel 9. Tabel 9 Akurasi kesimpulan model sebelum validasi Kasus Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing setelah validasi dapat dilihat pada Gambar 26. Gambar 26 Sebaran hasil testing 20 data testing setelah validasi

49 39 Pengujian dengan data testing setelah proses validasi dilakukan dengan cara melakukan entri data testing sebanyak 15 sampel. Hasil pengujian Model setelah validasi dapat dilihat pada Tabel 10. Tabel 10 Input dan Output Pengujian setelah validasi Input No Demam Bercak Perdarahan Tornikuet Catatan medis Output Model Error Pengujian 6 kasus DBD sesuai diagnosa di catatan medis disimpulkan 4 kasus DBD dan 2 kasus bukan DBD. Pengujian 9 kasus bukan DBD sesuai diagnosa di catatan medis seluruhnya disimpulkan kasus bukan DBD oleh. Dari total 15 kasus yang diuji maka 13 kasus (86.67%) tepat disimpulkan dan 2 kasus (33.33%) tidak tepat disimpulkan. Akurasi pengambilan kesimpulan Model dapat dilihat pada Tabel 11.

50 40 Tabel 11 Akurasi kesimpulan Model setelah validasi Kasus Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing setelah validasi dapat dilihat pada Gambar 27. Gambar 27 Sebaran hasil testing 15 data testing setelah validasi

51 Pengujian Model dengan berbagai jumlah membership function Model ANFIS mempunyai 4 input kriteria yaitu demam, bercak, pendarahan dan uji tornikuet. Pengujian dilakukan terhadap berbagai jumlah membership function demam, sedang jumlah membership function bercak, pendarahan dan uji tornikuet tetap. Pengujian 3 membership function (3mf) demam : Jumlah membership function demam, bercak, pendarahan dan tornikuet masingmasing 3, 3, 3, 3 dan tipe membership function adalah Gaussian. Model dilatih dengan 27 data training dan dilakukan pelatihan 150 epoch. Pengujian dilakukan dengan 15 data testing. Hasil pengujian disebut model 1 sebagai berikut : Tabel 12 Input dan Output Pengujian Model 1 Input No Demam Bercak Perdarahan Tornikuet Catatan medis Output Model 1 (3mf) Error

52 42 Pengujian 6 kasus DBD sesuai catatan medis (nomor 1 6), disimpulkan 4 kasus DBD dan 2 kasus bukan DBD oleh model. Pengujian 9 kasus bukan DBD sesuai catatan medis (nomor 7 15), seluruhnya disimpulkan kasus bukan DBD oleh model. Dari total 15 kasus yang diuji maka 13 kasus (86.67%) tepat disimpulkan oleh model dan 2 kasus (13.33%) tidak tepat disimpulkan oleh model. Akurasi pengambilan kesimpulan oleh model secara lengkap dapat dilihat pada Tabel 13. Kasus Tabel 13 : Akurasi kesimpulan Model 1 Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing Model 1 dapat dilihat pada Gambar 28. Gambar 28 Sebaran hasil testing Model 1 (3mf).

53 43 Pengujian 4 membership function (4mf) demam : Jumlah membership function demam, bercak, pendarahan dan tornikuet masingmasing 4, 3, 3, 3 dan tipe membership function adalah Gaussian. Model dilatih dengan 27 data training dan dilakukan pelatihan 150 epoch. Pengujian dilakukan dengan 15 data testing. Hasil pengujian disebut model 2 sebagai berikut : Tabel 14 Input dan Output Pengujian Model 2 Input No Demam Bercak Perdarahan Tornikuet Catatan medis Output Model 2 (4mf) Error Pengujian 6 kasus DBD sesuai catatan medis (nomor 1 6), disimpulkan 4 kasus DBD dan 2 kasus bukan DBD oleh model. Pengujian 9 kasus bukan DBD sesuai catatan medis (nomor 7 15), seluruhnya disimpulkan kasus bukan DBD oleh model. Dari total 15 kasus yang diuji maka 13 kasus (86.67%) tepat disimpulkan oleh model dan 2 kasus (13.33%) tidak tepat disimpulkan oleh model. Akurasi pengambilan kesimpulan oleh model secara lengkap dapat dilihat pada Tabel 15.

54 44 Kasus Tabel 15 Akurasi kesimpulan Model 2 Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing Model 2 dapat dilihat pada Gambar 29. Gambar 29 Sebaran hasil testing Model 2 (4mf).

55 45 Pengujian 5 membership function (5mf) demam Jumlah membership function demam, bercak, pendarahan dan tornikuet masingmasing 4, 3, 3, 3 dan tipe membership function adalah Gaussian. Model dilatih dengan 27 data training dan dilakukan pelatihan 150 epoch. Pengujian dilakukan dengan 15 data testing. Hasil pengujian disebut model 3 sebagai berikut : Tabel 16 Input dan Output Pengujian Model 3 Input No Demam Bercak Perdarahan Tornikuet Catatan medis Output Model 3 (5mf) Error Pengujian 6 kasus DBD sesuai catatan medis (nomor 1 6), disimpulkan 4 kasus DBD dan 2 kasus bukan DBD oleh model. Pengujian 9 kasus bukan DBD sesuai catatan medis (nomor 7 15), seluruhnya disimpulkan kasus bukan DBD oleh model. Dari total 15 kasus yang diuji maka 13 kasus (86.67%) tepat disimpulkan oleh model dan 2 kasus (13.33%) tidak tepat disimpulkan oleh model. Akurasi pengambilan kesimpulan oleh model secara lengkap dapat dilihat pada Tabel 17.

56 46 Kasus Tabel 17 Akurasi kesimpulan Model 3 Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing Model 3 dapat dilihat pada Gambar 30. Gambar 30 Sebaran hasil testing Model 3 (4mf).

57 Pengujian Model dengan berbagai tipe membership function Model ANFIS mempunyai 4 input kriteria yaitu demam, bercak, pendarahan dan uji tornikuet. Pengujian dilakukan terhadap berbagai tipe membership function, sedang jumlah membership function demam, bercak, pendarahan dan uji tornikuet tetap 3. Nilai masing-masing membership function disesuaikan dengan penilaian pakar. Pengujian Model dengan membership function tipe Gaussian Jumlah membership function demam, bercak, pendarahan dan tornikuet masingmasing 3, 3, 3, 3 dan tipe membership function adalah Gaussian. Model dilatih dengan 27 data training dan dilakukan pelatihan 150 epoch. Pengujian dilakukan dengan 15 data testing. Hasil pengujian disebut model 4 sebagai berikut : Tabel 18 Input dan Output Pengujian Model 4 Input No Demam Bercak Perdarahan Tornikuet Catatan medis Output Model 4 (Gaussian) Error

58 48 Pengujian 6 kasus DBD sesuai catatan medis (nomor 1 6), disimpulkan 4 kasus DBD dan 2 kasus bukan DBD oleh model. Pengujian 9 kasus bukan DBD sesuai catatan medis (nomor 7 15), seluruhnya disimpulkan kasus bukan DBD oleh model. Dari total 15 kasus yang diuji maka 6 kasus (40%) tepat disimpulkan oleh model dan 9 kasus (60%) tidak tepat disimpulkan oleh model. Akurasi pengambilan kesimpulan oleh model 4 secara lengkap dapat dilihat pada Tabel 19. Kasus Tabel 19 Akurasi kesimpulan Model 4 Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing Model 4 dapat dilihat pada Gambar 31. Gambar 31 Sebaran hasil testing Model 4 (Gaussian).

59 49 Pengujian Model dengan membership function tipe trapezoid. Jumlah membership function demam, bercak, pendarahan dan tornikuet masingmasing 3, 3, 3, 3 dan tipe membership function adalah trapezoid. Model dilatih denga n 27 data training dan dilakukan pelatihan 150 epoch. Pengujian dilakukan dengan 15 data testing. Hasil pengujian disebut model 5 sebagai berikut : Tabel 20 Input dan Output Pengujian Model 5 Input No Demam Bercak Perdarahan Tornikuet Catatan medis Output Model 5 (trapezoid) Error Pengujian 6 kasus DBD sesuai catatan medis (nomor 1 6), disimpulkan 6 kasus DBD dan 0 kasus bukan DBD oleh model. Pengujian 9 kasus bukan DBD sesuai catatan medis (nomor 7 15), seluruhnya disimpulkan kasus DBD oleh model. Dari total 15 kasus yang diuji maka 6 kasus (40%) tepat disimpulkan oleh model dan 9 kasus (60%)

60 50 tidak tepat disimpulkan oleh model. Akurasi pengambilan kesimpulan oleh model 5 secara lengkap dapat dilihat pada Tabel 21. Kasus Tabel 21 Akurasi kesimpulan Model 5 Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing Model 5 dapat dilihat pada gambar 32. Gambar 32 : Sebaran hasil testing Model 5 (trapezoid).

61 51 Pengujian Model dengan membership function tipe bells. Jumlah membership function demam, bercak, pendarahan dan tornikuet masingmasing 3, 3, 3, 3 dan tipe membership function adalah bells. Model dilatih dengan 27 data training dan dilakukan pelatihan 150 epoch. Pengujian dilakukan dengan 15 data testing. Hasil pengujian disebut model 6 sebagai berikut : Tabel 22 Input dan Output Pengujian Model 6 Input Output No Demam Bercak Perdarahan Tornikuet Catatan medis Model 6 (bells) Error Pengujian 6 kasus DBD sesuai catatan medis (nomor 1 6), disimpulkan 6 kasus DBD dan 0 kasus bukan DBD oleh model. Pengujian 9 kasus bukan DBD sesuai catatan medis (nomor 7 15), seluruhnya disimpulkan kasus DBD oleh model. Dari total 15 kasus yang diuji maka 6 kasus (40%) tepat disimpulkan oleh model dan 9 kasus (60%)

62 52 tidak tepat disimpulkan oleh model. Persentase ketepatan dan kesalahan pengambilan kesimpulan oleh model secara lengkap dapat dilihat pada Tabel 23. Kasus Tabel 23 Akurasi kesimpulan Model 6 Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing Model 6 dapat dilihat pada Gambar 33. Gambar 33 Sebaran hasil testing Model 6 (bells)

63 53 Pengujian Model dengan membership function tipe triangular. Jumlah membership function demam, bercak, pendarahan dan tornikuet masingmasing 3, 3, 3, 3 dan tipe membership function adalah triangular. Model dilatih dengan 27 data training dan dilakukan pelatihan 150 epoch. Pengujian dilakukan dengan 15 data testing. Hasil pengujian disebut model 7 sebagai berikut : Tabel 24 Input dan Output Pengujian Model 7 Input Output No Demam Bercak Perdarahan Tornikuet Catatan medis Model 7 (triangular) Error Pengujian 6 kasus DBD sesuai catatan medis (nomor 1 6), disimpulkan 6 kasus DBD dan 0 kasus bukan DBD oleh model. Pengujian 9 kasus bukan DBD sesuai catatan medis (nomor 7 15), seluruhnya disimpulkan kasus DBD oleh model. Dari total 15 kasus yang diuji maka 6 kasus (40%) tepat disimpulkan oleh model dan 9 kasus (60%)

64 54 tidak tepat disimpulkan oleh model. Akurasi pengambilan kesimpulan oleh model secara lengkap dapat dilihat pada Tabel 25. Kasus Tabel 25 Akurasi kesimpulan Model 7 Diagnosa di catatan medis (kasus) Kesimpulan oleh Model (kasus) Tingkat akurasi (%) DBD Bukan DBD Total Sebaran hasil testing data testing Model 7 dapat dilihat pada Gambar 34. Gambar 34 Sebaran hasil testing Model 7 (triangular)

65 Pembahasan Penelitian ini bertujuan membangun model Neuro-fuzzy yaitu ANFIS. Dari serangkaian masukan data input diperoleh keluaran berupa penyakit DBD atau bukan DBD. ANFIS adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno orde satu (Jang et al. 1997). Pada fuzzy rule base masukan berupa data non fuzzy selanjutnya diubah menjadi data fuzzy oleh sistem. Penarikan kesimpulan ANFIS menggunakan Fuzzy inferensia sistem. Hasil penarikan kesimpulan merupakan data non-fuzzy. Data input dibedakan atas kriteria dan parameter. Kriteria adalah gejala klinis penyakit DBD yaitu demam, bercak di kulit, pendarahan spontan dan uji tornikuet. Kriteria klinis direpresentasikan sebagai data fuzzy. Masing-masing kriteria memiliki parameter yang mencerminkan keanggotaan pada himpunan fuzzy. Dalam sistem fuzzy keanggotaan ini direpresentasikan dalam membership function (mf). Representasi keanggotaan dipengaruhi oleh jumlah dan tipe membership function (mf) yang digunakan. Nilai fungsi keanggotaan diperoleh berdasarkan wawancara dengan pakar Validitas Data v.s Kerja Model Menetapkan diagnosa penyakit DBD di rumah sakit melalui beberapa tahap. Pada saat penderita masuk rumah sakit pertama kali yang dilakukan dokter adalah pemeriksaan klinis baik melalui wawancara (anamnesa) maupun pemeriksaan fisik. Kesimpulan awal pemeriksaan klinis menuntun dokter untuk menetapkan jenis pemeriksaan pendukung seperti pemeriksaan laboratorium. Selama dirawat di rumah sakit, dilakukan pengamatan perjalanan penyakit dengan cara melakukan pemeriksaan klinis dan pemeriksaan laboratoium. Dalam kasus DBD pemeriksaan serial laboratorium darah menyimpulkan apakah terjadi penurunan jumlah trombosit sebagai syarat ditegakkan diagnosa DBD. Seluruh rangkaian pemeriksaan klinis dan laboratorium selama dirawat di rumah sakit sampai penderita dinyatakan sembuh (boleh pulang) disimpulkan sebagai diagnosa tetap atau diagnosa keluar rumah sakit.

66 56 Diagnosa yang digunakan dalam sampel pada penelitian ini adalah diagnosa tetap atau diagnosa keluar rumah sakit sehingga data yang digunakan seluruhnya valid. Dalam pengujian data pada penelitian ini ditemukan 2 karakter berbeda. Hasil yang diperoleh dari pengujian data yang telah divalidasi jauh lebih baik dibandingkan dengan hasil yang diperoleh dari pengujian data yang tidak divalidasi. Kerja Model yang menggunakan arsitektur anfis pada penelitian ini sangat tergantung dari jenis data yang dimasukkan pada tahap pelatihan (training) dan aturan (rule) yang dibuat secara adaptiv pada saat pelatihan. Aturan dibuat berdasarkan input dan output data training yang dimasukkan. Sehingga konsistensi antara input dan output data training menentukan baik dan tidaknya aturan yang akan dibuat. Hal ini dibuktikan dalam penelitian ini bahwa data yang konsisten dengan aturan yang sudah diketahui (dari pakar) menghasilkan kinerja Model yang jauh lebih baik dari data yang tidak konsisten. Model yang dibangun pada penelitian ini menetapkan penyakit DBD berdasarkan pengamatan klinis penderita, sedang pada sampel penelitian diagnosa ditetapkan melalui rangkaian pemeriksaan lain yang lebih lengkap. Pada kasus penyakit DBD, kemunculan gejala klinis sendiri sangat tergantung pada tahap perjalanan penyakitnya. Mungkin saja seorang yang hanya panas tinggi pada tahap awal penyakit belum memunculkan gejala klinis lain seperti bercak atau perdarahan spontan, sedang pada pemeriksaan laboratium terlihat penurunan trombosit dan peningkatan hematokrit yang bermakna sehingga disimpulkan sebagai DBD sehingga seakan-akan terjadi ketidak-konsistenan data tadi. Padahal apabila penderita tersebut diamati tanpa diberikan pengobatan akan berlanjut ketahap berikutnya yang memunculkan tanda klinis yang lebih jelas. Dari penilitian ini diperoleh gambaran bahwa ANFIS dapat digunakan secara selektif untuk mendiagnosa penyakit DBD. ANFIS dapat digunakan dengan baik apabila terpenuhi kondisi minimal tertentu sesuai aturan yang sudah diketahui dari pakar. Dalam penelitian ini kondisi minimal tersebut adalah ditemukannya gejala demam dan paling sedikit ditemukan salah satu manifestasi pendarahan seperti bercak, pendarahan dan uji tornikuet.

67 Pengaruh jumlah membership function kriteria demam Hasil pengujian Model terhadap berbagai jenis jumlah membership function mempengaruhi nilai kesimpulan yang dibuat Model. Dari 15 data sampel yang diuji, pengujian Model menggunakan 3 membership function menghasilkan akurasi 86.67% dengan rata-rata kesalahan sebesar 0,20. Pengujian Model menggunakan 4 membership function menghasilkan akurasi 86.67% dengan rata-rata kesalahan sebesar 0,83. Pengujian Model menggunakan 5 membership function menghasilkan akurasi 86.67% dengan rata-rata kesalahan sebesar 3,55. Perbandingan hasil pengujian dapat dilihat pada Tabel 26. URUT Tabel 26 Hasil Uji berbagai jumlah membership function Diagnosa Membership Function Demam Catatan Medis Jumlah 3mf error Jumlah 4mf error Jumlah 5mf error Rata - rata error Akurasi (%) * 86,67 86,67 86,67 Jumlah rule ** * Jumlah ketepatan kesimpulan Model dibagi seluruh data testing dikalikan 100. ** jumlah rule sesuai pada ANFIS.

68 58 Dari pengujian ini diperoleh gambaran bahwa penggunaan berbagai jumlah membership function demam menghasilkan tingkat akurasi yang sama (86,67%) namun menghasilkan error yang berbeda sebagai berikut : rata-rata error 3mf = 0.20, rata-rata error 4mf = 0.83 dan rata-rata error 5mf = 3,55. Simulasi menggunakan ANFIS untuk memodelkan fungsi dua dimensi z=cos (x) * cos (y) menyimpulkan bahwa hasil pemodelan dengan lima membership function premis dan 100 epoch pelatihan mendekati data pelatihan yang sebenarnya, sedangkan rekontruksi untuk tiga membership function dan sepuluh epoch menghasilkan fungsi yang lebih rendah dari yang diharapkan (Widodo 2005). JRS Jang dan kawan-kawan menggunakan ANFIS untuk memodelkan On-line Identification in Control System dengan melakukan pembelajaran off-line setelah 49.5 epoch dengan jumlah membership function berturut-turut 5, 4 dan 3. Dari pengujian disimpulkan bahwa nyata ANFIS merupakan model yang baik ketika menggunakan (sedikitnya) 3 membership function. Bagaimanapun, ketika banyaknya aturan menjadi lebih kecil, hubungan antara F(µ) dan masing-masing aturan luaran (rule output) menjadi tidak jelas, dalam pengertian bahwa hal ini sangat besar pengaruhnya dalam membuat sketsa F(µ) dari masing-masing rule output. Dengan kata lain ketika banyaknya parameter dikurangi secukupnya, ANFIS biasanya mengerjakan pekerjaan memuaskan, tapi dibayar dengan mengorbankan pengertian semantik dalam terminologi dari local mapping alami dari fuzzy if-then rule (Jang et al. 1997) Pengaruh tipe membership function Hasil pengujian Model terhadap berbagai tipe membership function mempengaruhi nilai kesimpulan yang dibuat Model. Dari 15 data sampel yang diuji, pengujian Model menggunakan Gaussian menghasilkan akurasi 86.67% dengan ratarata kesalahan sebesar 0,20, pengujian model menggunakan trapezoid menghasilkan akurasi 40% dengan rata-rata kesalahan sebesar 5.26, pengujian model menggunakan bells menghasilkan akurasi 40% dengan rata-rata kesalahan sebesar 5.01 dan pengujian model menggunakan triangular menghasilkan akurasi 40% dengan rata-rata kesalahan sebesar Perbandingan hasil pengujian dapat dilihat pada Tabel 27.

69 59 Tabel 27 Hasil Uji berbagai tipe membership function No Diagnosa Catatan Medis Gaus sian error Trape zoid Tipe Membership Function error Bells error Triangu lar error Rata rata error Akurasi (%) * 86,67% 40% 40% 40% * Jumlah ketepatan kesimpulan Model dibagi seluruh data testing dikalikan 100. Dari pengujian ini diperoleh gambaran bahwa model menggunakan membership function tipe Gaussian menghasilkan akurasi 86,67%, pada tipe trapezoid menghasilkan akurasi 40%, pada tipe bells menghasilkan akurasi 40% dan pada tipe triangular menghasilkan akurasi 40%.

70 60 BAB VII. KESIMPULAN DAN SARAN 7.1. Kesimpulan Kesimpulan penelitian ini adalah : a. ANFIS dapat digunakan secara selektif untuk mendiagnosa penyakit DBD dan dapat digunakan dengan baik apabila terpenuhi kondisi minimal tertentu sesuai aturan yang sudah diketahui. Dalam penelitian ini kondisi minimal tersebut adalah ditemukannya salah satu manifestasi pendarahan disamping ditemukannya demam. b. Model menggunakan 3 membership function (3mf) pada kriteria demam dan tipe Gaussian menghasilkan tingkat akurasi mendiagnosa DBD 86,67%. Pengujian dengan 4mf dan 5mf menghasilkan tingkat akurasi yang sama (86,67%) namun rata-rata error 3mf = 0.20, rata-rata error 4mf = 0.83 dan rata-rata error 5mf = 3,55. c. Model menggunakan membership function tipe Gaussian menghasilkan akurasi 86,67%, pada tipe trapezoid menghasilkan akurasi 40%, pada tipe bells menghasilkan akurasi 40% dan pada tipe triangular menghasilkan akurasi 40% Saran Saran untuk pengembangan model selanjutnya adalah : a. Perlu dikembangkan lagi pengukuran kriteria klinis menggunakan hasil penghitungan langsung misal menghitung jumlah bercak yang terlihat di kulit. b. Perlu pengembangan jumlah kriteria termasuk tanda subjektif seperti sakit kepala, nyeri perut, mual, dll. c. Perlu dikembangkan visualisasi tanda-tanda klinis penyakit DBD sebagai pedoman penilaian bagi pengguna.

71 61 DAFTAR PUSTAKA Castelano, G., C.Castiello, A.M Finelli dan C.Leone Diagnosis of Dermatological Diseases by A Neuro-Fuzzy System. Dipartimento di Informatica, Universit`a Degli Studi di Bari Via Orabona, Bari- ITALIA Gandasoebrata. R Penuntun Laboratorium Klinik. Bagian Patologi Klinik Fakultas Kedokteran Universitas Indonesia. Jakarta Hanselman, D. dan B. Littlefield The Student of Matlab. The Math Works, Prentice-Hall, Inc. New Jersey Hasan, R Buku Ajar Ilmu Kesehatan Anak. Bagian Ilmu Kesehatan anak Fakultas Kedokteran Universitas Indonesia. Jakarta. Haznam. M.W Terapi Standart. Bagian Ilmu Penyakit Dalam Fakultas Kedokteran Universitas Padjajaran, Bandung. Hendarwanto Buku Ajar Ilmu Penyakit Dalam. Balai Penerbit Fakultas Kedokteran Universitas Indonesia. Jakarta. Jang J.S.R, C.T. Sun dan E.Mizutami Neuro Fuzzy and Soft Computing. Printice Hall, London Kristanto, A Jaringan Syaraf Tiruan (Konsep dasar, algoritma dan aplikasi). Gava Media, Yogyakarta Kusumadewi. S dan H. Purnomo Aplikasi Logika Fuzzy Untuk Mendukung Keputusan. Graha Ilmu, Yogyakarta. Kusumadewi. S Artificial Intelligence (Tehnik dan aplikasinya). Graha Ilmu, Yogyakarta. Marimin Teori dan aplikasi sistem pakar dalam tehnologi manajerial. IPB Press, Bogor. Pressman, R.S Software Engineering : A Practitioner s Approach. The McGraw- Hill Companis, Inc. Sutaryo Dengue. Medika Fakultas Kedokteran Universitas Gajah Mada, Yogyakarta. Turban, E Decision Support and Expert System. MacMillan Publishing Company, New York. Widodo,T.S Sistem Neuro Fuzzy. Graha Ilmu, Yogyakarta..

72 63 Lampiran 1 Daftar penderita demam berdarah dengue (A.91) rawat inap di RS Dr. Sardjito Yogyakarta, bulan Januari November NO NOCM UNIT MASUK KELUARLAMA KET KU KK1 KK2 KK3 KK4 KK5 KK6MKK7O KO2 KK8SBKOMP1KOMP2 UMUR KETUM INT ###### ###### 5 S A91.X. 22 TH UPA ###### ###### 3 S A91.X 11 TH IR5 ###### ###### 4 S A91.X. 21 TH INT ###### ###### 8 H A91.X. 22 TH PER ###### ###### 2 H A91.X. R TH INT ###### ###### 4 S A91.X. B79.X. 18 TH UPA ###### ###### 3 S A91.X. 12 TH PER ###### ###### 11 S A91.X. N39.0. A41.9. D64.9. J81.X. 6 TH UPA ###### ###### 4 S A91.X. 6 TH KUS ###### ###### 4 S A91.X TH UPA ###### ###### 10 S A91.X. K12.1. A41.9. R TH INT ###### 9 S A91.X. 29 TH UPA ###### ###### 5 S A91.X. 10 TH UPA ###### 5 H A91.X TH INT ###### 4 H A91.X. 23 TH PIC ###### ###### 6 H A91.X. 2 TH INT ###### 5 S A91.X. H TH UPA ###### 2 S A91.X.3F71.X 7 TH INT ###### ###### 5 H A91.X. 18 TH UPA ###### 3 S A91.X. N TH INT ###### 6 S A91.X. 18 TH UPA ###### 3 S A91.X. A TH INT ###### 2 S A91.X. 22 TH UPA ###### 3 S A91.X. 7 TH INT ###### 3 S A91.X. 21 TH CH ###### ###### 4 H A91.X. 18 TH INT ###### ###### 34 S A91.X. 19 TH UPA ###### ###### 2 S A91.X. 4 TH UPA ###### ###### 4 S A91.X. 5 TH UPA ###### ###### 4 S A91.X. K TH PER ###### ###### 8 H A91.X. R57.8. R56.0. A J90.X. J81.X. 7 TH INT ###### ###### 3 S A91.X. 27 TH INT ###### ###### 6 S A91.X. 24 TH UPA ###### ###### 6 S A91.X. E41.X. 8 TH INT ###### ###### 2 S A91.X. 22 TH UPA ###### ###### 2 S A91.X. 12 TH UPA ###### ###### 4 S A91.X. 6 TH INT ###### ###### 5 S A91.X. 23 TH UPA ###### ###### 4 S A91.X. 7 TH UPA ###### ###### 6 S A91.X TH INT ###### ###### 2 H A91.X. 17 TH INT ###### ###### 8 S A91.X. 18 TH INT ###### ###### 4 S A91.X. 19 TH INT ###### ###### 6 H A91.X. 20 TH CW2 ###### ###### 2 H A91.X. 18 TH UPA ###### ###### 2 S A91.X. 7 TH UPA ###### ###### 2 S A91.X. 7 TH IR5 ###### ###### 3 S A91.X. 22 TH WJY ###### ###### 4 S A91.X. 22 TH INT ###### ###### 4 S A91.X. 19 TH UPA ###### ###### 3 H A91.X. J45.9. A TH KUS ###### ###### 5 S A91.X. E TH PIC ###### ###### 3 H A91.X. G93.4. J TH CW3 ###### ###### 3 S A91.X. D TH INT ###### ###### 3 S A91.X. 22 TH UPA ###### ###### 4 S A91.X TH INT ###### ###### 8 S A91.X. R TH INT ###### ###### 6 S A91.X. N34.2. K TH INT ###### ###### 6 S A91.X TH INT ###### ###### 2 H A91.X. 24 TH INT ###### ###### 3 S A91.X. 50 TH INT ###### ###### 6 S A91.X. 20 TH UPA ###### ###### 2 P A91.X. 12 TH INT ###### ###### 1 S A91.X. 19 TH INT ###### ###### 4 S A91.X. 30 TH INT ###### ###### 3 S A91.X. 37 TH

73 INT ###### ###### 5 S A91.X. 25 TH UPA ###### ###### 8 H A91.X. G93.4. A09.X. A TH INT ###### ###### 6 S A91.X. K30.X. 37 TH PIC ###### ###### 1 M A91.X. A91.X 5 TH INT ###### ###### 3 S A91.X. 21 TH INT ###### ###### 5 S A91.X. 21 TH UPA ###### ###### 3 S A91.X. 11 TH INT ###### ###### 2 S A91.X. D TH Lanjutan NO NOCM UNIT MASUK KELUARLAMA KET KU KK1 KK2 KK3 KK4 KK5 KK6MKK7O KO2K8SB_MKOMP1KOMP2 UMURKETUM INT ###### ###### 4 S A91.X. 22 TH UPA ###### ###### 3 S A91.X. 13 TH INT ###### ###### 3 S A91.X. 28 TH PIC ###### ###### 2 H A91.X. R TH UPA ###### ###### 3 S A91.X. A09.X. 13 TH PER ###### ###### 4 S A91.X. 10 TH UPA ###### ###### 3 S A91.X. 8 TH UPA ###### ###### 2 S A91.X. R TH UPA ###### ###### 4 S A91.X. 4 TH INT ###### ###### 3 S A91.X. 20 TH INT ###### ###### 1 H A91.X. 27 TH CW1 ###### ###### 5 H A91.X. 25 TH KUS ###### ###### 4 S A91.X. 19 TH UPA ###### ###### 3 S A91.X. 8 TH INT ###### ###### 7 S A91.X. 25 TH UPA ###### ###### 4 S A91.X. 14 TH IR3 ###### ###### 5 S A91.X. 20 TH INT ###### ###### 4 H A91.X. 20 TH UPA ###### ###### 4 H A91.X. J02.9. H10.3. A TH INT ###### ###### 3 S A91.X. 20 TH INT ###### ###### 4 S A91.X. 14 TH INT ###### ###### 4 P A91.X. 25 TH UPA ###### ###### 5 H A91.X. A09.X. 12 TH INT ###### ###### 6 S A91.X TH UPA ###### ###### 4 H A91.X. K TH ## CW1 ###### ###### 2 S A91.X. 18 TH ## INT ###### ###### 6 S A91.X TH ## UPA ###### ###### 1 H A91.X. R56.0. J00.X. 2 TH ## INT ###### ###### 6 S A91.X. 16 TH ## UPA ###### ###### 3 S A91.X. 6 TH ## CW ###### ###### 5 S A91.X. 19 TH ## UPA ###### ###### 2 S A91.X. J TH ## IMC ###### ###### 2 H A91.X. 22 TH ## UPA ###### ###### 3 S A91.X. R TH ## INT ###### ###### 5 S A91.X. 19 TH ## CH ###### ###### 1 H A91.X. 13 TH ## CW2 ###### ###### 4 S A91.X. 19 TH ## INT ###### ###### 4 S A91.X. 36 TH ## INT ###### ###### 8 H A91.X. E11.9. N39.0. A TH ## CW1 ###### ###### 8 H A91.X. I10.X. 52 TH ## KUS ###### ###### 7 S A91.X. A TH ## WJY ###### ###### 2 S A91.X. 22 TH ## UPA ###### ###### 7 H A91.X. A TH ## IR3 ###### ###### 5 H A91.X. 30 TH ## IR5 ###### ###### 3 H A91.X TH ## UPA ###### ###### 12 S N39.0. A91.X. I09.9. I TH

74 66 Lampiran 2 Daftar penderita demam dengue (A.90) rawat inap di RS Dr. Sardjito Yogyakarta, bulan Januari November NO NOCM UNIT MASUK KELUAR LAMA KET KU KK1 KK2 KK3 KK4 KK5KK6MKK7O KO2 KK8SBKOMP1KOMP2 UMURKETUM UPA ####### ######## 2 S A90.X. J TH UPA ####### ######## 3 H A90.X. 14 TH UPA ####### ######## 4 S A90.X. J TH UPA ####### ######## 3 S A90.X. 7 TH UPA ####### ######## 1 S A90.X. 2 TH IR5 ####### ######## 2 S A90.X. 25 TH UPA ####### ######## 4 S A90.X. 2 TH CW1 ####### ######## 4 S A90.X. 35 TH UPA ####### ######## 7 H A90.X. I TH UPA ####### ######## 2 S A90.X. J TH UPA ####### 2 S A90.X. J00.X. L TH UPA ####### ######## 2 H A90.X. A09.X. 2 TH UPA ####### 4 S A90.X. 9 BL UPA ####### 3 S A90.X. J00.X. 9 TH UPA ####### 2 H A90.X. Q TH UPA ####### 3 S A90.X. J40.X. 5 TH UPA ####### 3 H A90.X. 14 TH UPA ####### 3 S A90.X. 1 TH UPA ####### 2 S A90.X. 13 TH UPA ####### ######## 4 S A90.X. D TH INT ####### ######## 4 H A90.X. 22 TH UPA ####### ######## 3 S A90.X. 10 TH UPA ####### ######## 5 S A90.X. J00.X. 4 TH UPA ####### ######## 5 H A90.X. 7 TH UPA ####### ######## 2 S A90.X. 3 TH UPA ####### ######## 1 S A90.X. 5 TH UPA ####### ######## 3 H A90.X. 2 TH INT ####### ######## 4 S A90.X. 19 TH INT ####### ######## 6 S A90.X. N19.X. 24 TH INT ####### ######## 4 S A90.X. 31 TH INT ####### ######## 3 S A90.X. 16 TH INT ####### ######## 1 H A90.X. 19 TH UPA ####### ######## 2 H A90.X. 8 TH UPA ####### ######## 2 H A90.X. 14 TH UPA ####### ######## 2 P A90.X. 9 TH UPA ####### ######## 5 H A90.X. 7 TH UPA ####### ######## 6 H A90.X. A09.X. 6 BL UPA ####### ######## 2 S A90.X. J TH UPA ####### ######## 3 S A90.X. 8 TH UPA ####### ######## 1 S A90.X. 1 TH UPA ####### ######## 2 S A90.X. 13 TH UPA ####### ######## 2 S A90.X. 18 TH UPA ####### ######## 3 S A90.X. 5 TH UPA ####### ######## 6 S A90.X. 13 TH UPA ####### ######## 4 S A90.X. L TH UPA ####### ######## 4 S A90.X. 13 TH INT ####### ######## 3 S A90.X. 26 TH UPA ####### ######## 6 S A90.X. 13 TH UPA ####### ######## 4 S A90.X. 6 TH INT ####### ######## 3 S A90.X. K TH UPA ####### ######## 3 S A90.X. J TH UPA ####### ######## 2 S A90.X. J31.0. A TH UPA ####### ######## 3 H A90.X. 4 TH UPA ####### ######## 4 S A90.X. J TH UPA ####### ######## 8 S A90.X. K TH INT ####### ######## 3 S A90.X. A09.X. 27 TH UPA ####### ######## 2 H A90.X. J TH INT ####### ######## 5 S A90.X. 28 TH UPA ####### ######## 3 S A90.X. 22 TH UPA ####### ######## 5 S A90.X. 10 TH UPA ####### ######## 1 S A90.X. N47.X. A16.2 E TH INT ####### ######## 4 S A90.X. D TH UPA ####### ######## 2 S A90.X. R TH INT ####### ######## 1 S A90.X. 24 TH UPA ####### ######## 2 S A90.X. 8 TH INT ####### ######## 6 S A90.X. 18 TH

75 UPA ####### ######## 2 S A90.X. J TH CW1 ####### ######## 5 S A90.X. 25 TH UPA ####### ######## 3 S A90.X. 3 TH UPA ####### ######## 5 S A90.X. 14 TH UPA ####### ######## 2 S A90.X. 8 TH UPA ####### ######## 2 H A90.X. 4 TH UPA ####### ######## 2 S A90.X. 18 TH UPA ####### ######## 4 S A90.X. 11 TH Lanjutan NO NOCM UNIT MASUK KELUAR LAMA KET KU KK1 KK2 KK3 KK4 KK5KK6MKK7O KO2K8SB_MKOMP1KOMP2 UMURKETUM UPA ####### ######## 1 S A90.X. J TH UPA ####### ######## 2 S A90.X. 6 TH UPA ####### ######## 3 S A90.X. 8 TH UPA ####### ######## 3 S A90.X. 8 TH UPA ####### ######## 3 S A90.X. 7 TH UPA ####### ######## 2 S A90.X. Z TH UPA ####### ######## 4 S A90.X. F06.8. E TH OBS ####### ######## 7 S A90.X. N39.0. O TH UPA ####### ######## 2 S A90.X. J00.X. 1 TH CW3 ####### ######## 6 S A90.X. 15 TH UPA ####### ######## 5 S A90.X. 7 TH UPA ####### ######## 2 S A90.X. 10 TH UPA ####### ######## 3 S A90.X. 4 TH INT ####### ######## 3 P A90.X. 20 TH UPA ####### ######## 2 S A90.X. R TH UPA ####### ######## 1 S A90.X. 6 BL UPA ####### ######## 3 S A90.X. 2 TH UPA ####### ######## 5 S A90.X. 14 TH INT ####### ######## 3 S A90.X. 26 TH INT ####### ######## 3 S A90.X. 20 TH UPA ####### ######## 2 S A90.X. 4 TH IMC ####### ######## 4 H A90.X. 16 TH UPA ####### ######## 2 S A90.X. D TH INT ####### ######## 5 S A90.X. 16 TH UPA ####### ######## 3 S A90.X. 9 TH UPA ####### ######## 3 S A90.X. 7 TH SY ####### ######## 6 S A90.X. 16 TH IMC ####### ######## 1 H A90.X. 9 TH INT ####### ######## 7 S A90.X. 32 TH KUS ####### ######## 4 H A90.X. 33 TH UPA ####### ######## 2 H A90.X. 11 TH UPA ####### ######## 3 H A90.X. A TH IR5 ####### ######## 3 H A90.X. 30 TH INT ####### ######## 1 S A90.X. 24 TH UPA ####### ######## 2 H A90.X. 13 TH UPA ####### ######## 2 S A90.X. 11 TH UPA ####### ######## 2 H A90.X. 7 TH

76 Lampiran 3 Daftar 44 data training sebelum validasi 67 NO INPUT OUTPUT DEMAM* BERCAK** PERDARAHAN` TORNIKUET`` DIAGNOSA``` 1 36, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , * Suhu badan 36ºC - 42ºC ** Ada bercak = 1, tidak ada bercak = 0 ` Ada pendarahan = 1, tidak ada pendarahan = 0

77 `` Uji tornikuet positif = 1, uji tornikuet negatif = 0 ``` DBD = 91, bukan DBD = 90 67

78 68 Lampiran 4 Daftar 27 data training setelah validasi NO INPUT OUTPUT DEMAM* BERCAK** PERDARAHAN` TORNIKUET`` DIAGNOSA``` 1 36, , , , , , , , , , , , , , , , , , , , , , , , , , , * Suhu badan 36ºC - 42ºC ** Ada bercak = 1, tidak ada bercak = 0 ` Ada pendarahderajat celsius `` Uji tornikuet pada (1), tidak ada (0) ``` DBD = 91, bukada (1), tidak ada (0)

79 69 Lampiran 5 Daftar 20 data testing sebelum validasi NO INPUT OUTPUT DEMAM* BERCAK** PENDARAHAN` TORNIKUET`` DIAGNOSA``` 1 37, , , , , , , , , , , , , , , , , , , , * Suhu badan 36ºC - 42ºC ** Ada bercak = 1, tidak ada bercak = 0 ` Ada pendarahan = 1, tidak ada pendarahan = 0 `` Uji tornikuet positif = 1, uji tornikuet negatif = 0 ``` DBD = 91, bukan DBD = 90

80 70 Lampiran 6 Daftar 15 data testing setelah validasi NO INPUT OUTPUT DEMAM* BERCAK** PENDARAHAN` TORNIKUET`` DIAGNOSA``` 1 37, , , , , , , , , , , , , , , * Suhu badan 36ºC - 42ºC ** Ada bercak = 1, tidak ada bercak = 0 ` Ada pendarahan = 1, tidak ada pendarahan = 0 `` Uji tornikuet po derajat celsius ``` DBD = 91, bukaada (1), tidak ada (0)

81 71 Lampiran 7 Rule (aturan) DBD 71

82 Lampiran 8 Arsitektur ANFIS DBD menggunakan Matlab ver

83 73 Lampiran 9 : Data training dalam format teks (training.dat)

84 74 Lampiran 10 : Pengkodean program DBD Program Utama : datanya=load('c:\training.dat'); dat1=load('c:\dat1.dat'); dat2=load('c:\dat2.dat'); dat3=load('c:\dat3.dat'); dat4=load('c:\dat4.dat'); mfnya=[ ]; fmnya=str2mat('gaussmf','gaussmf','gaussmf','gaussmf'); fismat=genfis1(datanya,mfnya,fmnya,'linear'); fismat.ormethod='probor'; fismat.aggmethod='sum'; out_fismat = anfis(datanya,fismat,150); hasil=evalfis([dat1 dat2 dat3 dat4],out_fismat) disp(out_fismat); diagnosa=cekmf(hasil) if diagnosa==2 diagnosa_2 else diagnosa_1 end Program check : function terbesar=cekmf(nilainya) mf2=evalmf(nilainya,[ ],'trapmf') mf1=evalmf(nilainya,[ ],'trapmf') if nilainya<= terbesar=2; else if mf2>mf1 terbesar=2; else terbesar=1; end end

85 75 Lampiran 11 Langkah instalasi aplikasi DBD Instalasi Program : Aplikasi DBD berukuran 1.12 MB sehingga dapat dicopy ke disket. Langkah instalasi aplikasi selengkapnya sebagai berikut : 1. masukkan disket (berisi aplikasi) ke drive A 2. buka direktori DBD pada drive A 3. copy seluruh isi file pada direktori DBD dan paste seluruh file ke direktori work pada drive C:\MATLAB701\work 4. buka direktori Data pada drive A. 5. Copy file pada direktori Data dan paste file training.dat ke drive C:\ 6. keluarkan disket dari drive A

86 76 Lampiran 12 : Cara menjalankan aplikasi DBD Langkah menjalankan aplikasi DBD sebagai berikut : 1. Buka program MATLAB, maka terbuka windows MATLAB seperti gambar berikut : 2. Pada command windows matlab ketik masuk. Maka tampil halaman Selamat datang aplikasi DBD seperti gambar berikut :

87 77 3. Pada halaman Selamat datang, pilih Masuk. Maka akan tampil halaman menu utama aplikasi seperti gambar berikut : 4. Menu Utama pilih Input Data, maka akan tampil halaman Pertanyaan_1

88 78 5. Pada Pertanyaan_1 isi nilai demam (misal 39), klik ke pertanyaan 2, maka muncul halaman Pertanyaan_2. 6. Pada Pertanyaan_2 isi nilai bercak (misal 1), klik ke pertanyaan 3, maka muncul halaman Pertanyaan_3.

89 79 7. Pada Pertanyaan_3 isi nilai perdaran spontan (misal 1), klik ke pertanyaan 4 maka muncul halaman Pertanyaan_4. 8. Pada Pertanyaan_4 isi nilai uji tornikuet (misal 1), klik kembali ke menu maka muncul halaman menu utama lagi.

90 80 9. Menu Utama pilih Diagnosa, maka taampil halaman Diagnosa. atau 10. klik kembali ke menu maka tampil halaman menu utama lagi. Pada menu utama pilih Ulang bila ingin entri data lagi dan pilih Keluar bila selesai.