PENGKLASIFIKASIAN PENYAKIT GINJAL MENGGUNAKAN METODE NAIVE BAYES SKRIPSI MUHAMMAD IMANURRAHMAN 101402054 PROGRAM STUDI S-I TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
PENGKLASIFIKASIAN PENYAKIT GINJAL MENGGUNAKAN METODE NAIVE BAYES SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ijazah Sarjana Teknologi Informasi MUHAMMAD IMANURRAHMAN 101402054 PROGRAM STUDI S-I TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
ii PERSETUJUAN Judul : PENGKLASIFIKASIAN PENYAKIT GINJAL MENGGUNAKAN METODE NAIVE BAYES Kategori : SKRIPSI Nama : MUHAMMAD IMANURRAHMAN Nomor Induk Mahasiswa : 101402054 Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Diluluskan di Medan, 11 Februari 2015 Pembimbing 2 Pembimbing 1 Dr. Erna Budhiarti Nababan, M.IT Dr. Suyanto, M.Kom NIP. - NIP. 195908131986011002 Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Muhammad Anggia Muchtar S.T.MM.I.T NIP 19800110 200801 1 010
iii PERNYATAAN PENGKLASIFIKASIAN PENYAKIT GINJAL MENGGUNAKAN METODE NAIVE BAYES SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, Februari 2015 Muhammad Imanurrahman 101402054
iv PENGHARGAAN Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pengasih dan Maha Penyayang, dengan segala rahmat dan karunianya lah penulis bisa menyelesaikan penyusunan tugas akhir ini. Proses penyusunan skripsi ini tidak lepas dari dukungan dan bantuan dari pihak lain. Oleh karena itu penulis mengucapkan terima kasih banyak kepada : 1. Kedua orang tua penulis, yaitu Ayahanda H. Zulwan Rahman, SE dan Ibunda Hj. Irlinda Lubis, SE yang selalu sabar dalam membesarkan dan mendidik penulis, juga kepada adik-adik penulis, yaitu Raissa Fitri, Zsizsi Akbarinda dan Almira Retna Ananda yang selalu memberikan semangat kepada penulis. 2. Kepada Bapak Dr. Suyanto, M.Kom dan Ibu Dr. Erna Budhiarti Nababan, M.IT selaku dosen pembimbing yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis. 3. Kepada Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc dan Bapak Dani Gunawan, ST, MT selaku dosen penguji yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis 4. Ketua dan Sekretaris Program Studi Teknologi Informasi, Muhammad Anggia Muchtar S.T.MM.IT dan Muhammad Fadly Syahputra B.Sc.M.Sc.IT. 5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi. 6. Seluruh sahabat penulis, Syilvi Haryanti, Ayu Asyva Irfita, Rezka Dermawan Hatta, Rezky Darmawan Hatta, Yolanda Tari, serta teman-teman prodi Teknologi Informasi angkatan 2010 yang tidak dapat penulis sebutkan satu persatu penulis ucapkan terima kasih atas doa dan dukungan yang telah diberikan. Penulis menyadari bahwa masih terdapat banyak kekurangan dalam penyusunan tugas akhir ini. Karena itu penulis sangat mengharapkan adanya masukan - masukan yang membangun semua pihak untuk kesempurnaan tugas akhir ini. Akhir kata semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.
v ABSTRAK Sistem keputusan klinis mulai dikembangkan terutama untuk aplikasi proses diagnosis dan terapis. Penyakit ginjal merupakan salah satu penyakit yang mempunyai bermacam macam penyakit. Metode Naive Bayes digunakan untuk mengklasifikasikan penyakit ginjal karena metode ini menghitung nilai - nilai probabilitas dari setiap gejala dari setiap penyakit. Dengan pengimplementasian metode ini dihasilkan aplikasi yang dapat mengklasifikasi penyakit pasien dan tingkat keberhasilan sistem sebesar 75 % berdasarkan data uji serta dapat memberikan suatu form rekomendasi yang dapat diajukan ke dokter. Kata kunci : Klasifikasi penyakit, penyakit ginjal, naive bayes
vi KIDNEY DISEASE CLASSIFICATION USING NAIVE BAYES METHOD ABSTRACT Clinical decision system was developed especially for diagnostic and therapeutic applications process. Kidney disease is a disease that has a wide - range of diseases. Naive Bayes method used to classify kidney disease because this method calculates the values of probability of any symptoms from all kidney disease. The implementation of this method can show the application that can classify a patient's disease and the success rate of 75% based training data and can provide a recommendation form that can be submitted to the doctor. Keywords : disease classification, kidney disease, naïve bayes
vii DAFTAR ISI Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Isi Daftar Tabel Daftar Gambar Hal. ii iii iv v vi vii x xi BAB 1 Pendahuluan 1 1.1. Latar Belakang 1 1.2. Rumusan Masalah 3 1.3. Batasan Masalah 3 1.4. Tujuan Penelitian 3 1.5. Manfaat Penelitian 3 1.6. Metodologi Penelitian 4 1.7. Sistematika Penulisan 4 BAB 2 Landasan Teori 6 2.1. Decision Support System 6 2.1.1. Karakteristik Sistem Pendukung Keputusan 6 2.1.2. Tujuan Sistem Pendukung Keputusan 7 2.1.3. Komponen Sistem Pendukung Keputusan 7 2.1.4. Manfaat Sistem Pendukung Keputusan 8 2.2. Naive Bayes 9
viii 2.3. Penyakit Ginjal 10 2.3.1. Hidronefrosis 11 2.3.2. Gagal Ginjal Kronis 12 2.3.3. Gagal Ginjal Akut 13 2.3.4. Diabetes Mellitus 15 2.3.5. Pielonefritis 16 2.3.6. Penyakit Ginjal Polikistik 17 2.3.7. Kanker Ginjal 18 2.3.8. Medullary Sponge Kidney 19 2.3.9. Sindroma Nefrotik 20 2.3.10. Sindroma Nefritik Akut 21 2.3.11. Sindroma Nefritik Progresif 22 2.4. Penelitian Terdahulu 23 BAB 3 Analisis dan Perancangan Sistem 25 3.1. Analisis Sistem 25 3.2. Analisis Perhitungan Naïve Bayes Pada Proses Pengklasifikasian 25 3.3. Perancangan Sistem 34 3.3.1. Perancangan Flowchart Sistem 35 3.3.2. Perancangan pemodelan visual menggunakan UML 37 3.3.3. Perancangan Antarmuka Aplikasi 43 BAB 4 Implementasi dan Pengujian Sistem 47 4.1. Implementasi 47 4.1.1. Spesifikasi perangkat lunak 47 4.1.2. Spesifikasi perangkat keras 48 4.2. Tampilan Aplikasi 48 4.2.1. Tampilan halaman menu utama 48 4.2.2. Tampilan halaman pengklasifikasian 49 4.2.3. Tampilan halaman hasil klasifikasi 50 4.2.4. Tampilan halaman form email 50
ix 4.2.5. Tampilan halaman panduan 51 4.2.6. Tampilan halaman penyakit ginjal 52 4.2.7. Tampilan halaman profil penulis 52 4.3. Pengujian 53 4.3.1. Pengujian aplikasi 53 4.3.2. Pengujian kinerja metode naive bayes terhadap aplikasi pengklasifikasian 54 4.3.3. Pengujian terhadap data 59 BAB 5 Kesimpulan dan Saran 63 5.1. Kesimpulan 63 5.2. Saran 63 Daftar Pustaka 64 Lampiran A : Data Gejala dan Nilai Probabilitas Lampiran B : Surat Keterangan Penelitian
x DAFTAR TABEL Hal. Tabel 2.2. Penelitian Terdahulu 24 Tabel 3.1. Use Case Spesifikasi untuk Use Case Gejala 38 Tabel 3.2. Use Case Spesifikasi untuk Use Case Petunjuk 38 Tabel 3.3. Use Case Spesifikasi untuk Use Case Penyakit Ginjal 39 Tabel 3.4. Use Case Spesifikasi untuk Use Case Profil Penulis 39 Tabel 4.1. Pengujian Aplikasi 54 Tabel 4.2. Validasi Hasil Dokter Penyakit 1 59 Tabel 4.3. Validasi Hasil Dokter Penyakit 2 60 Tabel 4.4. Validasi Hasil Dokter Penyakit 3 61 Tabel 4.5. Validasi Hasil Dokter Penyakit 4 62
xi DAFTAR GAMBAR Hal. Gambar 2.1. Komponen Decision Support System 7 Gambar 3.1. Diagram Proses 34 Gambar 3.2. Flowchart Aplikasi 35 Gambar 3.3. Flowchart Alur Pengklasifikasian 36 Gambar 3.4. Use Case Diagram 37 Gambar 3.5. Diagram Activity Halaman Klasifikasi 40 Gambar 3.6. Diagram Activity Halaman Petunjuk 41 Gambar 3.7. Diagram Activity Halaman Penyakit Ginjal 42 Gambar 3.8. Diagram Activity Halaman Profil Penulis 42 Gambar 3.9. Rancangan Antarmuka Aplikasi 43 Gambar 3.10. Rancangan Antarmuka Halaman Klasifikasi 44 Gambar 3.11. Rancangan Antarmuka Halaman Petunjuk 44 Gambar 3.12. Rancangan Antarmuka Halaman Penyakit Ginjal 45 Gambar 3.13. Rancangan Antarmuka Halaman Profil Penulis 46 Gambar 4.1. Menu Utama 49 Gambar 4.2. Pengklasifikasian 49 Gambar 4.3. Hasil Spesifikasi 50 Gambar 4.4. Form Email 51 Gambar 4.5. Panduan 51 Gambar 4.6. Informasi Penyakit Ginjal 52 Gambar 4.7. Profil Penulis 53 Gambar 4.8. Proses Pemilihan Gejala 55 Gambar 4.9. Gejala Pengguna 56 Gambar 4.10. Pengelompokan Gejala Berdasarkan Penyakit 57 Gambar 4.11. Nilai Gejala yang Pengguna Pilih 57 Gambar 4.12. Total Bayes 58 Gambar 4.13. Hasil Klasifikasi 58