Diagnosis Penyakit Demam Berdarah Dengue Menggunakan Voting Feature Intervals 5

DIAGNOSIS PENYAKIT DEMAM BERDARAH DENGUE
MENGGUNAKAN VOTING FEATURE INTERVALS 5

ARISTI IMKA APNIASARI
G64103027

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2007

DIAGNOSIS PENYAKIT DEMAM BERDARAH DENGUE
MENGGUNAKAN VOTING FEATURE INTERVALS 5

Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Oleh:

ARISTI IMKA APNIASARI
G64103027

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2007

ABSTRAK
ARISTI IMKA APNIASARI. Diagnosis Penyakit Demam Berdarah Dengue Menggunakan
Voting Feature Intervals 5. Dibimbing oleh AZIZ KUSTIYO dan IRMAN HERMADI.
Penyakit Demam Berdarah Dengue (DBD) atau Dengue Hemorrhagic Fever ialah penyakit
yang disebabkan oleh virus dengue yang ditularkan melalui gigitan nyamuk Aedes aegypti dan
Aedes albopictus. Tingkat kematian akibat penyakit Demam Berdarah Dengue relatif masih tinggi.
Salah satu penyebab tingginya tingkat kematian tersebut adalah keterlambatan diagnosis. Semakin
cepat diagnosis dapat dilakukan, semakin cepat pula pertolongan bisa diberikan sehingga dapat
mengurangi angka kematian tersebut. Penelitian ini akan menerapkan algoritma Voting Feature
Intervals 5 (VFI5) untuk mendiagnosa penyakit DBD.
Data yang digunakan adalah data sekunder penyakit DBD pada penelitian yang telah dilakukan

oleh Syafii pada tahun 2006. Sampel terdiri dari data pasien yang menderita penyakit DBD dan
demam dengue (DD) yang terdiri dari 32 kasus DBD dan 32 kasus DD. Pada penelitian ini
digunakan 4 gejala klinis objektif yaitu demam, bercak, pendarahan spontan dan hasil uji tornikuet
untuk menetapkan diagnosa DBD secara klinis. Empat gejala klinis tersebut selanjutnya dijadikan
sebagai fitur pada algoritma VFI5. Berdasarkan kesimpulan klinis yang telah ditentukan,
selanjutnya dilakukan validasi data. Semua data yang nilainya dianggap tidak konsisten dengan
kelasnya akan dihilangkan. Dari validasi data dihasilkan 42 kasus, terdiri dari 23 kasus DBD dan
19 kasus DD.
Pada penelitian ini dilakukan 4 tahap pengujian. Tahap pertama adalah pengujian untuk data
sebelum validasi, tahap kedua adalah pengujian untuk data setelah validasi tanpa persebaran, tahap
ketiga adalah pengujian untuk data setelah validasi dengan persebaran dan tahap keempat adalah
pengujian data dengan pembagian data latih dan data uji seperti pada penelitian yang telah
dilakukan oleh Syafii pada tahun 2006. Rata-rata akurasi yang dihasilkan pada pengujian tahap
pertama terhadap data sebelum validasi adalah 65,66%. Pada pengujian tahap kedua untuk data
setelah validasi tanpa persebaran ditemukan 3 instances yang kelas prediksinya tidak sesuai
dengan kelas sebenarnya. Masing-masing instances tersebut memiliki peluang yang hampir sama
untuk menjadi kelas DBD maupun kelas DD. Rata-rata akurasi pada pengujian tahap kedua ini
adalah 92,86%. Selanjutnya pada pengujian tahap ketiga yang dilakukan pada data setelah validasi,
tiga instances yang salah diklasifikasi pada tahap kedua disebar pada tiga data pengujian yang
berbeda. Hasilnya terdapat 1 instances yang kelas prediksinya tidak sesuai dengan kelas

sebenarnya. Instances tersebut memiliki peluang yang hampir sama untuk setiap kelasnya. Ratarata akurasi yang dihasilkan pada pengujian tahap ketiga ini mencapai 97,62%. Selanjutnya, pada
pengujian tahap keempat akurasi yang dihasilkan untuk data setelah validasi adalah 100%. Akurasi
tersebut jauh lebih tinggi bila dibandingkan dengan penelitian yang telah dilakukan oleh Syafii
pada tahun 2006 dengan menggunakan model ANFIS yang hanya mencapai 86,67%.

Kata Kunci: demam berdarah dengue, diagnosis, voting feature intervals.

Judul
Nama
NRP

: Diagnosis Penyakit Demam Berdarah Dengue Menggunakan
Voting Feature Intervals 5
: Aristi Imka Apniasari
: G64103027

Menyetujui:
Pembimbing I,

Pembimbing II,

Aziz Kustiyo, S.Si., M.Kom.
NIP. 132 206 241

Irman Hermadi, S.Kom., MS.
NIP. 132 321 422

Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Prof. Dr. Ir. Yonny Koesmaryono, MS.
NIP. 131 473 999

Tanggal Lulus :

RIWAYAT HIDUP
Penulis lahir di Pati pada tanggal 12 April 1985, anak dari pasangan Ali Imron dan Kartika
Rini. Penulis merupakan putri pertama dari tiga bersaudara.
Tahun 2003 penulis lulus dari SMU Negeri 1 Pati dan pada tahun yang sama melanjutkan

kuliah ke Institut Pertanian Bogor (IPB), Departemen Ilmu Komputer, Fakultas Matematika dan
Ilmu Pengetahuan Alam melalui jalur Undangan Seleksi Masuk IPB (USMI). Pada akhir
perkuliahan, penulis berkesempatan mengikuti Praktek Lapang selama 2 bulan (3 Juli – 26
Agustus 2006) di PT. Infomedia Nusantara, Jakarta. Pada bulan April – Juni 2007, penulis bekerja
sebagai fasilitator Program Keaksaraan di Lembaga Penelitian dan Pemberdayaan Masyarakat,
Institut Pertanian Bogor.

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT karena hanya dengan rahmat dan
karunia-Nya, penulis dapat menyelesaikan tugas akhir ini yang merupakan salah satu persyaratan
kelulusan pada Program Sarjana Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor. Tugas akhir ini mengambil judul Diagnosis Penyakit Demam
Berdarah Dengue Menggunakan Voting Feature Intervals 5.
Penulis menyampaikan terima kasih kepada semua pihak yang telah membantu dalam
penulisan karya ilmiah ini khususnya kepada Bapak Aziz Kustiyo, S.Si, M.Kom dan Bapak Irman
Hermadi, S.Kom, MS yang telah membimbing dengan penuh ketekunan dan kesabaran hingga
selesainya penulisan karya ilmiah ini. Selanjutnya, penulis juga ingin mengucapkan terima kasih
kepada :
1 Papa, Ibu, beserta kedua adikku atas motivasi, kasih sayang dan doanya selama ini.
2 Bapak Arief Ramadhan S.Kom atas kesediaannya menjadi moderator pada seminar tugas akhir

dan penguji pada sidang tugas akhir.
3 Tatak T Setiana atas pengertian, motivasi dan doa yang diberikan kepada penulis.
4 Dr. M. Syafii, M.Si atas informasi yang diberikan kepada penulis.
5 Dian, Aulia, Charolina, Dessy dan Tri Puji atas motivasi dan keakraban yang terjalin selama
ini.
6 Staf pengajar dan karyawan Departemen Ilmu Komputer, atas bantuannya selama
penyelenggaraan seminar dan sidang tugas akhir.
7 Teman-teman seperjuangan Program Studi Ilmu Komputer angkatan 40 atas pengalaman dan
kenangan yang tak ternilai.
8 Kepada semua pihak yang telah memberikan bantuan selama pengerjaan penelitian ini namun
tidak dapat penulis sebutkan satu persatu.
Akhir kata, penulis berharap semoga karya ilmiah ini dapat bermanfaat bagi semua pihak
termasuk penulis pribadi.

Bogor, Mei 2007

Penulis

DAFTAR ISI
Halaman

DAFTAR TABEL .................................................................................................................................. vi
DAFTAR LAMPIRAN.......................................................................................................................... vii
PENDAHULUAN
Latar Belakang.................................................................................................................................. 1
Tujuan............................................................................................................................................... 1
Ruang Lingkup ................................................................................................................................. 1
Manfaat............................................................................................................................................. 1
TINJAUAN PUSTAKA
Demam Berdarah Dengue (DBD)..................................................................................................... 1
Validasi Data .................................................................................................................................... 3
Metode k-Fold Cross Validation ...................................................................................................... 3
Algoritma Voting Feature Intervals 5 (VFI5) .................................................................................. 3
METODE PENELITIAN
Data .................................................................................................................................................. 4
Seleksi Data ...................................................................................................................................... 5
Data Latih dan Data Uji.................................................................................................................... 5
Algoritma VFI5 ................................................................................................................................ 5
Analisis ............................................................................................................................................. 5
Spesifikasi Aplikasi .......................................................................................................................... 5
HASIL DAN PEMBAHASAN

Pengujian Tahap Pertama ................................................................................................................. 6
Pengujian Tahap Kedua.................................................................................................................... 9
Pengujian Tahap Ketiga.................................................................................................................. 12
Pengujian Tahap Keempat .............................................................................................................. 15
KESIMPULAN DAN SARAN
Kesimpulan..................................................................................................................................... 17
Saran ............................................................................................................................................... 17
DAFTAR PUSTAKA ............................................................................................................................ 17
LAMPIRAN .......................................................................................................................................... 19

vi

DAFTAR TABEL
Halaman
1 Jumlah kasus penyakit DBD................................................................................................................ 3
2 Sebaran data sebelum dan setelah validasi .......................................................................................... 6
3 Hasil pembagian data tahap pertama ................................................................................................... 6
4 Susunan data pelatihan dan data pengujian tahap pertama .................................................................. 6
5 Akurasi dari setiap iterasi tahap pertama ............................................................................................. 7
6 Komposisi jumlah instances tahap pertama iterasi pertama ................................................................ 7

7 Komposisi jumlah instances tahap pertama iterasi kedua ................................................................... 8
8 Komposisi jumlah instances tahap pertama iterasi ketiga ................................................................... 8
9 Hasil pembagian data tahap kedua....................................................................................................... 9
10 Susunan data pelatihan dan data pengujian tahap kedua ................................................................... 9
11 Akurasi dari setiap iterasi tahap kedua ............................................................................................ 10
12 Komposisi jumlah instances tahap kedua iterasi pertama ............................................................... 10
13 Komposisi jumlah instances tahap kedua iterasi kedua................................................................... 11
14 Normalisasi tiga instances pengujian .............................................................................................. 11
15 Komposisi jumlah instances tahap kedua iterasi ketiga................................................................... 12
16 Hasil pembagian data tahap ketiga .................................................................................................. 12
17 Susunan data pelatihan dan data pengujian tahap ketiga ................................................................. 13
18 Akurasi dari setiap iterasi tahap ketiga ............................................................................................ 13
19 Komposisi jumlah instances tahap ketiga iterasi pertama ............................................................... 13
20 Hasil pengujian instances salah klasifikasi tahap ketiga.................................................................. 14
21 Normalisasi instances pengujian salah klasifikasi ........................................................................... 14
22 Komposisi jumlah instances tahap ketiga iterasi kedua................................................................... 14
23 Komposisi jumlah instances tahap ketiga iterasi ketiga .................................................................. 15
24 Susunan data pelatihan dan data pengujian tahap keempat ............................................................. 15
25 Komposisi jumlah instances tahap keempat pada data sebelum validasi ........................................ 16
26 Komposisi jumlah instances tahap keempat pada data setelah validasi........................................... 16

vii

DAFTAR LAMPIRAN
Halaman
1 Algoritma pelatihan VFI5.................................................................................................................. 20
2 Algoritma klasifikasi VFI5 ................................................................................................................ 20
3 Jenis fitur dan nilainya....................................................................................................................... 20
4 Data sebelum validasi ........................................................................................................................ 21
5 Data setelah validasi tanpa persebaran .............................................................................................. 22
6 Hasil pengujian tahap pertama........................................................................................................... 23
7 Nilai interval_class_vote hasil pelatihan data tahap pertama iterasi pertama.................................... 25
8 Nilai interval_class_vote hasil pelatihan data tahap pertama iterasi kedua ....................................... 25
9 Nilai interval_class_vote hasil pelatihan data tahap pertama iterasi ketiga....................................... 25
10 Hasil pengujian tahap kedua............................................................................................................ 26
11 Nilai interval_class_vote hasil pelatihan data tahap kedua iterasi pertama ..................................... 27
12 Nilai interval_class_vote hasil pelatihan data tahap kedua iterasi kedua ........................................ 27
13 Hasil pengujian 3 instances salah klasifikasi pada tahap kedua ...................................................... 28
14 Nilai interval_class_vote hasil pelatihan data tahap kedua iterasi ketiga ........................................ 28
15 Data setelah validasi dengan persebaran.......................................................................................... 28

16 Hasil pengujian tahap ketiga............................................................................................................ 29
17 Nilai interval_class_vote hasil pelatihan data tahap ketiga iterasi pertama..................................... 30
18 Nilai interval_class_vote hasil pelatihan data tahap ketiga iterasi kedua ........................................ 31
19 Nilai interval_class_vote hasil pelatihan data tahap ketiga iterasi ketiga ........................................ 31
20 Data pelatihan sebelum validasi tahap keempat .............................................................................. 32
21 Data pengujian sebelum validasi tahap keempat ............................................................................. 33
22 Nilai interval_class_vote hasil pelatihan data sebelum validasi pada tahap keempat...................... 33
23 Hasil pengujian tahap keempat pada data sebelum validasi ............................................................ 34
24 Data pelatihan setelah validasi tahap keempat................................................................................. 34
25 Data pengujian setelah validasi tahap keempat ............................................................................... 35
26 Nilai interval_class_vote hasil pelatihan data setelah validasi pada tahap keempat........................ 35

1

PENDAHULUAN
Latar Belakang
Penyakit Demam Berdarah Dengue (DBD)
atau Dengue Hemorrhagic Fever ialah penyakit
yang disebabkan oleh virus dengue yang
ditularkan melalui gigitan nyamuk Aedes
aegypti dan Aedes albopictus. Kedua jenis
nyamuk ini terdapat hampir di seluruh pelosok
Indonesia, kecuali di tempat-tempat dengan
ketinggian lebih dari 1000 meter di atas
permukaan air laut (Kristina et al, 2004).

Güvenir, G Demiröz dan N Ilter (1998) dalam
memprediksi penyakit erythemato-squamous.
Akurasi yang dihasilkan dengan menggunakan
algoritma VFI5 mencapai 96,2%. Dengan
demikian terbukti bahwa algoritma VFI5
mampu memprediksi suatu penyakit dengan
akurasi yang cukup tinggi.
Tujuan
Tujuan dari penelitian ini adalah untuk
menerapkan algoritma klasifikasi VFI5 dalam
diagnosa penyakit DBD.

Tingkat kematian akibat penyakit Demam
Berdarah Dengue relatif masih tinggi. Sejak
Januari sampai dengan 5 Maret tahun 2004 total
kasus DBD di seluruh propinsi di Indonesia
sudah mencapai 26.015, dengan jumlah
kematian sebanyak 389 jiwa atau case fatality
rate (CFR) sebesar 1,53% (Kristina et al, 2004).

Ruang Lingkup
Pada penelitian ini dilakukan pembatasan
masalah pada :
1

Data yang digunakan adalah data sekunder
penyakit DBD pada penelitian Syafii
(2006).

Salah satu penyebab tingginya tingkat
kematian tersebut adalah keterlambatan
diagnosis (Sutaryo 2004 diacu dalam Syafii
2006). Semakin cepat diagnosis dapat
dilakukan, semakin cepat pula pertolongan bisa
diberikan sehingga dapat mengurangi angka
kematian tersebut. Penyakit DBD juga sering
salah didiagnosis dengan penyakit lain seperti
flu atau tipus. Hal ini disebabkan karena infeksi
virus dengue yang menyebabkan DBD bisa
bersifat asimtomatik atau tidak jelas gejalanya
(Kristina et al, 2004).

2

Bobot (weight) setiap feature pada data
diasumsikan sama.

Diagnosis penyakit DBD berdasarkan hasil
pemeriksaan klinis antara lain dilakukan oleh
Syafii (2006) dengan menggunakan Adaptive
Neuro Fuzzy Inference System (ANFIS).
Akurasi model ANFIS yang dikembangkan
Syafii (2006) mencapai 86,67%. Akurasi ini
belum maksimal karena data yang digunakan
pada penelitian Syafii (2006) lebih banyak
berupa data nominal. Sementara itu salah satu
syarat agar model ANFIS bisa digunakan secara
efektif adalah data yang digunakan harus
memiliki selang atau grade. Oleh karena itu
pada penelitian ini digunakan algoritma
klasifikasi Voting Feature Intervals (VFI5),
karena algoritma ini bisa menangani data
ordinal maupun data nominal dengan baik.
Seperti pada penelitian yang dilakukan oleh
Iqbal (2007) dalam mengklasifikasi pasien
Suspect Parvo dan Distemper. Dari 49 fitur
yang digunakan, 47 fitur diantaranya berupa
data nominal. Hasil akurasi yang diperoleh
dalam pengklasifikasian pasien Suspect Parvo
dan Distemper dengan menggunakan algoritma
VFI5 adalah 90%. Demikian pula dengan
penelitian yang telah dilakukan oleh HA

Manfaat
Penelitian ini diharapkan dapat membantu
semua pihak dalam deteksi dini penyakit DBD
menggunakan algoritma VFI5.

TINJAUAN PUSTAKA
Demam Berdarah Dengue (DBD)
Penyakit DBD pertama kali di Indonesia
ditemukan di Surabaya pada tahun 1968, akan
tetapi konfirmasi virologis baru didapat pada
tahun 1972. Sejak itu penyakit DBD menyebar
ke berbagai daerah, sehingga sampai tahun
1980 seluruh propinsi di Indonesia telah
terjangkit penyakit ini (Kristina et al, 2004).
DBD adalah penyakit febril akut yang
disebabkan oleh virus Dengue. Virus ini terdiri
dari empat serotipe dan disebarkan oleh nyamuk
Aedes aegypti dan Aedes albopictus (Ibrahim et
al, 2005).
Keempat tipe virus Dengue yaitu DEN 1,
DEN 2, DEN 3 dan DEN 4 telah ditemukan di
berbagai daerah di Indonesia antara lain Jakarta
dan Yogyakarta. Virus yang banyak
berkembang di masyarakat adalah virus dengue
dengan tipe satu dan tiga (Kristina et al, 2004).
Gejala
Penyakit DBD sering salah didiagnosis
dengan penyakit lain seperti flu atau tipus. Hal
ini disebabkan karena infeksi virus dengue yang

2

menyebabkan DBD bisa bersifat asimtomatik
atau tidak jelas gejalanya. Beberapa pasien
DBD sering menunjukkan gejala batuk, pilek,
mual, muntah maupun diare. Masalah bisa
bertambah karena virus tersebut dapat masuk
bersamaan dengan infeksi penyakit lain seperti
flu atau tipus (Kristina et al, 2004).
Kriteria klinis untuk diagnosa DBD antara
lain (Kristina et al, 2004) :
a Demam tinggi yang mendadak dan terus
menerus selama 2-7 hari (38 °C- 40 °C)
b Manifestasi pendarahan, dengan bentuk : uji
tornikuet positif dan terdapat salah satu
bentuk pendarahan yaitu pandarahan pada
kulit (petekia, purpura), pendarahan hidung
(epitaksis), pendarahan gusi, muntah berdarah
(hematemesis) dan berak berdarah (melena).
c Hepatomegali (pembesaran hati).
d Shock yang ditandai dengan nadi lemah,
cepat, tekanan nadi menurun menjadi 20
mmHg atau kurang dan tekanan sistolik
sampai 80 mmHg atau lebih rendah.
e Trombositopenia, pada hari ke 3-7 ditemukan
penurunan trombosit sampai 100.000/mm3.
f Hemokonsentrasi,
hematokrit.

meningkatnya

nilai

g Gejala-gejala klinis lainnya yang dapat
menyertai : anoreksia (hilangnya nafsu
makan), lemah, mual, muntah, sakit perut,
diare, kejang dan sakit kepala.
h Rasa sakit pada otot dan persendian.
Berdasarkan kriteria klinis tersebut, maka
WHO membagi derajat penyakit DBD dalam
empat kategori yaitu (Hasan 1985 diacu dalam
Syafii 2006) :
- Kategori (1) : dijumpai demam disertai gejala
tidak khas dan satu-satunya manifestasi
pendarahan adalah uji tornikuet positif.
- Kategori (2) : kategori 1 disertai pendarahan
spontan seperti petekia di kulit, epitaksis atau
pendarahan lainnya.
- Kategori (3) : kategori 2 disertai kegagalan
sirkulasi yaitu nadi lemah, cepat, tekanan
darah menurun disertai kulit dingin, lembab
dan penderita gelisah.
- Kategori (4) : kategori 3 disertai shock berat
dengan nadi tidak dapat diraba dan tekanan
darah tidak dapat diukur.

Secara alamiah penyakit DBD mengalami
perjalanan empat tahap yaitu (Sutaryo 2004
diacu dalam Syafii 2006) :
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 dan lain-lain) serta
gejala objektif (demam, bercak merah,
pendarahan spontan hidung, gusi, pencernaan,
pembesaran hati)
3 masa kritis selama 1-3 hari, pada masa ini
diikuti 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 diacu dalam Syafii 2006).
Setelah itu dicari adanya bercak-bercak merah
kecil yang disebut petekia yang timbul dalam
lingkaran bergaris 5 cm, kira-kira 4 cm di
bawah lipatan dalam lengan (fossa cubiti). Uji
tornikuet dinyatakan positif apabila ditemukan
10 petekia atau lebih dalam lingkaran (Syafii
2006).
Penularan
Penularan DBD terjadi melalui gigitan
nyamuk Aedes Aegypti dan Aedes albopictus
betina yang sebelumnya telah membawa virus
dalam tubuhnya dari penderita demam berdarah
lain. Nyamuk Aedes aegypti berasal dari Brazil
dan Ethiopia dan sering menggigit manusia
pada waktu pagi dan siang.
Orang yang beresiko terserang DBD adalah
anak-anak yang berusia di bawah 15 tahun dan
sebagian besar tinggal di lingkungan lembab
serta daerah kumuh. Penyakit DBD sering
terjadi di daerah tropis dan muncul pada musim
penghujan (Kristina et al, 2004).
Penyebaran
Kasus penyakit DBD pertama kali
ditemukan di Manila, Filipina pada tahun 1953.
Kasus di Indonesia pertama kali dilaporkan
terjadi di Surabaya dan Jakarta dengan jumlah
kematian sebanyak 24 orang. Beberapa tahun

3

kemudian penyakit ini menyebar ke beberapa
propinsi di Indonesia, dengan jumlah kasus
sebagai berikut (Kristina et al, 2004).
Tabel 1 Jumlah kasus penyakit DBD
Tahun

Jumlah kasus

1996
1998
1999
2000
2001
2002
2003
2004 (sampai
5 Maret)

45.548 orang
72.133 orang
21.134 orang
33.443 orang
45.904 orang
40.377 orang
50.131 orang

Jumlah
kematian
1.234 orang
1.414 orang
-

26.015 orang

389 orang

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 (Syafii 2006).
Metode k-Fold Cross Validation
Validasi
silang
(cross-validation)
merupakan metode untuk memperkirakan eror
generalisasi berdasarkan “resampling” (Weiss
& Kulikowski 1991; Efron & Tibshirani 1993;
Hjorth 1994; Plutowski et al. 1994; Shao & Tu
1995, diacu dalam Sarle 2004). Dalam k-fold
cross validation, data dibagi secara acak
menjadi k himpunan bagian yang ukurannya
hampir sama satu sama lain. Himpunan bagian
yang dihasilkan yaitu S1,S2,...,Sk digunakan
sebagai pelatihan dan pengujian.
Pengulangan dilakukan sebanyak k kali dan
pada setiap ulangan disisakan satu subset untuk
pengujian dan subset lainnya untuk pelatihan.
Pada iterasi ke-i, subset Si diperlakukan sebagai
data pengujian, dan subset lainnya diperlakukan
sebagai data pelatihan. Pada iterasi pertama
S2,...Sk menjadi data pelatihan dan S1 menjadi
data pengujian. Selanjutnya pada iterasi kedua
S1,S3,...,Sk menjadi data pelatihan dan S2
menjadi data pengujian, dan seterusnya.
Algoritma Voting Feature Intervals 5 (VFI5)
Salah satu algoritma yang digunakan untuk
mengklasifikasikan data adalah Voting Feature
Intervals. Algoritma ini dikembangkan oleh
Gülşen Demiröz dan H. Altay Güvenir pada
tahun 1997 (Demiröz dan Güvenir 1997).

Algoritma klasifikasi Voting Feature
Intervals 5 (VFI5) merepresentasikan deskripsi
sebuah konsep oleh sekumpulan interval nilainilai feature atau atribut. Pengklasifikasian
instances baru didasarkan pada voting pada
klasifikasi yang dibuat oleh nilai tiap-tiap
feature secara terpisah. Algoritma tersebut
termasuk dalam algoritma yang supervised,
artinya memiliki target yang dalam hal ini
adalah kelas-kelas data dari kasus yang ada.
Selain itu juga bersifat non-incremental yang
berarti semua instances pelatihan diproses
secara bersamaan (Demiroz dan Güvenir 1997).
Dari semua instances pelatihan tersebut,
algoritma VFI5 membuat interval untuk setiap
feature. Interval-interval yang dibuat dapat
berupa range interval maupun point interval.
Range interval terdiri atas nilai-nilai antara dua
end point yang berdekatan tetapi tidak termasuk
kedua nilai end point itu sendiri. Point interval
terdiri atas seluruh end point secara berturutturut.
Untuk setiap interval, nilai vote untuk setiap
kelas pada interval tersebut akan disimpan.
Dengan demikian, sebuah interval dapat
merepresentasikan beberapa kelas dengan
menyimpan nilai vote yang dimiliki setiap
kelas. Oleh karena itu, algoritma VFI dikatakan
sebagai multi-class feature projection based
algorithms.
Keunggulan
algoritma
VFI5
adalah
algoritma ini cukup kokoh (robust) terhadap
feature yang tidak relevan namun mampu
memberikan hasil yang baik pada real-world
datasets yang ada. VFI5 mampu menghilangkan
pengaruh yang kurang menguntungkan dari
feature yang tidak relevan tersebut dengan
mekanisme voting-nya (Güvenir 1998).
Algoritma VFI5 dikembangkan menjadi dua
tahap yaitu pelatihan dan klasifikasi.
1 Pelatihan
Pada tahap pelatihan ini, pertama kali yang
dilakukan adalah menemukan nilai end point
setiap feature f pada setiap kelas data c. Ada
dua jenis feature yang dikenal yaitu feature
linier dan feature nominal. Feature linier adalah
feature yang nilainya memiliki urutan atau bisa
dibandingkan tingkatannya. Feature nominal
adalah kebalikan dari feature linier yaitu feature
yang nilainya tidak memiliki urutan dan tidak
bisa dibandingkan tingkatannya. End point
untuk feature linier tersebut merupakan nilai
maksimum dan nilai minimum feature itu
sendiri, sedangkan end point untuk feature
nominal meliputi semua nilai yang berbeda

4

yang ada pada feature kelas yang sedang
diamati.
Setelah nilai end point untuk setiap feature
linier didapatkan maka langkah selanjutnya
adalah mengurutkan nilai-nilai end point
tersebut. Hasil pengurutan tersebut akan
membentuk suatu interval bagi feature f. Jika
feature tersebut merupakan feature linier yang
memiliki nilai kontinu maka akan dibentuk dua
interval yaitu point interval dan range interval.
Jika suatu feature merupakan feature nominal
maka hanya akan dibentuk point interval.
Batas bawah pada range interval (ujung
paling kiri) adalah -∞ sedangkan batas atas
range interval (ujung paling kanan) adalah +∞.
Jumlah maksimum end point pada feature linier
adalah 2k, sedangkan jumlah maksimum
intervalnya adalah 4k+1, dengan k adalah
jumlah kelas yang diamati.
Langkah selanjutnya adalah menghitung
jumlah instances pelatihan setiap kelas c dengan
feature f yang nilainya jatuh pada interval i dan
direpresentasikan sebagai interval_class_count
[f,i,c]. Untuk setiap instance pelatihan, dicari
interval i dimana nilai feature f dari instance
pelatihan e (ef) tersebut jatuh. Jika interval i
merupakan point interval dan nilai ef sama
dengan nilai pada batas bawah atau batas atas
maka jumlah kelas instances tersebut (ef) pada
interval i ditambah 1. Jika interval i merupakan
range interval dan nilai ef jatuh pada interval
tersebut maka jumlah kelas instances ef pada
interval i ditambah 1. Hasil dari proses tersebut
merupakan jumlah vote kelas c pada interval i.
Untuk menghilangkan efek perbedaan
distribusi setiap kelas, maka jumlah vote kelas c
untuk feature f pada interval i dinormalisasi
dengan cara membagi vote tersebut dengan
jumlah instances kelas c yang direpresentasikan
dengan class_count[c]. Hasil normalisasi ini
dinotasikan sebagai interval_class_vote[f,i,c].
Kemudian nilai-nilai interval_class_vote[f,i,c]
dinormalisasi sehingga jumlah vote dari
beberapa kelas pada setiap feature f sama
dengan 1. Normalisasi ini bertujuan agar setiap
feature memiliki kekuatan voting yang sama
pada proses klasifikasi yang tidak dipengaruhi
oleh ukurannya.
2 Prediksi (klasifikasi)
Tahap klasifikasi pada algoritma VFI5
diawali dengan proses inisialisasi awal nilai
vote masing-masing kelas dengan nilai 0. Untuk
setiap feature f, dicari interval i dimana nilai ef
jatuh, dengan ef merupakan nilai feature f dari
instances tes e. Jika ef tidak diketahui (hilang),

maka feature tersebut tidak diikutsertakan
dalam voting (memberi vote 0 untuk masingmasing kelas). Oleh karena itu, feature yang
memiliki nilai tidak diketahui diabaikan.
Jika ef diketahui maka interval tersebut
dapat ditemukan. Interval tersebut dapat
menyimpan instances pelatihan dari beberapa
kelas. Kelas-kelas dalam sebuah interval
direpresentasikan oleh vote kelas-kelas tersebut
pada interval itu. Untuk setiap kelas c, feature f
memberikan vote yang sama dengan
interval_class_vote[f,i,c].
Notasi
tersebut
merepresentasikan vote feature f yang diberikan
untuk kelas c.
Setiap feature f mengumpulkan votevotenya
dalam
sebuah
vektor
(feature_vote[f,C1],..., feature_vote[f,Cj], ...,
feature_vote[f,Ck]), dimana feature_vote[f,Cj]
merupakan vote feature f untuk kelas Cj dan k
adalah jumlah kelas. Kemudian d vektor vote,
dimana d merupakan jumlah feature,
dijumlahkan untuk memperoleh total vektor
vote (vote[C1], ..., vote[Ck]). Kelas dengan
jumlah vote terbesar diprediksi sebagai kelas
dari instances tes e. Pseudocode algoritma
pelatihan dan klasifikasi VFI5 dapat dilihat
pada Lampiran 1 dan Lampiran 2.

METODE PENELITIAN
Penelitian ini melalui beberapa tahapan
proses untuk mengetahui akurasi yang diperoleh
algoritma VFI5 dalam mendiagnosa penyakit
Demam Berdarah Dengue (DBD). Tahapantahapan proses tersebut dapat dilihat pada
Gambar 1.
Data
Data yang digunakan dalam penelitian ini
adalah data penyakit Demam Berdarah Dengue
(DBD) pada penelitian Syafii (2006). 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.
Persyaratan catatan medis yang dijadikan
sampel adalah apabila di dalam catatan medis
terdapat 4 (empat) catatan tentang kriteria klinis
yaitu : demam (panas), bercak-bercak (petekia),
tanda pendarahan spontan (mimisan, gusi
berdarah, muntah berdarah dan tinja berwarna
hitam) dan hasil uji tornikuet. Dicatat juga
kriteria laboratoris hasil pemeriksaan darah
trombosit. Penyakit DD digunakan sebagai
pembanding dalam penelitian ini karena

5

pertimbangan adanya catatan 4 kriteria klinis
dan 1 kriteria laboratoris (Syafii 2006).
Data

Pada tahap pelatihan, data yang telah dibagibagi menjadi beberapa subset menjadi input
algoritma klasifikasi VFI5. Selanjutnya akan
ditentukan nilai end point untuk setiap fitur.
Dari nilai end point tersebut akan dibentuk
interval-interval dari setiap fitur yang ada.
Setelah semua interval terbentuk, langkah
selanjutnya
adalah
menghitung
jumlah
instances setiap kelas yang berada pada setiap
interval tersebut dan dilakukan normalisasi.
Hasil dari tahap pelatihan berupa interval setiap
fitur merupakan suatu model dari VFI5.

Seleksi data

Data latih

Pelatihan

Model
VFI5

Klasifikasi

Algoritma VFI5
Pada penelitian ini digunakan algoritma
klasifikasi VFI5 dengan bobot setiap feature
diasumsikan sama, yaitu satu. Tahapan ini
terdiri dari dua proses yaitu pelatihan dan
prediksi (klasifikasi) kelas instances baru.

Data uji

Akurasi

Gambar 1 Tahapan proses klasifikasi data

Pada tahap klasifikasi, setiap nilai feature
dari suatu instances baru diperiksa letak interval
nilai feature tersebut. Vote-vote setiap kelas
untuk setiap feature pada setiap interval yang
bersesuaian diambil dan kemudian dijumlahkan.
Kelas dengan nilai total vote tertinggi akan
menjadi kelas prediksi instances baru tersebut.

Jumlah penderita DBD 120 orang sedang
jumlah penderita DD 111 orang. Berdasarkan
daftar penderita ini maka dilakukan pencarian
catatan medisnya. Dari pencarian terhadap 231
catatan medis, ditemukan 205 catatan medis. 26
catatan medis 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 (Syafii 2006).

Analisis
Pada tahapan ini dilakukan proses
penghitungan akurasi. Akurasi diperoleh
dengan perhitungan :

Seleksi Data
Pada penelitian ini akan dilakukan seleksi
terhadap keseluruhan data baik sebelum
maupun setelah validasi. Seleksi ini dilakukan
untuk menentukan data mana yang digunakan
sebagai data latih dan data uji.

Spesifikasi Aplikasi

Data Latih dan Data Uji
Dengan metode 3-fold cross validation,
seluruh data dibagi menjadi beberapa subset.
Masing-masing subset memiliki ukuran contoh
yang hampir sama. Subset-subset tersebut akan
digunakan sebagai data pelatihan dan data
pengujian. Masing-masing data memuat
informasi tentang data input berupa demam,
bercak, pendarahan, hasil uji tornikuet dan data
output berupa diagnosa (DBD atau DD).

akurasi =

∑ data uji benar diklasifikasi
∑ total data uji

Selain itu juga dilakukan pengamatan
terhadap hasil diagnosa penyakit DBD dengan
menggunakan VFI5. Hasil diagnosa diperoleh
dari kelas dengan jumlah vote terbesar.

Aplikasi dirancang dan dibangun dengan
hardware dan software sebagai berikut :
Hardware berupa komputer personal dengan
spesifikasi :
1 Prosesor Intel Pentium 4
2 Memori 512 MB
3 Harddisk 80 GB
4 Monitor 15”
5 Alat input mouse dan keyboard
Software :
1. Sistem Operasi : Microsoft Windows XP
2. Microsoft Visual Basic 6.0

6

HASIL DAN PEMBAHASAN

himpunan bagian S1, himpunan bagian S2 dan
himpunan bagian S3.

Sesuai dengan penelitian Syafii (2006) 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. Empat gejala
klinis tersebut selanjutnya dijadikan sebagai
fitur.

Pada penelitian ini dilakukan 4 tahap
pengujian. Tahap pertama adalah pengujian
untuk data sebelum validasi, tahap kedua adalah
pengujian untuk data setelah validasi tanpa
persebaran, tahap ketiga adalah pengujian untuk
data setelah validasi dengan persebaran dan
tahap keempat adalah pengujian data dengan
pembagian data latih dan data uji seperti pada
penelitian Syafii (2006).

Fitur-fitur yang ada dibedakan menjadi fitur
linier dan fitur nominal. Suhu badan merupakan
fitur linier sedangkan tiga gejala klinis lainnya
merupakan fitur nominal. Nilai untuk fitur
nominal ditentukan sebagai berikut :
• Nilai 1 diberikan untuk fitur nominal
tertentu pada instances yang memiliki
gejala penyakit yang dilambangkan fitur
nominal tersebut.
• Nilai 0 diberikan untuk fitur nominal
tertentu pada instances yang tidak memiliki
gejala penyakit yang dilambangkan fitur
nominal tersebut.
Nama-nama fitur beserta keterangan nilainya
dapat dilihat pada tabel yang disajikan pada
Lampiran 3.
Berdasarkan kesimpulan klinis yang telah
ditentukan, selanjutnya dilakukan validasi data.
Semua data yang nilainya dianggap tidak
konsisten dengan kelasnya akan dihilangkan.
Data sebelum dan setelah validasi dapat
dilihat pada Lampiran 4 dan Lampiran 5.
Sebaran data sebelum dan setelah validasi dapat
dilihat pada Tabel 2.
Tabel 2 Sebaran data sebelum dan setelah
validasi
Sebelum
Setelah
Kasus
validasi
validasi
DBD
DD
Jumlah

32
32
64

23
19
42

Keseluruhan data baik sebelum maupun
setelah validasi terlebih dahulu dibagi secara
acak menjadi 3 himpunan bagian (subset) yang
akan digunakan dalam metode validasi silang,
yaitu metode 3-fold cross validation. Setiap
himpunan bagian memiliki ukuran yang hampir
sama satu sama lain. Pembagian data
keseluruhan
secara
acak
menghasilkan
himpunan bagian yang disebut sebagai

Pengujian Tahap Pertama
Pada tahap ini dilakukan pengujian untuk
keseluruhan data sebelum validasi. Pembagian
data secara acak menghasilkan subset-subset
yang masing-masing memiliki jumlah instances
yang hampir sama. Hasil pembagian data tahap
pertama disajikan pada Tabel 3.
Tabel 3 Hasil pembagian data tahap pertama
Himpunan
DBD
DD
bagian
S1
S2
S3
Total

11 instances
10 instances
11 instances
32 instances

10 instances
11 instances
11 instances
32 instances

Pada Lampiran 4, himpunan bagian S1 untuk
kasus DBD adalah data dari nomor 1 sampai 11,
sedangkan untuk kasus DD adalah data dari
nomor 33 sampai 42. Himpunan bagian S2
terdiri dari data kasus DBD dari nomor 12
sampai 21 dan kasus DD dari nomor 43 sampai
53. Himpunan bagian S3 terdiri dari data kasus
DBD dari nomor 22 sampai 32 dan kasus DD
dari nomor 54 sampai 64.
Pada penelitian ini pelatihan dan pengujian
data dilakukan sebanyak 3 kali. Susunan data
yang digunakan sebagai data pelatihan dan data
pengujian pada setiap iterasi disajikan pada
Tabel 4.
Tabel 4 Susunan data pelatihan dan data
pengujian tahap pertama
Iterasi
Pertama
Kedua
Ketiga

Pelatihan

Pengujian

S2 dan S3
(43 instances)
S1 dan S3
(43 instances)
S1 dan S2
(42 instances)

S1
(21 instances)
S2
(21 instances)
S3
(22 instances)

Hasil pengujian tahap pertama untuk
keseluruhan data sebelum validasi dapat dilihat
pada Lampiran 6. Dari keseluruhan data

7

sebelum validasi yaitu sebanyak 64 instances,
ditemukan 42 instances sebagai data yang
diklasifikasi benar. Rata-rata akurasi yang
dihasilkan pada pengujian tahap pertama ini
dapat dilihat pada Tabel 5.
Tabel 5 Akurasi dari setiap iterasi tahap
pertama
Iterasi
Akurasi
Pertama
66,67%
Kedua
66,67%
Ketiga
63,64%
Rata-rata
65,66%
Pada tahap pertama ini, baik pada iterasi
pertama, kedua maupun ketiga, kecenderungan
yang terlihat pada setiap fitur untuk menjadi ciri
khas gejala DBD dan DD hampir sama, dengan
perbandingan nilai yang kurang signifikan.
Bahkan terdapat kecenderungan yang tidak
tepat pada fitur pendarahan untuk menjadi ciri
khas gejala DBD dan DD.
Iterasi Pertama
Pada iterasi pertama, himpunan bagian S2
dan S3 digunakan sebagai data pelatihan
sedangkan himpunan bagian S1 digunakan
sebagai data pengujian. Komposisi jumlah
instances per kelas pada data pelatihan dan data
pengujian iterasi pertama disajikan pada Tabel
6.
Tabel 6 Komposisi jumlah instances tahap
pertama iterasi pertama
Kelas
Pelatihan
Pengujian
DBD
21 instances
11 instances
DD
22 instances
10 instances
Pada Lampiran 4, data yang digunakan
untuk pelatihan pada tahap pertama iterasi
pertama ini adalah gabungan dari himpunan
bagian S2 dan S3 dengan kasus DBD dari nomor
12 sampai 32 dan kasus DD dari nomor 43
sampai 64. Data pengujiannya adalah himpunan
bagian S1 yaitu data dari nomor 1 sampai 11
untuk kasus DBD dan nomor 33 sampai 42
untuk kasus DD.
Proses pelatihan pada iterasi pertama akan
menghasilkan selang-selang fitur. Setiap selang
suatu fitur tertentu memiliki nilai-nilai yang
didistribusikan fitur tersebut untuk kelas DBD
dan kelas DD. Selang-selang tersebut beserta
nilai setiap kelasnya disajikan pada Lampiran 7.
Nilai distribusi pada fitur demam
menunjukkan kecenderungan bahwa pada suhu
badan 36 ºC dan lebih dari 39 ºC merujuk pada
kelas DD, sedangkan pada suhu 36,4 ºC sampai
39 ºC merujuk pada kelas DBD. Tetapi dari

hasil tersebut tidak dapat disimpulkan bahwa
pada suhu rendah dan suhu tinggi penderita
terserang DD dan pada suhu sedang penderita
positif DBD. Hal ini disebabkan karena peran
fitur-fitur lain dalam pengklasifikasian kelas
sangat mempengaruhi. Antara fitur yang satu
dengan fitur yang lain memiliki keterkaitan
yang sangat erat.
Selain itu, kecenderungan yang muncul
tersebut bisa dijelaskan dari segi tahapan
perjalanan siklus DBD. Seperti yang sudah
disebutkan sebelumnya bahwa DBD mengalami
perjalanan empat tahap. Pada masa inkubasi
hampir tidak ditemukan gejala. Kemudian pada
masa akut mulai dijumpai beberapa gejala yang
salah satunya adalah suhu badan naik. Adanya
fenomena bahwa pada suhu tinggi penderita
justru negatif DBD, bisa jadi disebabkan karena
penderita memeriksakan dirinya ke dokter pada
masa akut ini, yaitu saat gejala demam mulai
muncul,
sehingga
kemungkinan
terjadi
kesalahan diagnosis sebagai penyakit flu atau
tipus, bukan DBD.
Pada fitur bercak, nilai-nilai distribusi fitur
tersebut
pada
selang
mencerminkan
kecenderungan bahwa penderita positif DBD
bila ditemukan adanya bercak dengan
perbandingan nilai yang cukup signifikan yaitu
0,840 untuk kelas DBD dan 0,160 untuk kelas
DD. Sementara itu kecenderungan penderita
DD kurang terlihat dengan perbandingan nilai
yang kurang signifikan, yaitu 0,556 untuk kelas
DD dan 0,444 untuk kelas DBD.
Pada fitur pendarahan, kecenderungan yang
muncul untuk menjadi ciri khas kelas DBD bisa
dikatakan tidak tepat karena nilai-nilai distribusi
fitur tersebut pada selang mencerminkan
kecenderungan bahwa penderita terserang DD
apabila terjadi pendarahan dengan perbandingan
nilai 0,656 untuk kelas DD dan 0,344 untuk
kelas DBD. Begitu juga sebaliknya untuk
kecenderungan penderita positif DBD justru
terjadi bila tidak ada pendarahan dengan
perbandingan nilai yang kurang signifikan yaitu
0,512 untuk kelas DBD dan 0,488 untuk kelas
DD.
Untuk fitur uji tornikuet, nilai-nilai
distribusi
fitur
tersebut
pada
selang
mencerminkan kecenderungan bahwa penderita
positif DBD bila hasil uji tornikuetnya positif
dengan perbandingan nilai 0,663 untuk kelas
DBD dan 0,337 untuk kelas DD. Sebaliknya,
kecenderungan penderita DD terjadi bila hasil
uji tornikuetnya negatif dengan perbandingan
nilai 0,690 untuk kelas DD dan 0,310 untuk
kelas DBD.

8

Pengujian yang dilakukan pada iterasi
pertama sebagai klasifikasi pada data pengujian
S1 menghasilkan akurasi sebesar 66,67%. Dari
keseluruhan jumlah data pengujian S1 sebanyak
21 instances, ditemukan 14 instances sebagai
data yang diklasifikasi benar.
Iterasi Kedua
Pada iterasi kedua, himpunan bagian S1 dan
himpunan bagian S3 digunakan sebagai data
pelatihan sedangkan himpunan bagian S2
digunakan sebagai data pengujian. Komposisi
jumlah instances per kelas pada data pelatihan
dan data pengujian iterasi kedua disajikan pada
Tabel 7.
Tabel 7 Komposisi jumlah instances tahap
pertama iterasi kedua
Kelas
Pelatihan
Pengujian
DBD
22 instances
10 instances
DD
21 instances
11 instances
Pada Lampiran 4, data yang digunakan
untuk pelatihan pada tahap pertama iterasi
kedua adalah gabungan dari himpunan bagian
S1 dan S3, yaitu data dari nomor 1 sampai 11
serta 22 sampai 32 untuk kasus DBD dan data
dari nomor 33 sampai 42 serta 54 sampai 64
untuk kasus DD. Data pengujiannya adalah
himpunan bagian S2 yaitu data dari nomor 12
sampai 21 untuk kasus DBD dan nomor 43
sampai 53 untuk kasus DD.
Seperti pada iterasi pertama, proses
pelatihan pada iterasi ini menghasilkan selangselang fitur. Setiap selang suatu fitur tertentu
memiliki nilai-nilai yang didistribusikan fitur
tersebut untuk kelas DBD dan kelas DD.
Selang-selang tersebut beserta nilai setiap
kelasnya disajikan pada Lampiran 8.
Nilai distribusi pada fitur demam
menunjukkan kecenderungan bahwa pada suhu
badan kurang dari 36 ºC dan lebih dari 39 ºC
merujuk pada kelas DD, sedangkan pada suhu
antara 36,4 ºC sampai 39 ºC merujuk pada kelas
DBD. Kecenderungan yang muncul untuk fitur
demam pada iterasi kedua ini sama seperti
kecenderungan yang terlihat pada iterasi
pertama, yaitu bahwa pada suhu rendah dan
suhu tinggi penderita terserang DD dan pada
suhu sedang penderita positif DBD, demikian
pula
dengan
penyebab
munculnya
kecenderungan ini.
Pada fitur bercak, nilai-nilai distribusi fitur
tersebut
pada
selang
mencerminkan
kecenderungan bahwa penderita positif DBD
bila ditemukan adanya bercak dengan
perbandingan nilai yang cukup signifikan yaitu

0,827 untuk kelas DBD dan 0,173 untuk kelas
DD. Sementara itu kecenderungan penderita
DD kurang terlihat dengan perbandingan nilai
yang kurang signifikan, yaitu 0,552 untuk kelas
DD dan 0,448 untuk kelas DBD.
Seperti pada iterasi pertama, untuk fitur
pendarahan kecenderungan yang muncul bisa
dikatakan tidak tepat karena nilai-nilai distribusi
fitur tersebut pada selang mencerminkan
kecenderungan bahwa penderita terserang DD
apabila terjadi pendarahan dengan perbandingan
nilai yang kurang signifikan yaitu 0,512 untuk
kelas DD dan 0,488 untuk kelas DBD. Begitu
juga sebaliknya untuk kecenderungan penderita
positif DBD justru terjadi bila tidak ada
pendarahan dengan perbandingan nilai 0,501
untuk kelas DBD dan 0,499 untuk kelas DD.
Untuk fitur uji tornikuet, nilai-nilai
distribusi
fitur
tersebut
pada
selang
mencerminkan kecenderungan bahwa penderita
positif DBD bila hasil uji tornikuetnya positif
dengan perbandingan nilai 0,672 untuk kelas
DBD dan 0,328 untuk kelas DD. Sebaliknya,
kecenderungan penderita DD terjadi bila hasil
uji tornikuetnya negatif dengan perbandingan
nilai pada selang adalah 0,677 untuk kelas DD
dan 0,323 untuk kelas DBD.
Pengujian yang dilakukan pada iterasi kedua
sebagai klasifikasi pada data pengujian S2
menghasilkan akurasi sebesar 66,67%. Dari
keseluruhan jumlah data pengujian S2 sebanyak
21 instances, ditemukan 14 instances sebagai
data yang diklasifikasi benar.
Iterasi Ketiga
Pada iterasi ketiga, himpunan bagian S1 dan
himpunan bagian S2 digunakan sebagai data
pelatihan sedangkan himpunan bagian S3
digunakan sebagai data pengujian. Komposisi
jumlah instances per kelas pada data pelatihan
dan data pengujian pada iterasi ini disajikan
pada Tabel 8.
Tabel 8 Komposisi jumlah instances tahap
pertama iterasi ketiga
Kelas
Pelatihan
Pengujian
DBD
21 instances
11 instances
DD
21 instances
11 instances
Pada Lampiran 4, data yang digunakan
untuk pelatihan pada tahap pertama iterasi
ketiga ini adalah gabungan dari himpunan
bagian S1 dan S2 dengan kasus DBD dari nomor
1 sampai 21 dan kasus DD dari nomor 33
sampai 53. Data pengujiannya adalah himpunan
bagian S3 yaitu data dari nomor 22 sampai 32

9

untuk kasus DBD dan nomor 54 sampai 64
untuk kasus DD.
Proses pelatihan menghasilkan selangselang fitur. Seperti pada iterasi pertama dan
iterasi kedua, setiap selang suatu fitur tertentu
memiliki nilai-nilai yang didistribusikan fitur
tersebut untuk kelas DBD dan kelas DD.
Selang-selang tersebut beserta nilai setiap
kelasnya disajikan pada Lampiran 9.
Hampir sama dengan hasil yang didapat
pada iterasi pertama dan iterasi kedua, nilai
distribusi pada fitur demam menunjukkan
kecenderungan bahwa pada suhu badan kurang
dari 36,5 ºC dan lebih dari 39 ºC merujuk pada
kelas DD, sedangkan pada suhu 36,5 ºC sampai
39 ºC merujuk pada kelas DBD. Penyebab
munculnya kecenderungan ini sama seperti
yang sudah dijelaskan pada iterasi pertama dan
iterasi kedua.
Pada fitur bercak, nilai-nilai distribusi fitur
tersebut pada selang tidak ada yang
mencerminkan kecenderungan f