5
VFI 5
Survei Konsultasi dengan
dokter
Data Data latih
Data uji Pelatihan
Akurasi klasifikasi
Menentukan nilai vote
Memberikan bobot =1 pada setiap fitur
Menjumlahkan nilai setiap instances
berdasarkan fiturnya Memberikan bobot
1 pada setiap fitur Menjumlahkan nilai
setiap instances berdasarkan fiturnya
Akurasi Proses wawancara
Selang setiap fitur
Menentukan kelas prediksi
Menentukan kelas prediksi
Data latih dan data uji
Data yang telah dikonversi menjadi angka nominal akan dibagi menjadi data latih dan data
uji, untuk pembagian data latih dan data uji ini akan dilakukan dengan menggunakan metode
acak. Seluruh data akan dibagi menjadi 2 : 1, dimana 2 untuk banyaknya data latih dan 1
untuk banyaknya data uji.
Pelatihan
Proses pelatihan
pada penelitian
ini dilakukan dengan menggunakan algoritme
VFI5, dimana data latih yang telah ditentukan digunakan sebagai input dari algoritme VFI5
dalam proses pelatihan. Gejala umum penyakit Tb Paru dan Bronkitis sebagai fitur dari setiap
data pasien, sedangkan Tb Paru dan Bronkitis merupakan kelas dari data pasien tersebut.
Selang setiap fitur
Selang setiap fitur didapat dari proses pelatihan. Untuk menentukan selang-selang ini
terlebih dahulu dilakukan proses normalisasi yang dilakukan pada proses pelatihan. Selang-
selang ini berisikan nilai vote untuk setiap kelas pada setiap gejala.
Klasifikasi
Tahapan dari klasifikasi terdiri atas 4 tahap dimana tahap menentukan nilai vote pada data
uji, tahap menjumlahkan setiap instances dan tahap menentukan kelas prediksi mempunyai
langkah yang sama untuk kedua percobaan, tahapan tersebut adalah:
1. Menentukan nilai vote pada data uji
Pada proses klasifikasi, terdapat tahap menentukan nilai vote untuk instance baru.
Nilai vote ini ditentukan dengan cara nilai fitur dari instance baru akan diperiksa dan dilihat
letak selang nilai fitur tersebut, kemudian nilai vote setiap instance pada data latih yang terletak
pada selang yang sama dengan instance yang baru akan disimpan sebagai vote dari instance
baru tersebut.
2. Memberikan bobot
Untuk pemberian bobot ini dilakukan dua kali percobaan yaitu dengan bobot seragam dan
bobot tidak seragam. Berikut akan dijelaskan kedua percobaan pemberian bobot.
a. Seragam
Tahap selanjutnya pada metodologi ini adalah memberikan bobot = 1 pada setiap
fitur. Nilai 1 diberikan karena nilai ini merupakan default nilai yang diberikan
oleh algoritme VFI5. Fitur vote dari instances baru akan dikalikan dengan bobot
yang diberikan.
b. Tidak seragam
Pada tahap ini bobot yang diberikan 1 untuk setiap fitur yang penting yaitu pada
fitur batuk berdarah, demam, nafsu makan berkurang, berat badan turun, lemah lesu
dan keringat malam. Setelah nilai vote dikalikan dengan bobotnya per masing-
masing fitur maka dilakukan kembali tahap normalisasi agar nilai vote akhir yang
dihasilkan tidak lebih dari 1.
3. Menjumlahkan nilai setiap instances
Nilai Vote yang telah dihasilkan dari tahap klasifikasi ke-1 dan telah dikalikan dengan
bobot pada tahap klasifikasi ke-2 akan dijumlahkan pada setiap instance-nya.
4. Menentukan kelas prediksi
Hasil penjumlahan vote dari setiap instance akan dibandingkan, kelas dengan total vote
yang tertinggi akan menjadi kelas prediksi pada instance baru tersebut. Hasil dari proses ini
merupakan hasil prediksi penyakit Tb Paru atau Bronkitis pada data uji.
6
Akurasi
Tahap akhir dari metode penelitian ini adalah menghitung nilai akurasi dari hasil yang
diperoleh pada
tahap pengolahan
data menggunakan algoritme VFI5. Akurasi dapat
dihitung dengan : x 100.
Spesifikasi aplikasi
Aplikasi ini akan dikembangkan berbasis desktop, dengan implementasi perangkat keras
dan perangkat lunak sebagai berikut : Perangkat keras yang digunakan berupa
komputer notebook dengan spesifikasi: Processor Intel Pentium Dual Core 2,0
GHz RAM 1GB
HDD 250GB Perangkat lunak yang digunakan :
Sistem Operasi : Microsoft Windows XP SP2
Microsoft Visual Basic 6.0
HASIL DAN PEMBAHASAN
Data yang digunakan pada penelitian ini merupakan data hasil wawancara pasien baru di
poli paru RSUD Pasar Rebo. Berikut ini disajikan contoh tabel form wawancara yang
telah diisi dan tabel form wawancara yang belum diisi pada Lampiran 1.
Tabel 1 Form wawancara yang telah diisi FORM WAWANCARA
Pasien : 2 No. Rekam Medik :
Diagnosa Awal : Bronkitis Gejala Yang Dirasakan
Batuk : 1. Tidak
2. Iya
Lamanya batuk 12
hari
Batuk Berdarah :
1. Tidak 2. Iya
Demam : 1. Tidak
2. Iya Sakit Dada :
1. Tidak 2. Iya
Dahak : 1.Tidak
2. Iya Nafsu Makan
Berkurang : 1. Tidak
2. Iya Sesak Nafas :
1. Tidak 2. Iya
Berat Badan Turun :
1. Tidak 2. Iya
Lemah Lesu : 1. Tidak
2. Iya Berkeringat
Malam : 1. Tidak
2. Iya Proses wawancara ini dilakukan selama 1
bulan 1 Agustus – 30 Agustus. Data yang
didapat dari hasil wawancara sebanyak 52 data dengan diagnosis yang berbeda-beda dari
berbagai jenis penyakit paru, sehingga dari 52 data diurutkan dan diambil 2 diagnosis paling
banyak kasusnya yaitu Bronkitis dan Tb Paru dengan jumlah data sebanyak 40 selain itu Tb
Paru dan Bronkitis mempunyai gejala penyakit yang sangat mirip.
Dari 40 data Tb Paru dan Bronkitis dikonversi menjadi angka nominal untuk
memudahkan perhitungan algoritme. Gejala yang mempunyai selang nilai yang berbeda-
beda hanya berada di gejala batuk, untuk gejala yang lainnya seperti batuk berdarah, hilang
nafsu makan, dan lainnya hanya diberi nilai 0 untuk nilai tidak dan 1 untuk nilai iya ada.
Pada Tabel 2 disajikan konversi data gejala batuk.
Tabel 2 Konversi data gejala batuk
Setelah dikonversi
dilakukan proses
perhitungan menggunakan algoritme VFI5 dengan membagi antara data latih dan data uji
2 : 1, 2 untuk data latih dan 1 untuk data uji. Untuk pembagian data menjadi data latih dan
data uji digunakan proses acak dengan memperhitungkan banyaknya jumlah setiap
angka nominal pada setiap gejala agar pada setiap data latih yang digunakan mendapatkan
semua nilai nominal pada setiap gejala.
Dilakukan 2 kali percobaan pada penelitian untuk mengoptimasikan data yang ada. Pada
percobaan pertama proses yang dilakukan adalah melakukan klasifikasi data menggunakan
algoritme VFI5
dengan bobot
seragam, sedangkan pada percobaan kedua proses yang
dilakukan adalah menggunakan bobot tidak seragam untuk mendapatkan hasil yang optimal.
Berikut ini diberikan penjelasan secara rinci pembahasan pada 2 percobaan tersebut:
Gejala Nilai
Tidak Batuk 1Minggu
– 1Bulan 1
1Bulan – 3Bulan
2 3Bulan
3
7
Percobaan pertama dengan bobot seragam
Pada percobaan
pertama data
yang digunakan sebagai data latih berjumlah 27, dan
data uji berjumlah 13. Banyaknya jumlah instances per kelas pada data latih dan data uji
disajikan pada Tabel 3. Tabel 3 Jumlah instances data latih dan uji
Kelas Data Latih
Data Uji Bronkitis
13 instances 7 instances
Tb Paru 14 instances
6 instances Data
tersebut kemudian
diolah menggunakan algoritme VFI5. Diawali dengan
proses pelatihan, dimana setiap gejala atau fitur dicari nilai end point-nya sampai didapatkan
nilai vote dari setiap fitur dan nilai vote tersebut dikalikan dengan bobot seragam yaitu 1 pada
setiap fitur. Akurasi yang didapat pada percobaan ini adalah 85 dari 13 data uji. Hasil
klasifikasi pada percobaan pertama disajikan pada Tabel 4.
Tabel 4 Hasil klasifikasi percobaan pertama Kelas
Bronkitis Tb Paru
Bronkitis 6
1 Tb Paru
1 5
Pada Tabel 4 terlihat bahwa data yang salah sebanyak 2 pasien yaitu pasien Bronkitis ke-12
yang diprediksi sebagai Tb Paru dan pasien Tb Paru ke-1 yang diprediksi sebagai Bronkitis.
Pada Tabel 5 disajikan nilai vote pasien Bronkitis ke-12 dan untuk nilai vote pasien Tb
Paru ke-1 disajikan pada Lampiran 2.
Tabel 5 Nilai vote pasien Bronkitis ke-12 Gejala
Nilai vote Kelas
Bronkitis Kelas Tb
Paru Batuk
0,463 0,537
Batuk berdarah 0,568
0,432 Sakit dada
0,633 0,367
Dahak 0,660
0,340 Demam
0,456 0,544
Sesak nafas 0,324
0,676 Nafsu makan
berkurang 0,447
0,553 Berat badan turun
0,418 0,582
Lemah lesu 0,489
0,511 Keringat malam
0,519 0,481
Total 4,975
5,025
Normalisasi Akhir
0,498 0,502
Pada percobaan ini kesalahan prediksi terdapat di setiap kelas, oleh karena itu
kesalahan yang dihasilkan untuk setiap pasien berbeda. Pasien Bronkitis yang diprediksi
sebagai pasien Tb Paru mempunyai nilai vote dari fitur atau gejala dengan nilai lebih besar
pada kelas Tb Paru sehingga pasien Bronkitis ini diprediksi oleh algoritme VFI 5 sebagai
kelas Tb Paru dan juga sebaliknya untuk pasien Tb Paru yang diprediksi sebagai pasien
Bronkitis. Pada Tabel 5 dapat dilihat nilai vote pasien Bronkitis dan fitur dengan nilai lebih
besar pada kelas Tb Paru adalah batuk, demam, sesak nafas, nafsu makan berkurang, berat
badan turun, dan lemah lesu. Untuk pasien Tb Paru yang diprediksi sebagai kelas Bronkitis
mempunyai kesalahan pada nilai fitur yang lebih besar di batuk berdarah, dahak, sesak
nafas, dan keringat malam.
Pada Tabel 6 disajikan normalisasi akhir dari percobaan ini, hasil dari normalisasi
tersebut terlihat bahwa nilai seluruh normalisai mempunyai
perbedaan nilai
pada kelas
Bronkitis dan Tb Paru yang tidak terlalu berbeda.
Tabel 6 Normalisasi akhir percobaan pertama No. Pasien
Normalisasi kelas
Bronkitis Normalisasi
kelas Tb Paru
Bronkitis 1 0,5163
0,4837 Bronkitis 2
0,5080 0,4920
Bronkitis 3 0,5398
0,4602 Bronkitis 4
0,5016 0,4984
Bronkitis 6 0,5137
0,4863 Bronkitis 11
0,5632 0,4368
Bronkitis 12 0,4975
0,5025 Tb Paru 1
0,5053 0,4947
Tb Paru 2 0,4802
0,5198 Tb Paru 3
0,4976 0,5024
Tb Paru 4 0,4835
0,5165 Tb Paru 5
0,4413 0,5587
Tb Paru 7 0,4511
0,5489
Percobaan Kedua dengan bobot tidak seragam
Pada percobaan kedua ini bobot pada fitur- fitur
yang paling
penting ditambahkan.
Percobaan ini dilakukan pada kombinasi data latih dan uji yang sama pada percobaan
pertama. Fitur-fitur yang ditambahkan bobotnya
adalah batuk berdarah, demam, nafsu makan berkurang, berat badan turun, lemah lesu, dan
keringat malam. Pemberian bobot ini dilakukan berulang
kali sebanyak
bobot yang
ditambahkan, bobot nilai yang digunakan adalah 2, 1.1, 1.08, 1.06, 1.05, 1.04, 1.055.
8 berikut ini akan diuraikan hasil dan pembahasan
dari masing-masing bobot yang digunakan.
1. Pemberian bobot nilai = 2
