Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary Decision Tree Support Vector Machine (BDTSVM) (Studi Kasus: Puskesmas Dinoyo Kota Malang)

  Vol. 2, No. 5, Mei 2018, hlm. 1912-1920 http://j-ptiik.ub.ac.id

  

Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary

Decision Tree Support Vector Machine (BDTSVM)

  

(Studi Kasus: Puskesmas Dinoyo Kota Malang)

_{1 2 3} Dyan Dyanmita Putri , M.Tanzil Furqon , Rizal Setya Perdana

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: dyan2mp@gmail.com, m.tanzil.furqon@ub.ac.id, rizalespe@ub.ac.id

  

Abstrak

  Kulit merupakan organ tubuh pada manusia yang sangat penting karena terletak pada bagian luar tubuh yang berfungsi untuk menerima rangsangan seperti sentuhan, rasa sakit dan pengaruh lainnya dari luar. Penyakit kulit salah satu penyakit yang sering dijumpai pada negara beriklim tropis seperti Indonesia. Kurangnya pengetahuan tentang jenis penyakit kulit serta tidak mengetahui cara pencegahannya mengakibatkan sesorang dapat terkena penyakit kulit tingkat akut. Sehingga dengan adanya bantuan teknologi komputer diharapkan penyakit yang menyerang kulit tubuh manusia dapat diketahui secara dini dan hal tersebut dapat memperkecil terjadinya penyakit yang lebih berbahaya. Penelitian ini bertujuan untuk menentukan klasifikasi penyakit kulit pada manusia menggunakan metode Binary Decision Tree Support Vector Machine (BDTSVM). Berdasarkan hasil pengujian didapatkan nilai akurasi terbaik sebesar 97,14% dengan pengujian parameter SVM yaitu nilai λ (lambda) = 0,5, C (complexity) = 1, konstanta (gamma) = 0,01, dan itermax = 10.

  Kata kunci: Penyakit Kulit, Klasifikasi, Binary Decision Tree, Support Vector Machine

Abstract

The skin is an organ in the human body is very important because it lies on the outside of the body that

serves to receive stimuli such as touch, pain and other influences from the outside. Skin disease is one

of the most common diseases in tropical countries such as Indonesia. The lack of knowledge about the

type of skin disease and do not know how to prevent it cause a person can get acute skin disease. So

with the help of computer technology is expected to attack the skin of the human body can be detected

early and it can minimize the occurrence of more dangerous diseases. This research aims to determine

the classification of skin diseases in humans using the method of Binary Decision Tree Support Vector

Machine (BDTSVM) Based on the test results obtained the best accuracy of 97.14% with SVM

parameter test that is the value of λ (lambda) = 0,5, C (complexity) = 1, constant γ (gamma) = 0,01,

and itermax = 10.

  Keywords: Skin Disease, Classification, Binary Decision Tree, Support Vector Machine

  sifatnya yang cenderung tidak berbahaya dan 1. tidak menyebabkan kematian. Hal tersebut

   PENDAHULUAN

  sangat salah karena jika penyakit kulit terus Kulit merupakan organ tubuh pada manusia menerus dibiarkan dapat menyebabkan penyakit yang sangat penting karena terletak pada bagian tersebut semakin menyebar dan sulit untuk luar tubuh yang berfungsi untuk menerima mengobatinya. rangsangan seperti sentuhan, rasa sakit dan pengaruh lainnya dari luar (Nuraeni, 2016). Penyakit kulit dapat menyerang siapa saja Kulit yang tidak terjaga kesehatannya dapat dan dapat menyerang pada bagian tubuh mana menimbulkan berbagai penyakit kulit sehingga pun. Penyakit kulit salah satu penyakit yang perlu menjaga kesehatan kulit sejak dini agar sering dijumpai pada negara beriklim tropis terhindar dari penyakit. Kulit tubuh seseorang seperti Indonesia. Data Profil Kesehatan yang terkena penyakit sangat mengganggu Indonesia 2010 menunjukkan bahwa penyakit penampilan dan aktifitas orang tersebut. kulit menjadi peringkat ketiga dari sepuluh

  Penyakit kulit sering dianggap remeh karena penyakit terbanyak pada pasien rawat jalan

  Fakultas Ilmu Komputer Universitas Brawijaya

1912 dirumah sakit seIndonesia (Kemenkes, 2010). Kejadian penyakit kulit di Indonesia masih tergolong tinggi dan menjadi permasalahan yang cukup berarti. Hal tersebut karena kurangnya kesadaran dan ketidakpedulian masyarakat terhadap lingkungan sekitar yang menyebabkan penularan penyakit kulit sangat cepat. Berbagai penyakit kulit dapat disebabkan oleh beberapa faktor seperti lingkungan dan kebiasaan sehari-hari yang buruk, perubahan iklim, virus, bakteri, alergi, daya tahan tubuh dan lain-lain (Pardiansyah, 2015).

  Kurangnya pengetahuan tentang jenis penyakit kulit serta tidak mengetahui cara pencegahannya mengakibatkan sesorang dapat terkena penyakit kulit tingkat akut. Sehingga dengan adanya bantuan teknologi komputer diharapkan penyakit yang menyerang kulit tubuh manusia dapat diketahui secara dini dan hal tersebut dapat memperkecil terjadinya penyakit yang lebih berbahaya. Penggunaan teknologi komputer dapat membantu berbagai praktisi di segala bidang, karena dapat menyimpan data hingga mengolahnya menjadi suatu hasil yang diinginkan pembuatnya (Mahardika, 2013). Banyak manfaat yang didapat dengan adanya teknologi komputer dalam mendeteksi penyakit kulit diantaranya meningkatkan efisiensi pekerjaan, penghematan waktu dalam menyelesaikan masalah, serta pengetahuan pakar dapat didokumentasikan tanpa ada batas waktu .

  Metode SVM adalah salah satu metode klasifikasi yang prinsip nya mencari hyperplane pemisah antara kelas positif dan kelas negatif. Kelebihan dari SVM adalah mampu menangani masalah dengan input space yang berdimensi tinggi. SVM juga memiliki kelemahan yaitu masalah komputasi yang lama untuk proses klasifikasi. Kemudian muncul pengembangan dari metode SVM untuk masalah klasifikasi

  multi class yaitu One-Against-All (OAA), One- Against-One (OAO), dan Directed Acyclic Graph SVM (DAGSVM). Metode OAA

  memiliki kelemahan pada tahap pelatihan dan pengujian yang sangat lambat. Sedangkan OAO memiliki kelemahan pengujian yang lambat karena melakukan klasifikasi untuk setiap pasangan kelas harus satu per satu. Sehingga muncul metode DAGSVM yang dapat melakukan pengujian lebih cepat daripada OAO (Meshram et al., 2014). Namun pada tahun 2009 metode BDTSVM dikenalkan oleh Madzarov untuk dapat menyelesaikan masalah klasifikasi multi class. Hasil yang diperoleh bahwa metode BDTSVM memiliki nilai error

  rate dan training time yang lebih baik

  dibandingkan DAGSVM. Kelebihan dari metode BDTSVM adalah mendapatkan penentuan kelas yang lebih dinamis dengan didasarkan pada jarak Euclidean dan dalam hal efektifitas komputasi serta tingkat akurasi yang tinggi.

  Berdasarkan permasalahan tersebut maka dirancang sebuah sistem untuk klasifikasi penyakit kulit pada manusia menggunakan metode Binary Decision Tree Support Vector

  Machine (BDTSVM). Sistem ini bekerja

  dengan cara menerima masukan gejala dari pengguna dan akan dilakukan proses perhitungan menggunakan algoritme Binary

  Decision Tree Support Vector Machine

  (BDTSVM). Hasil dari proses tersebut berupa klasifikasi penyakit kulit pada manusia dengan harapan dapat memberikan informasi kepada pengguna sehingga memperkecil terjadinya penyakit kulit yang lebih berbahaya.

  2. DASAR TEORI

  2.1. Penyakit Kulit Pada Manusia

  Penyakit kulit adalah kelainan kulit akibat adanya jamur, kuman, parasit, virus maupun infeksi yang dapat menyerang siapa saja dari segala umur. Penyakit kulit dapat menyerang seluruh maupun sebagian tubuh tertentu dan dapat memperburuk kondisi kesehatan penderita jika tidak ditangani secara serius. Gangguan pada kulit sering terjadi karena adanya faktor-faktor penyebabnya seperti iklim, lingkungan, tempat tinggal, kebiasaan hidap yang kurang sehat, alergi dan lain-lain.

  2.1.1 Dermatitis

  Dermatitis adalah peradangan kulit pada epidermis dan dermis yang disebabkan oleh faktor eksogen ataupun endogen dengan ditandai gejala obyektif lesi bersifat polimorf dan gejala subyektif gatal (Maryunani, 2010). Gejala utama yang dirasakan pada penderita penyakit dermatitis adalah gatal, alergi, kulit melepuh, kulit meradang, perih, keluar nanah, muncul kemerahan pada wajah, lutut, tangan dan kaki, tetapi tidak menutup kemungkinan kemerahan muncul di daerah lain, daerah yang terkena akan terasa sangat kering dan panas pada area tersebut.

  2.1.2 Abses

  space . Untuk dapat menemukan hyperplane

  , … , } adalah titik pada dataset, dan = {+1, −1} adalah class pada data

  1

  {

  pelatihan terbagi menjadi dua kelas dengan memisahkan hyperplane. Misal diketahui =

  Linear digunakan untuk memisahkan data

  Fungsi klasifikasi Support Vector Machine

  linear dengan memasukkan metode kernel trick.

  Prinsip nya SVM bekerja secara linear, tetapi dapat berkerja juga pada masalah non-

  input non-linear dengan ruang ciri menggunakan kaidah kernel (Putri et al., 2015).

  mengukur margin yang maksimal antara ruang

  margin hyperplane yang diperoleh dari

  terbaik antara dua kelas dengan mengukur

  salah satu teknik baru yang memiliki performansi yang lebih baik di berbagai bidang aplikasi seperti pengenalan tulisan tangan, bioinformatika, klasifikasi teks, klasifikasi diagnosis penyakit dan sebagainya (Feng-Chia, 2009). Tujuan dari SVM yaitu menemukan fungsi pemisah (classifier hyperplane) terbaik untuk memisahkan dua buah kelas pada input

  Abses merupakan sebuah penimbunan nanah yang terakumulasi di sebuah kabitas jaringan karena akibat infeksi bakteri atau karena adanya benda asing seperti serpihan, luka peluru, atau jarum suntik. Gejala yang dirasakan biasanya gatal pada bagian kulit tertentu, timbul benjolan kecil dengan warna kemerahan, keluar nanah, nyeri tekan, nyeri kepala, kulit meradang, bengkak dan demam. Penyebab penyakit abses antara lain infeksi bakteri melalui cara bakteri masuk ke bawah kulit akibat luka yang berasal dari tusukan jarum yang tidak steril.

  2.2 Support Vector Machine Support Vector Machine (SVM) merupakan

  Penyakit ini dapat menyerang laki-laki maupun perempuan pada semua kalangan usia. Gejala pada penyakit pioderma biasanya gatal, terdapat benjolan merah pada kulit, membesar dan kemudian menjadi nanah, kulit meradang, serta demam. Terjadinya pioderma dipengaruhi oleh gizi, kondisi imunologis, integritas kuit, serta faktor lingkungan seperti panas, lembab, kurangnya sanitasi dan higieni.

  streptococcus sp. Pioderma merupakan infeksi bakteri pada kulit yang sering dijumpai.

  Pioderma merupakan penyakit infeksi bakterial kulit. Penyebab utama pioderma adalah bakteri staphylococcus aureus maupun

  2.1.6 Pioderma

  Urtikaria merupakan penyakit yang ditandai dengan adanya edema kulit superfisial setempat dengan ukuran yang bervariasi dikelilingi oleh halo eritem disertai rasa gatal atau panas dan terkadang perut terasa mulas serta demam. Pada bagian tengah bintul tampak kepucatan yang biasanya kelainan ini bersifat sementara, gatal, dan dapat terjadi dimanapun di seluruh permukaan kulit. Ruam urtikaria cepat timbul dan hilang perlahan-lahan sekitar dalam waktu 1-24 jam (Fitria, 2013). Gejala yang dirasakan pada penderita urtikaria biasanya gatal, demam, muncul ruam merah, alergi, bengkak, dan panas pada area tersebut.

  2.1.5 Urtikaria

  herpes di Negara berkembang seperti Indonesia lebih tinggi dibandingan dengan di negara maju. Gejala yang dirasakan pada penderita herpes biasanya gatal, demam, nyeri kepala, nyeri tekan, kulit meradang, kulit melepuh, perih dan muncul gelembung air.

  Organization (WHO) melaporkan prevalensi

  Herpes merupakan penyakit radang kulit yang disebabkan oleh virus dengan ditandai munculnya bintik yang berisi cairan pada bagian kulit tertentu. World Health

  2.1.4 Herpes

  Scabies merupakan penyakit infeksi kulit menular dengan adanya rasa gatal pada lesi ketika malah hari yang disebabkan oleh tungau sarcoptes scabiei var hominis (Prativi et al., 2013). Gejala yang sering dirasakan adalah gatal terutama malam hari, bentol/bintik merah seperti jerawat, kulit meradang, panas pada area tersebut, perih, dan keluar nanah. Faktor berkembangnya penyakit scabies antara lain penyakit tersebut banyak diderita oleh masyarakat dengan higiene buruk, sosial ekonomi yang rendah, hubungan seksual dengan bergonta-ganti pasangan, kesalahan dalam mendiagnosis dan perkembangan demografi serta ekologi.

  2.1.3 Scabies

  . Bidang pemisah terbaik yaitu yang dapat memisahkan semua data set sesuai dengan class dan memiliki margin paling besar. Alternatif bidang pemisah dapat dilihat pada Gambar 1.

  Fungsi klasifikasi =

  feature space memiliki jumlah feature yang

  ( ( )) (7)

  Variabel adalah jumlah support vector atau suatu titik data yang memiliki

  > 0, dan notasi adalah data yang akan diklasifikasikan.

  Metode yang digunakan untuk mengklasifikasikan data yang tidak dapat diklasifikasikan secara linear adalah dengan mentransformasikan data ke dalam ruang fitur yang berdimensi tinggi sehingga dapat dipisah secara linear pada fitur space. Pada proses

  feature space biasanya memiliki dimensi yang

  lebih tinggi dari vektor input (input space) yang mengakibatkan komputasi pada feature space menjadi sangat besar, karena kemungkinan

  tidak terhingga. Untuk mengetahui fungsi transformasi yang tepat sangat lah sulit. Sehingga pada SVM menggunakan kernel trick. Data yang tidak dapat dipisah secara linear ditunjukkan pada Gambar 2.

  ( ) = ∑ =1 ( , ) + (6)

  Gambar 2. Data non-linear Sumber: Muis (2015)

  Metode kernel trick digunakan untuk mencari hyperplane dengan cara mentransformasi dataset ke ruang vektor yang berdimensi lebih tinggi (feature space), kemudian proses klasifikasi dilakukan pada

  feature space . Pada permasalahan ini

  menggunakan kernel Gaussian RBF yang didefiniskan dengan Persamaan 8.

  K( , ) = exp (− ‖ − ‖

  2 ) (8)

  Penentuan fungsi kernel yang digunakan sangat berpengaruh terhadapa hasil prediksi (Muis, 2015).

• .
• adalah nilai dari salah satu support

  Persamaan 7.

  Gambar 1. Alternatif bidang pemisah (kiri) dan bidang pemisah terbaik dengan margin (m) terbesar (kanan) Sumber: Sembiring (2007)

  dan

  Data yang berada pada bidang pembatas disebut support vector. Pada Gambar 1, dua kelas dapat dipisahkan oleh sepasang bidang pembatas yang sejajar. Class pertama dibatasi bidang pemisah pertama sedangkan class kedua dibatasi bidang pemisah kedua. Bidang pemisah untuk setiap kelas ditunjukkan pada Persamaan 1 dan Persamaan 2.

  ( . + ) ≥ +1, untuk = +1 (1) ( . + ) ≤ −1, untuk = -1 (2)

  Keterangan: = data ke-i = bidang normal antara bidang pemisah terhadap pusat koordinat = posisi bidang relatif terhadap pusat koordinat = kelas data ke-i

  SVM dapat digunakan untuk mengatasi masalah linear dan non-linear. Masalah linear dapat diatasi dengan cara mendapatkan

  hyperplane dengan fungsi sebagai berikut: ( ) = ( . + ) (3) = ∑

  =1 , ,

  (4)

  = −

  Untuk mendapatkan klasifikasi yang optimal data testing digunakan Persamaan 6 dan untuk hasil klasifikasi dapat dilihat pada

  1

  2 ( .

  − ) (5)

  Nilai

  vector dari class positive dan −

  adalah nilai dari salah satu support vector dari class

  negative .

  2.3 Sequential Training SVM Metode sequential training SVM adalah metode alternatif sederhana untuk menemukan bidang hyperplane yang optimal. Metode ini lebih baik dibandingkan dengan metode Quadric Programming (QP) yang penyelesaiannya cukup kompleks, membuang-buang waktu serta rentan terhadap ketidakstabilan numerik. Berikut langkah-langkah algoritmenya (Cholissodin et al., 2014).

  1.

  mempengaruhi kualitas dari pohon biner.

  Inisialisasi nilai parameter, λ = 2, (learning rate) = 5, Berikut ini ilustrasi Binary Decision Tree

  = 1, Iterasi Max = 10, dan = 0.0001. Support Vector Machine (BDTSVM) dalam

  mengklasifikasikan N-kelas yang ditunjukkan

  2. Set nilai = 0, kemudian menghitung matriks pada Gambar 3.

  Hessian dengan menggunakan Persamaan 9.

  2 = ( ( , ) + ) untuk , = 1,.,N (9)

  1,2,3,4,5,6,7 Keterangan:

  SVM = data ke-i = data ke-j = kelas data ke-i

  1,5,6 2,3,4,7 = kelas data ke-j _SVM SVM

  N = jumlah data ) = fungsi kernel yang digunakan ( ,

  1,5

  3. Melakukan proses iterasi dari data ke-i sampai 2,3 4,7 data ke-j dengan i=1 sampai N menggunakan _{SVM SVM SVM 6} Persamaan 10, 11 dan 12.

  (10) = ∑ =1

  [ ( ) ]

  = min {max 1 − , − , − } (11) _{2 3 7 1 5}

• (12) =
⁴ Keterangan: Gambar 3. Ilustrasi BDTSVM =

  Sumber: Sembiring (2007)

4. Kembali pada langkah ke 3 hingga kondisi iterasi

  Berikut adalah langkah-langkah untuk

  max telah tercapai atau

  (| |) max < . mendapatkan struktur dari tree:

  5. Kemudian didapatkan nilai Support Vector (SV) = > ℎ ℎ . Nilai thresholdSV ditentukan

  1. Menghitung nilai gravity center dari setiap

  dari beberapa percobaan yang biasa digunakan kelas. ℎ ℎ ≥ 0.

  2. Menghitung jarak Euclidean distance dari

2.4 Binary Decision Tree Support Vector masing-masing kelas.

  Machine

  3. Mencari jarak terjauh dari matriks hasil Metode Binary Decision Tree Support perhitungan jarak Euclidean distance,

  Vector Machine (BDTSVM) digunakan untuk

  kemudian memisahkan kedua kelas yang memecahkan permasalahan klasifikasi multi memiliki jarak terjauh masing-masing ke kelas menggunakan pohon biner. Metode ini anak kanan dan anak kiri. dapat diterapakan untuk menangani masalah

  4. Kelas yang tersisa dicari jarak terdekatnya komputasi yang lama untuk proses klasifikasi dengan kelas yang telah dipisahkan. Kelas yang merupakan kelemahan dari SVM. dengan jarak terdekat terhadap kelas yang

  Sehingga metode ini memiliki kelebihan dalam dipisahkan akan digabungkan dengan kelas hal efektifitas komputasi dan nilai akurasi yang tersebut. tinggi.

  5. Selanjutnya ulangi langkah 4 hingga Prinsip dari metode ini dengan membagi N seluruh kelas yang tersisa telah kelas yang ada menjadi dua kelompok besar dikelompokkan. Pada langkah ini telah dan memisahkannya dengan menempatkan ke menyelesaikan struktur tree pada level 1. anak kanan dan anak kiri dari pohon biner.

  Pembagian kelas dalam metode ini dilakukan

  6. Kemudian ulangi langkah 3 dan 4 hingga secara rekursif hingga didapatkan pada setiap masing-masing node hanya terdiri dari 1 node hanya terdapat satu kelas yang kelas. mempresentasikan kategori tersebut. Pada proses training SVM dilakukan untuk

  2.4.1 Gravity Center

  menentukan kemana data dikelompokkan

  Gravity Center adalah titik pusat dari setiap

  menurut kelasnya. Dalam membagi N kelas ke kelas. Untuk mendapatkan titik pusat dari setiap dalam dua buah kelompok terdapat banyak kelas, dapat dihitung dengan mencari rata-rata cara. Pemilihan cara yang tepat dapat setiap parameter dari masing-masing kelas.

  Nilai rata-rata dari masing-masing kelas dapat dilihat pada Persamaan 13.

2.4.2 Euclidean Distance

  Keterangan: = Jarak antara kelas I dan kelas j = Rata-rata fitur ke-m pada kelas ke-i, dimana i

  Pengumpulan Data Perancangan Sistem

  Implementasi Sistem Pengujian Sistem

  = ∑

  Penarikan Kesimpulan

  = 1,…,jumlah kelas = Jumlah fitur 3.

  = 1,…,jumlah kelas = Rata-rata fitur ke-m pada kelas ke-j, dimana j

  2 =1 (14)

  Studi Literatur Analisa Kebutuhan Sistem

  ( − )

  = √∑

  memisahkan antara dua buah kelas. Ukuran jarak ini yang paling umum digunakan. Untuk menentukan nilai jarak dapat digunakan Persamaan 14.

  Euclidean Distance adalah nilai jarak yang

  , dimana i=1,…,jumlah kelas = Nilai data ke-m pada kelas ke-I parameter ke-j = jumlah data pada setiap kelas

  Keterangan: = Gravity Center kelas ke-I parameter ke-j

  =1 (13)

  Gambar 4. Diagram Alir Metodologi Penelitian 4.

PERANCANGAN SISTEM

  Support Vector Machine (BDTSVM). Gambar

  5 merupakan diagram alir proses klasifikasi menggunakan metode Binary Decision Tree

  Support Vector Machine .

  Proses klasifikasi penyakit kulit diawali dengan memberikan masukan berupa data gejala penyakit kulit pada manusia yang diperoleh dari Puskesmas Dinoyo Kota Malang. Proses pembentukan kelas positif dan negatif menggunakan metode Binary Decision Tree yang diawali dengan menghitung gravity center kemudian menghitung jarak Euclidean distance setelah terbentuk matriks Euclidean Distance selanjutnya membuat pohon biner yaitu dengan mencari jarak terjauh dari hasil matriks Euclidean. Kemudian memisahkan kedua kelas yang memiliki jarak terjauh dimana kelas yang kecil akan mengarah ke kiri yang bernilai

  Pada bagian perancangan menjelaskan mengenai langkah penyelesaian masalah klasifikasi penyakit kulit pada manusia menggunakan metode Binary Decision Tree

METODOLOGI PENELITIAN

  Lokasi penelitian di Puskesmas Dinoyo Kota Malang. Analisis kasus dilakukan dengan cara mengumpulkan data melalui observasi dan wawancara secara langsung dengan tujuan mendapatkan informasi lebih dari pihak yang bersangkutan. Data yang diperoleh berupa data gejala-gejala pada penyakit kulit pada manusia beserta diagnosanya sebanyak 150 data. Data gejala yang digunakan ada 14 gejala dengan 6 jenis penyakit yang sering ditangani yaitu dermatitis, abses, scabies, herpes, urtikaria, serta pioderma.

  Decision Tree Support Vector Machine (BDTSVM).

  Machine (BDTSVM) ditunjukkan pada Gambar

  Metodologi penelitian untuk klasifikasi penyakit kulit pada manusia menggunakan metode Binary Decision Tree Support Vector

  4. Studi literatur difokuskan pada pencarian referensi relevan yang berkaitan dengan permasalahan yang sedang di teliti oleh penulis. Hal ini dilakukan agar peneliti mampu meningkatkan pemahaman dan pengetahuan teori tentang permasalahan yang sedang diteliti. Referensi berupa teori yang didapatkan berkaitan dengan Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary positif dan kelas yang lebih besar mengarah ke kanan yang bernilai negatif. Kemudian kelas yang tersisa akan dicari jarak terdekatnya antara kedua kelas yang memiliki jarak terjauh. Proses tersebut akan terus diulang sampai level terakhir dan masing-masing node hanya terdiri dari 1 kelas. Kemudian untuk proses klasifikasi menggunakan metode Support Vector Machine dari proses training hingga testing dengan menggunakan metode sequential training SVM. Keluaran yang dihasilkan berupa klasifikasi penyakit kulit pada manusia terdiri dari 6 jenis yaitu dermatitis, abses, scabies, herpes, urtikaria dan pioderma.

  Gambar 5. Diagram Alir Proses Klasifikasi Menggunakan Metode BDTSVM

5. PENGUJIAN DAN ANALISIS

  pada nilai parameter lambda digunakan beberapa nilai yaitu 0,5, 100, 1000, 10000, dan 100000. Pada pengujian nilai parameter

  Hasil Klasifikasi Selesai

  Binary Decision Tree Support Vector Machine

  Mulai Data Penyakit Kulit

  10 50 100 150 A kur a si ( % ) Nilai Iterasi Maksimal Pengujian Akurasi Iterasi Maksimal

  2

  95 100

  90

  85

  91,43 97,14 97,14 97,14 97,14

  adalah λ (lambda) = 0,5, C (complexity) = 1, konstanta (gamma) = 0,01, dan itermax = 10.

  sequential training SVM yang digunakan

  sequential training SVM. Untuk pengujian

  Pengujian yang dilakukan pada sistem klasifikasi penyakit kulit pada manusia menggunakan metode Binary Decision Tree

  Pengujian nilai parameter λ (lambda) untuk mengetahui pengaruh tingkat akurasi pada

  5.2 Hasil dan Analisis Pengujian Parameter λ (Lambda)

  Hasil pengujian nilai iterasi maksimal dengan rerata akurasi tertinggi sebesar 97,14% menunjukkan bahwa nilai iterasi maksimal yang semakin besar maka akurasi semakin baik. Pengujian iterasi maksimal berpengaruh pada perubahan nilai alpha dan bias. Pada hasil pengujian untuk jumlah iterasi maksimal 10, 50, 100 dan 150 akurasi cenderung stabil. Namun pada iterasi 4 akurasi sudah tinggi sehingga tidak membutuhkan waktu yang lama untuk mencapai akurasi yang tinggi.

  Berdasarkan hasil grafik pada Gambar 6 bahwa rerata dengan akurasi tertinggi sebesar 97,14% pada nilai iterasi maksimal yaitu 10. Sehingga untuk pengujian selanjutnya digunakan nilai iterasi maksimal yaitu 10.

  Gambar 6. Grafik Tingkat Akurasi Hasil Pengujian Iterasi Maksimal

  (gamma) = 0,01, dan itermax = 10.

  C (complexity) = 1, konstanta

  pada nilai iterasi maksimal digunakan beberapa nilai yaitu 2, 10, 50, 100 dan 150. Pada pengujian nilai parameter sequential training SVM yang digunakan adalah λ (lambda) = 0,5,

  sequential training SVM. Untuk pengujian

  Pengujian nilai iterasi maksimal untuk mengetahui pengaruh tingkat akurasi pada

  (Complexity), dan pengujian parameter (gamma).

  menggunakan data training. Pengujian yang dilakukan terdiri dari pengujian terhadap jumlah iterasi, penguji an parameter λ (lambda), pengujian parameter

  Support Vector Machine (BDTSVM)

5.1 Hasil dan Analisis Pengujian Nilai Iterasi Maksimal

  Gambar 7. Grafik Tingkat Akurasi Hasil Pengujian Nilai λ (lambda)

5.3 Hasil dan Analisis Pengujian Parameter

  90

  (Gamma) yang semakin besar maka nilai learning rate semakin besar dimana learning rate merupakan laju pembelajaran sehingga jika proses pembelajaran semakin cepat maka ketelitian sistem semakin berkurang dan akurasi cenderung menurun. Sebaliknya jika nilai

  learning rate semakin kecil maka ketelitian sistem semakin besar dan akurasi semakin baik.

  97,14

  90 81,44 88,58 85,72

  70

  80

  90 100 A kur a si ( % ) Nilai λ Pengujian Akurasi Nilai λ (lambda)

  90 85,72 97,14

  90

  (Gamma) yaitu 0,01. Hasil pengujian parameter

  80

  90 100 0,0001 0,001 0,01 0,1

  kur a si ( % ) Nilai C Pengujian Akurasi Nilai (Complexity) 92,86 97,14 80,01

  60 54,29 50 100

  150 0,001 0,01 0,1

  1

  10 A ku ra si ( % ) Nilai Pengujian Akurasi Nilai (Gamma)

  (Gamma) dengan rerata akurasi tertinggi sebesar 97,14% menunjukkan bahwa nilai konstanta

  Berdasarkan hasil grafik pada Gambar 9 bahwa rerata dengan akurasi tertinggi sebesar 97,14% pada nilai (Gamma) yaitu 0,01. Sehingga untuk pengujian selanjutnya digunakan nilai

  Berdasarkan hasil grafik pada Gambar 7 bahwa rerata dengan akurasi tertinggi sebesar 97,14% pada nilai λ (lambda) yaitu 0,5. Sehingga untuk pengujian selanjutnya digunakan nilai λ (lambda) yaitu 0,5.

  Berdasarkan hasil grafik pada Gambar 8 bahwa rerata dengan akurasi tertinggi sebesar 97,14% pada nilai C (Complexity) yaitu 1.

  Hasil pengujian parameter λ (lambda) dengan rerata akurasi tertinggi sebesar 97,14% menunjukkan bahwa semakin besar nilai λ (lambda) maka akurasi cenderung menurun. Sebaliknya semakin kecil nilai λ (lambda) maka akurasi semakin besar, hal tersebut dikarenakan saat nilai

  λ (lambda) kecil maka membuat lebar

  margin mengecil dan titik bergerak dari dalam margin menuju luar margin dan akan

  mendapatkan hyperplane yang baik.

   (Complexity) Pengujian nilai parameter C (Complexity) untuk mengetahui pengaruh tingkat akurasi pada sequential training SVM. Untuk pengujian pada nilai parameter C (Complexity) digunakan beberapa nilai yaitu 0,0001, 0,001, 0,01, 0,1 dan 1. Pada pengujian nilai parameter

  sequential training SVM yang digunakan

  adalah λ (lambda) = 0,5, C (complexity) = 1, konstanta (gamma) = 0,01, dan itermax = 10.

  Gambar 8. Grafik Tingkat Akurasi Hasil Pengujian Nilai C (Complexity)

  Sehingga untuk pengujian selanjutnya digunakan nilai C (Complexity) yaitu 1.

  Gambar 9. Grafik Tingkat Akurasi Hasil Pengujian Nilai (Gamma)

  Hasil pengujian parameter C (Complexity) dengan rerata akurasi tertinggi sebesar 97,14% menunjukkan bahwa nilai parameter C (Complexity) yang mendekati nilai 0 maka akurasi cenderung menurun. Nilai parameter C semakin besar membuat waktu komputasi semakin lama untuk proses training data tetapi nilai akurasi semakin baik. Nilai parameter C memberikan penalti yang besar pada titik data yang melewati bidang pemisah, sehingga dapat menghindari kesalahan klasifikasi.

  5.4 Hasil dan Analisis Pengujian Parameter

   (Gamma) Pengujian nilai parameter

  (Gamma) untuk mengetahui pengaruh tingkat akurasi pada

  sequential training SVM. Untuk pengujian

  pada nilai parameter (Gamma) digunakan beberapa nilai yaitu 0,001, 0,01, 0,1, 1 dan 10.

  Pada pengujian nilai parameter sequential

  training

  SVM yang digunakan adalah λ (lambda) = 0,5, C (complexity) = 1, konstanta (gamma) = 0,01, dan itermax = 10.

1 A

  . Teknik 6.

  Menggunakan Visual Basic 2010 KESIMPULAN Informatika Universitas Semarang.

  Berdasarkan pada hasil perancangan, implementasi, pengujian dan analisis yang telah Maryunani, A., 2010. Kamus Perawat: Definisi dilakukan pada sistem Klasifikasi Penyakit

  Istilah dan Singkatan Kata-Kata dalam

  Kulit Pada Manusia Menggunakan Metode Keperawatan . Jakarta: CV.Trans Info Binary Decision Tree Support Vector Machine Media. (BDTSVM). Sehingga dapat disimpulkan

  Meshram, A., Roopam, G dan Sanjeev, S., sebagai berikut ini: 2014. Advance Probabilistic Binary

  Decision Tree using SVM . School of

  1. Metode Binary Decision Tree Support

  Information Technology UTD, RGPV, Vector Machine dapat diimplementasikan

  Bhopal, M.P., India. dengan baik untuk menyelesaikan masalah klasifikasi penyakit kulit pada manusia.

  Muis, I.A., 2015. Penerapan Metode Support Banyaknya jumlah data dapat

  Vector Machine (SVM) Menggunakan

  mempengaruhi hasil akurasi pada proses

  Kernel Radial Basis Function (RBF) klasifikasi. Pada Klasifikasi Tweet . Jurusan teknik

  Informatika, Fakultas Sains dan

  2. Pada permasalahan klasifikasi penyakit kulit Teknologi, UIN Sultan Syarif Kasim pada manusia menggunakan metode Riau.

  BDTSVM digunakan data sebanyak 150

  Nuraeni, F., 2016. Aplikasi Pakar Untuk data. Perubahan nilai , nilai bias dan akurasi dipengaruhi pada pemilihan Diagnosa Penyakit Kulit Menggunakan parameter

  Metode Forward Chaining Di Al Arif

  λ (lambda), C (complexity),

  Skin Care Kabupaten Ciamis. Teknik

  konstanta (gamma), (epsilon) pada metode sequential training SVM. Informatika STMIK Tasikmalaya.

  Berdasarkan hasil pengujian didapatkan nilai Pardiansyah, R., 2015. Association Between akurasi terbaik sebesar 97,14% dengan

  Personal Protective Equipment With

  pengujian parameter SVM yaitu nilai λ

  the Irritant Contact Dermatitis in

  (lambda) = 0,5, C (complexity) = 1,

  Scavengers . Faculty of Medicine,

  konstanta (gamma) = 0,01, dan itermax = Lampung University .

  10. Prativi, G.S., M. Yunita, I dan Linda, S.B., 2013. Hubungan Pengetahuan Dengan 7.

DAFTAR PUSTAKA

  Sikap Keluarga Dalam Mencegah

  Cholissodin, I., Maya Kurniawati., Indriati., dan Kejadian Skabies Di Desa Laksana Mekar .

  Issa Arwani., 2014. Classification of

  campus e-complaint documents using Putri, E., Diyah, P dan Andre, M., 2015. Directed Acyclic Graph Multi-class Identifikasi Tanda Tangan Dengan SVM based on analytic hierarchy Pendekatan Support Vector Machine . process . Universitas Brawijaya,

  Program Studi Teknik Informatika, Malang. Fakultas Teknik, Universitas Bengkulu. Feng-Chia, L., 2009. Comparison Of The

  Sembiring, K., 2007. Penerapan Teknik

  Primitive Classifiers Without Features Support Vector Machine Untuk Selection in Credit Scoring .

  Pendeteksian Intrusi Pada Jaringan . S1 Management and Service Science .

  Teknik Informatika, Sekolah Teknik Fitria., 2013. Aspek Etiologi dan Klinis Pada Elektro dan Informatika, ITB.

  Urtikaria dan Angioedema . Fakultas Kedokteran Universitas Syiah Kuala.

  Kementerian Kesehatan Indonesia, 2010. Profil Kesehatan Indonesia Tahun 2009 .

  Jakarta: Kementerian Kesehatan RI. Mahardika, A.P., 2013. Sistem Pakar

  Mendeteksi Penyakit Dalam Dengan Metode Backward Chaining