Identifikasi penyakit Tuberkulosis ( TB ) pada manusia menggunakan metode Naive Bayesian.

Dalam dunia kesehatan mendiagnosis suatu penyakit adalah tindakan yang harus dilakukan sedini mungkin agar penyakit yang ditemukan pada tubuh pasien dapat segera diobati, sehingga tidak menimbulkan kematian. Penyakit Tuberkulosis (TB) merupakan penyakit yang dapat menimbulkan kematian jika tidak diketahui dan tidak diobati secara rutin. Oleh karena itu, untuk mengurangi angka kematian dari penderita Tuberkulosis, pakar kesehatan harus mendiagnosis penyakit TB sedini mungkin.

Dari data gejala utama, hasil pemeriksaan laboratorium dan hasil rontgen dapat dimanfaatkan untuk diolah menggunakan teknik penambangan data dengan menggunakan metode Naïve Bayesian. Metode Naïve Bayesian akan menghitung probabilitas untuk setiap nilai kejadian dari atribut target pada setiap kasus (sampel data). Selanjutnya, Naïve Bayesian akan mengelompokkan sampel data tersebut ke kelas yang mempunyai nilai probabilitas paling tinggi.

Keluaran dari sistem adalah sebuah identifikasi atau sebuah prediksi jenis TB yang diderita oleh pasien berdasarkan lokasi anatomi yang terserang TB yaitu TB Paru, TB Ekstra Paru dan tidak TB. Peneliti melakukan pengujian dengan data sebanyak 237 data dan menggunakan fold bernilai 3, 5, 7 dan 9. Pengujian dilakukan sebanyak 24 kali dengan rata-rata akurasi tertinggi sebesar 85,95 %.

In the world of health diagnosing a disease is an act that should be done as early as possible in order for the disease were found can be treated immediately, so it won’t cause a death. Tuberculosis (TB) is a disease that can cause a death if unrecognized or treated regularly. Therefore, to reduce the death rate of tuberculosis sufferers, the health experts have to diagnose it as early as possible.

Based on the main indication data, laboratory test results and the results of rontgen can be used to be proceed with the data mining techniques using Naïve Bayesian method. It will calculate the probability for each case values of the target attribute in every case (sample data). Next, this method will classify the sample data to the class which has the highest probability value.

The output of the system is an identification or a prediction of a type of Tuberculosis that suffered by the patients. Researcher conducted a testing with the data of 237 and using fold in 3, 5, 7 and 9. The tests were done 24 times with the highest average 85,95%.

i

IDENTIFIKASI PENYAKIT TUBERKULOSIS ( TB ) PADA MANUSIA MENGGUNAKAN METODE NAÏVE BAYESIAN

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Agustin Trihartati S. NIM : 125314141

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

ii

THE IDENTIFICATION OF TUBERCULOSIS ( TB ) DISEASE IN HUMANS USING NAÏVE BAYESIAN METHOD

A THESIS

Presented as Partial FulFillment of the Requirements To Obtain the Sarjana Komputer Degree

In Informatics Engineering Department

By :

Agustin Trihartati S Student ID : 125314141

INFORMATICS ENGINEERING STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY YOGYAKARTA

v

HALAMAN PERSEMBAHAN

Segala perkara dapat ku tanggung di dalam Dia yang memberi kekuatan kepadaku.

Filipi 4 : 13

Skripsi ini kupersembahkan untuk : Tuhan Yesus Kristus

Keluargaku

viii

ABSTRAK

Dalam dunia kesehatan mendiagnosis suatu penyakit adalah tindakan yang harus dilakukan sedini mungkin agar penyakit yang ditemukan pada tubuh pasien dapat segera diobati, sehingga tidak menimbulkan kematian. Penyakit Tuberkulosis (TB) merupakan penyakit yang dapat menimbulkan kematian jika tidak diketahui dan tidak diobati secara rutin. Oleh karena itu, untuk mengurangi angka kematian dari penderita Tuberkulosis, pakar kesehatan harus mendiagnosis penyakit TB sedini mungkin.

Dari data gejala utama, hasil pemeriksaan laboratorium dan hasil rontgen dapat dimanfaatkan untuk diolah menggunakan teknik penambangan data dengan menggunakan metode Naïve Bayesian. Metode Naïve Bayesian akan menghitung probabilitas untuk setiap nilai kejadian dari atribut target pada setiap kasus (sampel data). Selanjutnya, Naïve Bayesian akan mengelompokkan sampel data tersebut ke kelas yang mempunyai nilai probabilitas paling tinggi.

Keluaran dari sistem adalah sebuah identifikasi atau sebuah prediksi jenis TB yang diderita oleh pasien berdasarkan lokasi anatomi yang terserang TB yaitu TB Paru, TB Ekstra Paru dan tidak TB. Peneliti melakukan pengujian dengan data sebanyak 237 data dan menggunakan fold bernilai 3, 5, 7 dan 9. Pengujian dilakukan sebanyak 24 kali dengan rata-rata akurasi tertinggi sebesar 85,95 %.

ix

ABSTRACT

In the world of health diagnosing a disease is an act that should be done as early as possible in order for the disease were found can be treated

immediately, so it won’t cause a death. Tuberculosis (TB) is a disease that can cause a death if unrecognized or treated regularly. Therefore, to reduce the death rate of tuberculosis sufferers, the health experts have to diagnose it as early as possible.

Based on the main indication data, laboratory test results and the results of rontgen can be used to be proceed with the data mining techniques using Naïve Bayesian method. It will calculate the probability for each case values of the target attribute in every case (sample data). Next, this method will classify the sample data to the class which has the highest probability value.

The output of the system is an identification or a prediction of a type of Tuberculosis that suffered by the patients. Researcher conducted a testing with the data of 237 and using fold in 3, 5, 7 and 9. The tests were done 24 times with the highest average 85,95%.

x

KATA PENGANTAR

Puji syukur kepada Tuhan Yesus atas berkat-Nya yang melimpah sehingga

penulis dapat menyelesaikan skripsi dengan judul “Identifikasi Penyakit Tuberkulosis (TB) Pada Manusia Menggunakan Metode Naïve Bayesian”. Dalam kesempatan ini, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang turut memberikan semangat, dukungan dan bantuan hingga selesainya skripsi ini :

1. Tuhan Yesus Kristus atas segala berkatNya yang melimpah.

2. Romo Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing, terima kasih atas bimbingan, saran, waktu dan kesabaran dalam membimbing dan mengarahkan penulis dalam menyelesaikan tugas akhir ini.

3. Bapak Eko Hari Parmadi, S.Si., M.Kom. selaku Dosen Penguji. 4. Ibu Dr. Anastasia Rita Widiarti selaku Kaprodi dan Dosen Penguji.

5. Bapak Sudi Mungkasi, S.Si., M.Math. Sc., Ph.D. selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.

6. Bapak Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku dosen pembimbing akademik.

7. Seluruh staff pengajar Prodi Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma.

8. Kedua orang tua saya, Yusup Sujana dan Lilis Tinae, terima kasih untuk doa, semangat, perhatian dan dukungan yang diberikan selama perkuliahan.

9. Kedua kakak saya, Susi Ariani S., S.Pd. dan Lusi Anggraeni S., A.md.Kep. terima kasih untuk semangat, doa dan bantuannya yang telah diberikan.

10.Anak saya Johanes Lintang Sinartha, terima kasih untuk pengertian, perhatian yang sudah diberikan.

xi

11.Teman hati saya, Bayu Eko Sutrisno., S.Pd. yang sudah memberikan semangat, dukungan dalam penyelesaianya skripsi ini.

12.Sahabat-sahabatku Ni Putu (peot), Riya (dalah), Monic (mondol) terima kasih untuk pertemanan kita selama perkuliahan ini. Teman-teman kelas D mas Eric, Bagus, Lukas, Vitto, Chandra, Bany, Tegar, Andre terima kasih untuk tawa yang selalu kalian berikan. Teman-teman Teknik Informatika angkatan 2012, terima kasih untuk kesan yang luar biasa selama perkuliahan.

xii

DAFTAR ISI

HALAMAN PERSETUJUAN PEMBIMBING………

Error! Bookmark not defined.

HALAMAN PENGESAHAN………

Error! Bookmark not defined.

HALAMAN PERSEMBAHAN………. iv

PERNYATAAN KEASLIAN KARYA……… Error! Bookmark not defined. LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI……… vi

ABSTRAK……… vii

ABSTRACT………. ix

KATA PENGANTAR……… x

DAFTAR ISI……….xii

DAFTAR GAMBAR……… xiv

DAFTAR TABEL……….xv

BAB I………... 1

PENDAHULUAN……….. 1

1.1 Latar Belakang……….. 1

1.2 Identifikasi Masalah……….. 5

1.3 Rumusan Masalah………. 5

1.4 Tujuan Penelitian……….. 5

1.5 Manfaat Penelitian……… 5

1.6 Batasan Masalah……… 6

1.7 Metodologi Penelitian………... 7

1.8 Sistematika Pembahasan………... 9

BAB II………... 10

LANDASAN TEORI………10

2.1 Tuberkulosis……… 10

2.2 Penambangan Data……….. 13

xiii

2.1.2 Pengelompokan Penambangan Data……… 15

2.1.3 Klasifikasi……… 17

2.3 Klasifikasi Naïve bayesian……….. 18

2.4 Cross Validation……….. 20

2.5 Akurasi dengan Matrixs Confusion……… 20

BAB II………... 22

METODOLOGI PENELITIAN………. 22

3.1 Data………. 22

3.2 Spesifikasi Software dan Hardware……… 25

3.3 Desain Alat Uji……… 25

3.3.1 Preprocessing………... 26

3.3.2 Pembagian Data………... 27

3.3.3 Pemisah Data………28

3.3.4 Modeling……….. 28

3.3.5 Akurasi………. 31

3.4 Desain Pengujian………. 32

BAB IV……….. 36

ANALISA HASIL DAN IMPLEMENTASI SISTEM... 36

4.1 Analisis Hasil……….. 36

4.2 User Interface……….. 39

BAB V... 43

PENUTUP……… 43

5.1 Kesimpulan………. 43

5.2 Saran……… 43

DAFTAR PUSTAKA………... 44

xiv

DAFTAR GAMBAR

GAMBAR2.1 LANGKAH-LANGKAHPENAMBANGANDATA ... 13

GAMBAR2.2 BLOKDIAGRAMMODELKLASIFIKASI ... 17

GAMBAR3.2 DIAGRAMALURPROSESALATUJI ... 25

GAMBAR3.3 DIAGRAMALURPENGUJIAN ... 33

GAMBAR4.1 GRAFIKRATA-RATAAKURASI ... 38

GAMBAR4.2 HALAMANUTAMA ... 39

GAMBAR4.3 HALAMANPRE-PREOCESSING ... 39

GAMBAR4.4 HALAMANPROSES ... 40

GAMBAR4.5 HALAMANCONFUSIONMATRIX ... 40

GAMBAR4.6 HALAMANAKURASI ... 41

GAMBAR4.7 HALAMANGRAFIKAKURASI ... 41

xv

DAFTAR TABEL

TABEL2.1 TABELMATRIXSCONFUSION ... 20

TABEL3.1 CONTOHDATAPASIENTUBERKULOSIS(TB) ... 24

TABEL3.2 CONTOHDATASETELAHTAHAPPRE-PROCESSING ... 27

TABEL3.3 CONTOHDATATRAINING ... 29

TABEL3.4 TABELCONTOHHASILCONFUSIONMATRIX ... 32

TABEL3.5 PEMBAGIAN3FOLD ... 33

TABEL3.6 PEMBAGIAN5FOLD ... 34

TABEL3.7 PEMBAGIAN7FOLD ... 34

TABEL3.8 PEMBAGIAN9FOLD ... 35

1

BAB I

PENDAHULUAN 1.1 Latar Belakang

Tuberkulosis adalah suatu penyakit menular langsung yang disebabkan oleh kuman TB (Mycobacterium tuberculosis). Sebagian besar kuman TB menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya (Petunjuk Teknis Manajemen TB Anak, 2013).

Berdasarkan buku Pedoman Nasional Pengendalian Tuberkulosis (2014), TB sampai saat ini masih merupakan salah satu masalah kesehatan masyarakat di dunia.

Dalam laporan WHO tahun 2013 :

1. Diperkirakan terdapat 8,6 juta kasus TB pada tahun 2012 dimana 1,1 juta orang meninggal (13%) diantaranya adalah pasien TB dengan HIV positif. Sekitar 75% dari pasien tersebut berada di wilayah Afrika.

2. Pada tahun 2012, diperkirakan 450.000 orang menderita TBMDR dan 170.00 orang diantaranya meninggal dunia.

3. Meskipun kasus dan kematian karena TB sebagian besar pada pria tetapi angka kesakitan dan kematian wanita akibat TB juga sangat tinggi. Diperkirakan terdapat 2,9 juta kasus TB pada tahun 2012 dengan jumlah kematian karena TB mencapai 410.000 kasus termasuk diantaranya adalah 160.000 orang wanita dengan HIV positif. Separuh dari orang dengan HIV positif yang meninggal karena TB pada tahun 2012 adalah wanita.

4. Pada tahun 2012 diperkirakan proporsi kasus TB diantara seluruh kasus TB secara global mencapai 6% (530.000 pasien TB anak/ tahun). Sedangkan kematian anak (dengan status HIV negatif) yang menderita TB mencapai 74.000 kematian/ tahun, atau sekitar 8% dari total kematian yang disebabkan TB.

5. Meskipun jumlah kasus TB dan jumlah kematian TB tetap tinggi untuk penyakit yang sebenarnya bisa dicegah dan disembuhkan tetapi fakta juga menunjukkan keberhasilan dalam pengendalian TB. Peningkatan angka indensi TB secara global telah berhasil dihentikan dan telah menunjukkan tren penurunan (turun 2% per tahun pada tahun 2012), angka kematian juga sudah berhasil diturunkan 45% bila dibanding tahun 1990.

TB dapat diklasifikasikan berdasarkan lokasi anatomi atau lokasi organ tubuh yang terserang TB yaitu:

1. Tuberkulosis Paru

Adalah TB yang terjadi pada parenkim (jaringan paru). Milier TB dianggap sebagai TB paru karena adanya lesi pada jaringan paru. Limfadenitis TB rongga dada (hilus dan atau mediastinum) atau efusi pleura tanpa terdapat gambaran radiologis yang mendukung TB pada paru, dinyatakan sebagai TB paru. Pasien yang menderita TB paru dan sekaligus juga menderita TB Ekstra paru, diklasifikasikan sebagai pasien TB paru.

2. Tuberkulosis Ekstra Paru

Adalah TB yang terjadi pada organ selain paru, misalnya : pleura, kelenjar limfe, abdomen, saluran kencing, kulit, sendi, selaput otak dan tulang. Diagnosis TB Ekstra paru dapat ditetapkan berdasarkan hasil pemeriksaan bakteriologis atau klinis. Diagnosis TB Ekstra paru harus diupayakan berdasarkan penemuan Mycobacterium tuberculosis. Pasien TB Ekstra Paru yang menderita TB pada beberapa organ, diklasifikasikan sebagai pasien TB Ekstra Paru. TB umumnya terjadi pada paru (TB Paru). Namun, penyebaran melalui aliran darah atau getah bening dapat menyebabkan terjadinya TB diluar organ paru (TB Ekstra Paru). Oleh karena itu, penelitian ini hanya meneliti tentang klasifikasi TB berdasarkan lokasi anatomi dari penyakit yaitu TB Paru, TB Ekstra Paru dan tidak TB.

Gejala utama pasien TB adalah batuk berdahak selama 2 minggu atau lebih. Batuk dapat diikuti dengan gejala tambahan yaitu dahak bercampur darah, batuk darah, sesak nafas, badan lemas, nafsu makan turun, berat badan menurun, malaise, berkeringat malam hari tanpa kegiatan fisik, demam meriang lebih dari satu bulan. Gejala-gejala tersebut dapat dijumpai pula pada penyakit paru selain TB, seperti bronkiektasi, bronchitis kronis, asma, kanker paru, dan lain-lain. Mengingat penderita TB di Indonesia saat ini masih tinggi, maka setiap orang yang datang dengan gejala tersebut diatas, dianggap sebagai seorang terduga pasien TB, dan perlu dilakukan pemeriksaan dahak secara mikroskopis langsung. Pemeriksaan dahak salah satunya berfungsi untuk menegakkan diagnosis. Jika pemeriksaan mikroskopis bernilai negatif maka harus dilaksanakan pemeriksaan foto rontgen yang mendukung adanya TB.

Indonesia telah mencapai kemajuan yang bermakna dalam upaya pengandalian TB, namun perlu diwaspadai karena masih ada beberapa tantangan utama yang harus dihadapi agar tidak menghambat laju pencapaian target program selanjutnya. Salah satu tantangan terbesar yang

harus dihadapi adalah masih banyak kasus TB yang “hilang” atau tidak

terlaporkan ke program. Pada tahun 2012 diperkirakan ada sekitar 130.000 kasus TB yang diperkirakan ada tetapi belum terlaporkan. Pada tahun 2013 muncul usulan dari beberapa negara anggota WHO yang mengusulkan adanya strategi baru untuk mengendalikan TB yang mampu menahan laju infeksi baru, mencegah kematian akibat TB, mengurangi dampak ekonomi akibat TB dan mampu meletakkan landasan kearah eliminasi TB. Strategi tersebut dituangkan dalam 3 pilar strategi utama dan komponen-komponennya. Salah satu komponen dari strategi tersebut adalah diagnosis TB sedini mungkin. Penelitian ini akan mencoba mengidentifikasi penyakit TB sedini mungkin dengan gejala utama yang diderita pasien, hasil pemeriksaan laboratorium dan hasil rontgen.

Data yang digunakan adalah data rekam medis yang dimiliki oleh Puskesmas yang nantinya akan diolah dan dianalisis untuk melihat ciri-ciri

penderita TB. Dari pengolahan data tersebut akan diperoleh suatu pola gejala, hasil pemeriksaan dahak di laboratorium dan hasil rontgen yang dimiliki oleh penderita TB. Untuk pengolahan data rekam medis, hasil pemeriksaan dahak dan hasil rontgen digunakanlah suatu teknologi data mining salah satunya Naïve Bayesian. Data mining yang dimaksud untuk memberikan hasil dalam pengambilan keputusan di dunia kesehatan untuk mengidentifikasi suatu penyakit.

Naïve Bayesian merupakan salah satu metode data mining yang digunakan pada persoalan klasifikasi berdasarkan pada penerapan teorema bayesian. Metode Naïve Bayesian akan menghitung probabilitas untuk setiap nilai kejadian dari atribut target pada setiap sampel data. Selanjutnya, Naïve Bayesian akan mengklasifikasikan sampel data tersebut ke kelas yang mempunyai nilai probabilitas tertinggi. Penerapan metode Naïve Bayesian ini diharapkan dapat membantu menghitung probabilitas pada sampel data untuk mengidentifikasi adanya penyakit Tuberkulosis (TB) pada manusia.

Pada penelitian sebelumnya sudah dilakukan penelitian kasus TB dengan metode yang sama yaitu metode Naïve Bayesian. Pada penelitian tersebut, peneliti sudah mengelompokkan TB ke dalam beberapa kelompok yaitu Pulmonary TB yang merupakan TB Paru, TB miningitis,TB Lymphadenopathy, TB Pleurisy, TB of the Spine, Urogenital TByang merupakan TB Ekstra Paru. Data yang digunakan pada penelitian sebelumnya adalah data set, dengan studi kasus daerah Eropa. Pada penelitian ini, peneliti mencoba menggunakan algoritma yang sama, dan data yang digunakan merupakan data gejala utama pasien, hasil pemeriksaan dahak dan hasil rontgen penderita TB berdasarkan buku Pedoman Nasional Pengendalian Tuberkulosis (2014). Hasil pengelompokan dari penelitian ini adalah pengelompokkan berdasarkan lokasi anatomi atau lokasi organ tubuh yang terserang TB yaitu TB Paru, TB Ekstra Paru dan Tidak TB.

1.2 Identifikasi Masalah

Berdasarkan latar belakang yang telah diuraikan diatas, maka dapat diidentifikasi permasalahan untuk penelitian ini adalah :

1. Perlunya mengetahui apakah metode Naïve Bayesian dapat mengidentifikasi penyakit Tuberkolusis dengan baik.

1.3 Rumusan Masalah

1. Bagaimana merancang dan membangun metode Naïve Bayesian untuk mengidentifikasi adanya penyakit Tuberkulosis (TB) pada manusia berdasarkan gejala, hasil pemeriksaan dahak di laboratorium dan hasil rontgen?

2. Bagaimana tingkat keakuratan prediksi yang dihasilkan dalam mengidentifikasi adanya penyakit Tuberkulosis ( TB ) pada manusia berdasarkan gejala, hasil pemeriksaan dahak di laboratorium dan hasil rontgen?

1.4 Tujuan Penelitian

Tujuan dari penelitian tugas akhir ini adalah bagaimana merancang dan membangun metode Naïve Bayesian sebagai salah satu metode dalam data mining untuk membantu mengidentifikasi adanya penyakit Tuberkulosis (TB) pada manusia berdasarkan gejala utama, hasil laboratorium dan hasil rontgen.

1.5 Manfaat Penelitian

Mengetahui bagaimana metode Naïve Bayesian dapat diterapkan untuk mengidentifikasi penyakit Tuberkolusis (TB) pada manusia berdasarkan gejala utama, hasil laboratorium dan hasil rontgen.

1.6 Batasan Masalah

Dalam identifikasi yang akan dilakukan dalam tugas akhir ini memiliki batasan-batasan masalah, sebagai berikut :

1. Data yang diolah hanya data yang berhubungan dengan penyakit pernapasan khususnya penyakit Tuberkolusis (TB).

2. Sumber data yang digunakan ialah data pasien penyakit TB Paru dan TB Ekstra paru dan pasien tidak menderita TB hanya berdasarkan data status rekam medis milik beberapa Puskesmas di Kabupaten Kulon Progo yaitu dilihat dari gejala, hasil pemeriksaan dahak di laboratorium serta hasil rontgen.

3. Pengelompokkan identifikasi penyakit Tuberkulosis ( TB ) hanya berdasarkan klasifikasi secara anatomi atau lokasi organ tubuh yang diserang yaitu TB Paru, TB Ekstra Paru dan Tidak TB

4. Data yang digunakan adalah data excel.

5. Metode yang akan digunakan untuk mengidentifikasi penyakit TB adalah Metode Naïve Bayesian Classification.

6. Berdasarkan input data gejala, hasil pemeriksaan dahak di laboratorium dan hasil rontgen, output program ini adalah identifikasi untuk pasien yaitu menderita penyakit TB Paru atau TB Ekstra Paru atau tidak menderita TB, serta tingkat keakuratan prediksi yang dihasilkan.

1.7 Metodologi Penelitian

Dalam penyelesaian tugas akhir yang berjudul identifikasi penyakit tuberkulosis ( TB ) pada manusia menggunakan metode Naïve Bayesian, akan ditempuh langkah-langkah sebagai berikut :

1. Studi Pustaka

a. Penelitian pustaka, yaitu dengan memperlajari hal-hal yang berkaitan dengan Data Mining metode Naïve Bayesian, dengan mengumpulkan dan mempelajari informasi dari buku-buku, artikel dan website internet.

b. Interview, yaitu dengan melakukan konsultasi atau tanya jawab dengan orang-orang yang memiliki pengetahuan dan wawasan yang berhubungan dengan topik tugas akhir ini.

2. Pengumpulan Data

Metodologi yang kedua adalah pengumpulan data. Data yang digunakan dalam penelitian ini bersumber dari rekam medis pasien TB Paru, TB Ekstra Paru dan tidak TB dibeberapa puskesmas di Kabupaten Kulon Progo.

3. Pembuatan Alat Uji

Metodologi yang ketiga adalah pembuatan alat uji. Pembuatan alat uji dilakukan dengan teknik penambangan data yang langkah-langkahnya seperti dibawah ini :

a. Pembersihan data, menghilangkan noise, dan data yang tidak konsisten.

b. Integrasi data, menggabungkan data dari berbagai sumber data yang berbeda (data rekam medis, data hasil pemeriksaan dahak di laboratorium dan data rontgen).

c. Seleksi data dan transformasi data, untuk menentukan kualitas dari hasil data mining, sehingga data diubah menjadi bentuk yang sesuai untuk di-mining.

d. Penerapan teknik data mining, teknik yang digunakan adalah teknik Naïve Bayesian.

e. Evaluasi pola yang ditentukan, menampilkan hasil dari teknik data mining berupa pola yang khas maupun mengukur akurasi. f. Presentasi pengetahuan, merupakan tahap terakhir dari proses

data mining yaitu memformulasikan keputusan atau aksi dari hasil analisa yang didapat.

4. Pengujian dan Analisis Hasil

Metodologi yang keempat adalah pengujian dan analisis hasil. Alat uji yang telah dibuat akan diuji menggunakan data TB dan selanjutkan hasil dari pengujian akan dianalisis.

5. Pembuatan Dokumen

Metodologi yang terakhir adalah pembuatan dokumen berdasarkan semua metodologi penelitian yang sudah dilakukan.

1.8 Sistematika Pembahasan

Bab I. Pendahuluan

Dalam bab ini berisi tentang latar belakang masalah, identifikasi masalah, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian, serta sistematika penulisan.

Bab II. Landasan Teori

Dalam bab ini berisi tentang teori yang dapat menunjang penelitian, yaitu berupa pengertian penambangan data, proses penambangan data, klasifikasi dan metode Naïve Bayesian.

Bab III. Analisa dan Perancangan Sistem

Dalam bab ini berisi tentang cara penerapan konsep dasar yang telah diuraikan pada Bab II untuk menganalisis dan merancang tentang sistem sesuai tahap-tahap penyelesaian masalah tersebut dengan menggunakan metode Naïve Bayesian.

Bab IV. Implementasi dan Analisa Sistem

Dalam bab ini berisi tentang implementasi ke program komputer berdasarkan hasil perancangan yang dibuat, analisis perangkat lunak yang telah dibuat.

Bab V. Penutup

Dalam bab ini berisi tentang kesimpulan dan saran dari keseluruhan penulisan tugas akhir.

10

BAB II

LANDASAN TEORI

Pada bab ini akan dibahas mengenai teori-teori yang digunakan untuk mendukung penulisan tugas akhir identifikasi penyakit tuberkulosis ( TB ) pada manusia menggunakan metode Naïve Bayesian.

2.1 Tuberkulosis

Tuberkulosis adalah suatu penyakit menular langsung yang disebabkan oleh kuman TB (Mycobacterium tuberculosis). Sebagian besar kuman TB menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya (Petunjuk Teknis Manajemen TB Anak, 2013).

Berdasarkan buku Pedoman Nasional Penanggulangan Tuberkulosis (2014), TB dapat diklasifikasikan berdasarkan lokasi anatomi dari penyakit atau lokasi organ tubuh yang diserang yaitu:

1. Tuberkulosis Paru

Adalah TB yang terjadi pada parenkim ( jaringan paru ). Milier TB dianggap sebagai TB paru karena adanya lesi pada jaringan paru. Limfadenitis TB rongga dada ( hilus dan atau mediastinum ) atau efusi pleura tanpa terdapat gambaran radiologis yang mendukung TB pada paru, dinyatakan sebagai TB paru. Pasien yang menderita TB paru dan sekaligus juga menderita TB Ekstra paru, diklasifikasikan sebagai pasien TB paru.

2. Tuberkulosis Ekstra Paru

Adalah TB yang terjadi pada organ selain paru, misalnya : pleura, kelenjar limfe, abdomen, saluran kencing, kulit, sendi, selaput otak dan tulang. Diagnosis TB paru dapat ditetapkan berdasarkan hasil pemeriksaan bakteriologis atau klinis.Diagnosis TB Ekstra paru harus diupayakan berdasarkan penemuan Mycobacterium tuberculosis.

TB umumnya terjadi pada paru ( TB Paru ). Namun, penyebaran melalui aliran darah atau getah bening dapat menyebabkan terjadinya TB diluar organ paru ( TB Ekstra Paru ).

Gejala utama pasien TB adalah batuk berdahak selama 2 minggu atau lebih. Batuk dapat diikuti dengan gejala tambahan yaitu dahak bercampur darah, batuk darah, sesak nafas, badan lemas, nafsu makan turun, berat badan menurun, malaise, berkeringat malam hari tanpa kegiatan fisik, demam meriang lebih dari satu bulan. Gejala-gejala tersebut dapat dijumpai pula pada penyakit paru selain TB, seperti bronkiektasi, bronchitis kronis, asma, kanker paru, dan lain-lain. Mengingat penderita TB di Indonesia saat ini masih tinggi, maka setiap orang yang datang dengan gejala tersebut diatas, dianggap sebagai seorang terduga pasien TB, dan perlu dilakukan pemeriksaan dahak secara mikroskopis langsung. Pemeriksaan dahak berfungsi untuk menegakkan diagnosis, menilai keberhasilan pengobatan dan menentukan potensi penularan. Pemeriksaan dahak untuk penegakan diagnosis dilakukan dengan mengumpulkan 3 contoh uji dahak yang dikumpulkan dalam dua hari kunjungan yang berurutan berupa dahak Sewaktu-Pagi-Sewaktu ( SPS ) :

1. S ( sewaktu ) : dahak ditampung pada saat terduga pasien TB datang berkunjung pertama kali ke fasyankes. Pada saat pulang, terduga pasien membawa sebuah pot dahak untuk menampung dahak pagi pada hari kedua.

2. P ( pagi ) : dahak ditampung dirumah pada pagi hari kedua, segera setelah bangun tidur. Pot dibawa dan diserahkan sendiri kepada petugas di fasyankes.

3. S ( sewaktu ) : dahak ditampung di fasyankes pada kedua, saat menyerahkan dahak pagi.

Pasien ditetapkan sebagai pasien TB apabila minimal 1 ( satu ) dari pemeriksaan contoh uji dahak SPS hasilnya BTA ( Bakteri Tahan Asam ) positif.

Berikut ini adalah diagnosis tuberculosis pada orang dewasa : 1. Diagnosis TB Paru

a. Dalam upaya pengendalian TB secara Nasional, maka diagnosis TB Paru pada orang dewasa harus ditegakkan terlebih dahulu dengan pemeriksaan bateriologis. Pemeriksaan bateriologis yang dimaksud adalah pemeriksaan mikroskopis langsung, biakan dan tes cepat. b. Apabila pemeriksaan secara bateriologi hasilnya

negatif,maka penegakan diagnosis TB dapat dilakukan secara klinis(pemeriksaan tubuh pasien) menggunakan hasil pemeriksaan klinis dan penunjang (setidak-tidaknya pemeriksaan foto rontgen) yang sesuai dan ditetapkan oleh dokter yang telah terlatih TB.

c. Untuk kepentingan diagnosis dengan cara pemeriksaan dahak secara mikroskopis langsung, terduga pasien TB diperiksa contoh uji dahak SPS (Sewaktu-Pagi-Sewaktu). d. Ditetapkan sebagian pasien TB apabila minimal 1 (satu)

dari pemeriksaan contoh uji dahak SPS hasilnya BTA positif.

2. Diagnosis TB Ekstra paru

a. Diagnosis pada pasien TB Ekstra paru ditegakkan dengan pemeriksaan klinis (pemeriksaan tubuh pasien), bakteriologis (pemeriksaan berdasarkan bakteri) dan atas hiptopatologis (pengamatan terhadap jaringan yang terserang) dari contoh uji yang diambil dari organ tubuh yang terkena.

b. Dilakukan pemeriksaan bakteriologis juga apabila juga ditemukan keluhan dan gejala yang sesuai, untuk menemukan kemungkinan adanya TB paru.

2.2 Penambangan Data

2.1.1 Pengertian Penambangan Data

Data mining, sering juga disebut knowledge discovery in database (KDD), adalah kegiatan yang meliputi kegiatan pengumpulan, pemakaian data histori untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar (Santosa, 2007).

Data mining mengacu pada mining knowledge dari data dalam jumlah besar (Han & Kamber, 2006). Secara umum data mining di kenal dengan proses Knowledge Discovery from Data (KDD). Proses KDD tersebut ditunjukkan pada gambar 2.1 sebagai berikut :

GAMBAR 2.1 LANGKAH-LANGKAH PENAMBANGAN DATA (Han & Kamber, 2006)

1. Pembersihan data (data cleaning)

Pada langkah ini noise dan data yang tidak konsisten akan dihapus. Di dalam langkah pembersihan data terdapat proses deteksi ketidakcocokan data.

2. Integrasi data (data integration)

Pada langkah ini dilakukan penggabungan dari beberapa data yang berbeda. Data dari bermacam-macam sumber tempat penyimpanan data akan digabungkan ke dalam satu tempat penyimpanan data yang sesuai. Hal yang perlu diperhatikan saat melakukan integrasi data adalah masalah struktur data.

3. Seleksi data (data selection)

Data yang relevan akan diambil dari basis data untuk dianalisis. Pada langkah ini akan dilakukan analisis korelasi untuk analisis gejala. Atribut - atribut data akan dicek apakah relevan untuk dilakukan penambangan data. Atribut yang tidak relevan tersebut tidak akan digunakan. Atribut yang diharapkan adalah atribut yang bersifat independen. Artinya, antara atribut satu dengan atribut yang lain tidak saling mempengaruhi.

4. Transformasi data (data transformation)

Data ditransformasikan ke dalam bentuk yang tepat untuk ditambang. Data ditransformasikan ke dalam bentuk yang tepat untuk ditambang. Yang termasuk dalam langkah transformasi data adalah penghalusan (smoothing) yaitu menghilangkan noise yang ada pada data, pengumpulan (aggregation) yaitu mengaplikasikan kesimpulan pada data, generalisasi (generalization) yaitu mengganti data level rendah menjadi data level tinggi, (normalization) yaitu mengemas data atribut ke dalam skala kecil. Dan konstruksi atribut (attribute construction/feature construction ) yaitu mengkonstruksi dan menambahkan atribut baru untuk membantu proses penambangan. Selanjutnya dilakukan binerisasi yaitu mengkonversi dari sebuah file yang berbentuk teks menjadi

nilai 0 -1. Hasil binerisasi adalah berupa vektor baris yang bernilai 0 -1 untuk tiap elemennya.

5. Penambangan data (data mining)

Langkah ini adalah langkah yang paling penting yaitu melakukan pengaplikasian metode yang tepat untuk mengk pola data.

6. Evaluasi pola (pattern evaluation)

Pada langkah ini akan dilakukan identifikasi pola yang benar dan menarik. Pola tersebut akan dipresentasikan dalam bentuk pengetahuan berdasarkan beberapa pengukuran yang penting. 7. Presentasi pengetahuan (knowledge presentation)

Pada langkah ini informasi yang sudah ditambang akan divisualisasikan dan dipresentasikan kepada pengguna.

2.1.2 Pengelompokan Penambangan Data

Berdasarkan buku Algoritma Data Mining (2009), Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dilakukan, yaitu (Lasore,2005) :

1. Deskripsi

Terkadang penelitian dan analis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap

yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang.

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori.Sebagai contoh, penggolongan pendataan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

5. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengetimasi, atau memprediksi nilai dari variabel target. Akan tetapi, metode pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu.Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.

2.1.3 Klasifikasi

Klasifikasi merupakan proses pembelajaran suatu fungsi tujuan (target) f yang memetakan tiap himpunan atribut x ke satu dari label kelas y yang didefinisikan sebelumya. Fungsi target disebut juga model klasifikasi.

GAMBAR 2.2 BLOK DIAGRAM MODEL KLASIFIKASI Ada dua jenis model Klasifikasi, yaitu :

a. Pemodelan Deskriptif (descriptive modelling) : Model klasifikasi yang dapat berfungsi sebagai suatu alat penjelasan untuk membedakan objek-objek dalam kelas-kelas yang berbeda.

b. Pemodelan Prediktif (predictive modelling) : Model klasifikasi yang dapat digunakan untuk memprediksi label kelas record yang tidak diketahui.

Teknik Klasifikasi cocok untuk memprediksi atau menggambarkan data-set dengan tipe biner dan nominal (Hermawati,2013).

2.3 Klasifikasi Naïve bayesian

Klasifikasi Naïve Bayesian merupakan salah satu algoritma yang terdapat pada teknik klasifikasi. Klasifikasi Naïve Bayesian adalah suatu metode yang didasarkan pada teorema bayes yang ditemukan oleh Thomas Bayes, yaitu memprediksi peluang dimasa depan terhadap pengalaman dimasa sebelumnya dengan menggunakan metode probabilitas dan statistik.Persamaan dari teorema Bayes adalah :

(Tan et al, 2006)

| | (2.1) dalam hal ini :

X = Data dengan class yang belum diketahui (himpunan data

training)

Y = Hipotesis

(Y|X) = Probabilitas posterior, yaitu probabilitas bersyarat dari hipotesis Y berdasarkan kondisi X.

(Y) = Probabilitas prior dari hipotesis Y, yaitu probabilitas bahwa hipotesis Y bernilai benar sebelum data X muncul.

(X) = Probabilitas dari data X

(X|Y) = Probabilitas bersyarat dari X berdasarkan kondisi pada hipotesis Y, dan biasa disebut likehood.

Klasifikasi Naïve Bayesian beranggapan bahwa pengaruh dari nilai atribut pada kelas tertentu tidak bergantung pada nilai-nilai dari atribut lainnya, kondisi seperti ini dinyatakan dengan rumus seperti berikut : (Han & Kamber, 2006)

| (2.2) Keterangan :

X = Himpunan data training Y = Hipotesis

(Y|X) = Probabilitas prior dari hipotesis Y, yaitu probabilitas bersyarat dari hipotesis Y berdasarkan kondisi X

(Y) = Probabilitas prior dari hipotesis Y, yaitu probabilitas bahwa hipotesis Y bernilai benar sebelum data X muncul.

(X) = probabilitas dari data X.

P(X1│Y)P(X2│Y)..P(Xn│Y)P(Y) = Probabilitas dari X1, X2, Xn untuk hipotesis Y, biasa disebut dengan likehood.

Karena P(X) irrelevant, maka untuk mencari peluang hanya menggunakan rumus berikut ini : (Han & Kamber, 2006)

| | | | (2.3) Jika nilai P(Xn|Y) adalah 0, maka nilai P(Y|X) = 0. Maka klasifikasi Naïve Bayesian tidak bisa dilakukan, karena klasifikasi Naïve Bayesian tidak bisa memprediksi record yang salah satu atributnya memiliki probabilitas bersyarat (likehood) = 0. Untuk mengatasi hal tersebut, dilakukan penambahan nilai 1 ke setiap evidence / P(X) dalam perhitungan sehingga probabilitas tidak akan bernilai 0.

2.4 Cross Validation

Pada pendekatan cross validation, setiap data digunakan dalam jumlah yang sama untuk pelatihan dan tepat satu kali untuk pengujian. Bentuk umum pendekatan ini disebut dengan k-fold cross validation, yang memecah set data menjadi k bagian set data dengan ukuran yang sama. Setiap kali berjalan, satu pecahan berperan sebagai set data uji sedangkan pecahan lainnya menjadi set data latih. Prosedur tersebut dilakukan sebanyak k kali sehingga setiap data berkesempatan menjadi data uji tepat satu kali dan menjadi data latih sebanyak k-1 kali. Total error didapatkan dengan menjumlahkan semua error yang didapatkan dari k kali proses (Prasetyo,2014).

2.5 Akurasi dengan Matrixs Confusion

Matrixs confusion merupakan tabel yang mencatat hasil kerja klasifikasi. Contoh matrixs confusion ditunjukkan pada tabel berikut :

TABEL 2.1 TABEL MATRIXS CONFUSION fij kelas hasil prediksi (j)

kelas = 1 kelas = 0

kelas asli(i) kelas = 1 f11 f10

kelas = 0 f01 f00

Tabel 2.1 merupakan contoh matrixs confusion yang melakukan klasifikasi masalah biner (dua kelas) untuk dua kelas, misalnya kelas 0 dan 1. Setiap sel fij dalam matrix menyatakan jumlah record/data dari kelas i yang hasil

prediksinya masuk ke kelas j. Misalnya sel f11 adalah jumlah data dalam

kelas 1 yang secara benar dipetakan ke kelas 1, dan f10 adalah data dalam

kelas 1 yang dipetakan secara salah ke kelas 0. Berdasarkan isi matrixs confusion, maka dapat diketahui jumlah data dari masing-masing kelas yang diprediksi secara benar yaitu ( f11 + f00 ) dan data yang diklasifikasi secara salah yaitu ( f10 + f01 ). Kuantitas matrixs confusion dapat

diringkas menjadi dua nilai, yaitu akurasi dan laju error. Dengan mengetahui jumlah data yang diklasifikasikan secara benar, maka dapat diketahui akurasi hasil prediksi, dan dengan mengetahui jumlah data yang diklasifikasikan secara salah maka dapat diketahui laju error dari prediksi yang dilakukan. Dua kuantitas ini digunakan sebagai matrix kinerja klasifikasi. Untuk menghitung akurasi digunakan formula sebagai berikut :

22

BAB III

METODOLOGI PENELITIAN

Pada bab ini akan dijelaskan analisa data dan analisa sistem yang akan dibuat untuk identifikasi penyakit tuberkulosis ( TB ) pada manusia menggunakan metode Naïve Bayesian.

3.1 Data

Penelitian ini dimulai dengan studi pustaka yang berhubungan dengan metode dan penyakit TB. Selanjutnya adalah proses pengumpulan data. Data yang akan digunakan diambil dari beberapa puskemas di Kabupaten Kulon Progo yang berasal dari rekam medis pasien yang menderita TB Paru, TB Ekstra Paru dan tidak menderita TB tetapi memiliki gejala yang hampir sama dengan TB. Data dari rekam medis akan diolah terlebih dahulu oleh petugas kesehatan untuk menemukan data yang mendukung adanya penyakit TB pada pasien seperti batuk, sesak napas, berat badan turun, demam, batuk darah dan hasil pemeriksaan dahak atau hasil foto rontgen. Jika petugas sudah mengumpulkan data tersebut maka petugas akan membacakan data tersebut kepada peneliti, sehingga data yang didapat oleh peneliti sudah siap untuk diolah.

Untuk mengidentifikasi dini penyakit TB dapat dikaji dari gejala-gejala yang dialami, seperti batuk lebih dari 2 minggu, demam, berat badan turun, sesak napas dan batuk berdarah. Selain itu, pada data rekam medis juga disimpan data hasil pemeriksaan laboratorium pasien dan hasil pemeriksaan foto rontgen. Hasil pemeriksaan laboratorium berbentuk data dengan keterangan negatif (-), positif (+1, +2, +3) dengan keterangan tidak terdapat bakteri pada dahak (negatif) dan terdapat bakteri pada dahak (positif), tingkat banyaknya bakteri pada dahak dapat digambarkan dengan keterangan (+1, +2, +3). Keterangan pemeriksaan dahak ini didapat dari

pemeriksaan dahak pasien dengan label A, B dan C dengan keterangan A adalah dahak sewaktu datang periksa, B adalah dahak pagi keesokan hari, C adalah dahak terakhir sewaktu periksa kembali. Selain itu terdapat juga data hasil pemeriksaan foto rontgen dengan keterangan positif dan negatif . Data status pasien yang terdiri dari gejala batuk lebih dari 2 minggu, demam, berat badan turun, sesak napas, batuk berdarah, hasil pemeriksaan laboratorium dan hasil pemeriksaan foto rontgen tersebut akan diteliti apakah mempengaruhi hasil diagnosis pasien yang bersangkutan. Untuk meneliti apakah ada keterkaitan antara data pasien dengan hasil diagnosis, akan dilakukan proses penambangan data. Penambangan data akan menemukan informasi/pengetahuan dengan mendeskrisikan apakah pasien menderita TB atau tidak dengan melihat gejala dan hasil pemeriksaan laboratorium. Data status pasien ini adalah pasien yang terdiagnosis TB Paru, TB Ekstra Paru dan bukan TB dari beberapa puskesmas di Kulon Progo. Contoh data dapat dilihat pada Tabel 3.1 dibawah ini.

TABEL 3.1 CONTOH DATA PASIEN TUBERKULOSIS (TB) batuk>2

minggu demam

BB turun

sesak napas

batuk

darah A B C Rontgen Kelas

ya tidak ? tidak tidak neg neg neg ? paru

ya ya tidak ya tidak 3 3 3 neg paru

ya tidak tidak tidak tidak neg neg neg pos ekstra paru

ya ya ya tidak tidak 1 2 1 neg paru

ya tidak ya ya tidak neg neg neg ? paru

ya ya tidak tidak tidak neg neg neg neg tidak ya tidak tidak tidak tidak neg neg neg neg tidak ya tidak tidak tidak tidak neg neg neg neg tidak

ya ya ya ya tidak 3 3 3 neg paru

ya tidak ya ya tidak neg neg 1 pos paru

ya tidak tidak ya tidak neg neg neg pos ekstra paru ya tidak tidak tidak ya 1 neg neg pos paru

3.2 Spesifikasi Software dan Hardware

Spesifikasi software dan hardware yang digunakan dalam implementasi sistem ini adalah :

Bahasa pemrograman : MATLAB R2012b

Processor : AMD E-300 APU with Radeon(tm) HD Graphics 1.30 GHz

Memory : 2,00 GB

Operating System (OS) : Windows 7 Ultimate SP1 32 bit

3.3 Desain Alat Uji

Berikut ini adalah alur atau tahapan proses yang dilakukan pada alat uji :

pasien 1. preprocessing

Data gejala, hasil lab dan rontgen

4. modeling naive bayesian 2. pembagian data dengan k- fold validation

Data gejala, hasil lab dan rontgen

Data Testing Data Training

Label Hasil Prediksi Data Testing

5. akurasi confusion matrix akurasi

Data hasil preprocessing

3. Pemisah Data

Label Data Testing Data Testing

Data gejala, hasil lab dan rontgen

Label data Testing

3.3.1 Preprocessing

Pada tahap pre-processing akan dilakukan tahap pembersihan data, integrasi data,seleksi data dan transformasi data. Data mentah akan diubah menjadi data dalam bentuk angka atau dalam bentuk label dengan keterangan seperti berikut :

1. Untuk kolom satu sampai lima a. Tidak = 1

b. Ya = 2

2. Untuk kolom enam sampai delapan a. Negatif = 0

b. Jika nilai tidak negatif maka akan tetap diisi dengan angka sesuai dengan data.

3. Untuk kolom sembilan a. Positif = 1

b. Negatif = 0 4. Untuk kolom 10

a. Tidak = 1 b. Paru = 2 c. Ekstra Paru = 3

Pada tahap pre-processing ini juga dilakukan tahap mengisi data yang tidak diketahui nilainya. Untuk setiap data yang tidak diketahui nilainya akan diberi label 0. Dan untuk setiap data yang tidak memiliki kelas akan dihapus. Tabel 3.2 adalah contoh data yang sudah melewati tahap pre-processing.

TABEL 3.2 CONTOH DATA SETELAH TAHAP PRE-PROCESSING batuk>2

minggu demam BB turun

sesak napas

batuk

darah A B C Rontgen Kelas

2 2 2 2 1 3 3 3 0 2

2 1 0 1 1 0 0 0 0 2

2 2 1 2 1 3 3 3 0 2

2 1 1 1 1 0 0 0 1 3

2 2 2 1 1 1 2 1 0 2

2 1 2 2 1 0 0 0 0 2

2 2 1 1 1 0 0 0 0 1

2 1 1 1 1 0 0 0 0 1

2 1 1 1 1 0 0 0 0 1

2 2 2 2 1 3 3 3 0 2

2 1 2 2 1 0 0 1 1 2

2 1 1 2 1 0 0 0 1 3

2 1 1 1 2 1 0 0 1 2

3.3.2 Pembagian Data

Pada tahap ini dilakukan pembagian data yaitu data training dan data testing menggunakan cross validation yaitu k-fold validation. Percobaan yang dilakukan menggunakan 4 jenis k-fold yaitu 3, 5, 7 dan 9 fold. Data akan dibagi sesuai dengan jumlah k, dengan jumlah data yang sama rata. Data yang sudah dibagi nanti akan menjadi data testing dan data training. Setiap percobaan akan mengambil 1 data testing dan data yang lainnya akan digunakan sebagai data training, pada percobaan selanjutnya data testing akan menjadi data training dan sebaliknya.

3.3.3 Pemisah Data

Pada tahap ini data testing akan dipisah menjadi 2 bagian. Bagian pertama adalah bagian data yang memiliki isi semua data gejala, data laboratorium dan hasil rontgen. Bagian kedua adalah label data atau kelas akhir yang berisi TB Paru, TB Ekstra Paru dan tidak TB. Data bagian pertama akan di uji pada proses modeling dan akan menghasilkan label baru hasil prediksi. Setelah itu, label testing asli dengan label testing hasil prediksi akan di bandingkan dengan confusion matrix pada proses 5.

3.3.4 Modeling

Pada tahap ini dilakukan proses penambangan data menggunakan algoritma Naïve Bayesian. Data yang sudah diolah pada tahap sebelumnya akan diolah menggunakan perhitungan algoritma. Data yang akan diolah adalah data testing berdasarkan data training. Berikut adalah tahap yang akan dilakukan untuk mengolah data TB menggunakan metode Naïve Bayesian. Data yang akan digunakan adalah data yang sudah melewati proses preprocessing dan proses pembagian data.

1. Data yang digunakan adalah data training dan data testing. Data testing adalah data yang dicari hasil akhirnya sedangkan data training adalah data yang akan digunakan untuk menentukan hasil akhir atau label dari data testing. 2. Data testing yang sudah siap akan dipisahkan dari labelnya,

sehingga terdapat 2 kelompok untuk data testing yaitu kumpulan data gejala, hasil laboratorium dan hasil rontgen sedangkan kelompok yang kedua yaitu kelompok label dari data training yang asli dengan isian TB paru, TB Ekstra Paru atau tidak TB.

3. Data Testing yang tidak memiliki label akan melakukan perulangan untuk dihitung nilai probabilitas dari setiap data

dengan berdasarkan data training. Di bawah ini merupakan contoh perhitungan untuk mencari nilai probabilitas dari setiap data, data testing yang akan dihitung dilambangkan dengan X. Tabel 3.3 adalah contoh data training.

TABEL 3.3 CONTOH DATA TRAINING batuk>2

minggu demam BB turun

sesak napas

batuk

darah A B C Rontgen Kelas

2 2 2 2 1 3 3 3 0 2

2 1 0 1 1 0 0 0 0 2

2 2 1 2 1 3 3 3 0 2

2 2 2 1 1 1 2 1 0 2

2 1 2 2 1 0 0 0 0 2

2 2 1 1 1 0 0 0 0 1

2 1 1 2 1 0 0 0 0 1

2 1 1 1 1 0 0 0 0 1

2 1 1 2 1 0 0 0 1 3

2 1 2 1 1 0 0 0 0 3

Tabel 3.3 memperlihatkan data training dengan atribut batuk > 2minggu, demam, berat badan turun, sesak napas, batuk berdarah, hasil pemeriksaan laboratorium dengan atribut A, B, C, rontgensedangkan atribut kelas adalah pasien memiliki penyakit TB Paru, TB Ekstra Paru dan tidak TB. Berikut ini adalah penyelesaian contoh kasus menggunakan algoritma Naïve Bayesian:

Terdapat dua kelas dari klasifikasi yang dibentuk yaitu : Y1 =TB Paru

Y2 =TB Ekstra Paru Y3 = tidak TB

Data yang akan diklasifikasikan adalah X = (batuk > 2 minggu = ya, demam = tidak, berat badan turun = tidak, sesak napas = ya, batuk berdarah = tidak, A = negatif, B = negatif, C = negatif, rontgen = negatif). Langkah-langkah perhitungan sebagai berikut :

a. Mencari P(Y), sebagai berikut :

P(Y) merupakan prior probability untuk setiap kelas berdasarkan data yaitu :

 

 

b. Menghitung probabilitas

 Probabilitas untuk TB Paru

P(TB Paru) P(batuk>2 minggu = ya|TB Paru) P(demam = tidak|TB Paru) p(berat badan turun = tidak|TB paru) P(sesak napas = ya|TB paru) P(batuk berdarah = tidak|TB Paru) P(A=negatif|TB Paru) P(B=negatif|TB Paru) P(C=negatif|TB Paru) P(rontgen=negatif|TB Paru)=

0.001536

 Probabilitas untuk TB Ekstra Paru

P(TB Ekstra Paru) P(batuk>2 minggu = ya| TB Ekstra Paru) P(demam = tidak| TB Ekstra Paru) P(berat badan turun = tidak|TB Ekstra Paru) P(sesak napas = ya| TB Ekstra Paru) P(batuk berdarah = tidak| TB Ekstra Paru) P(A=negatif| TB EkstraParu) P(B=negatif| TB Ekstra Paru) P(C=negatif| TB

EkstraParu)P(rontgen=negatif| TB Ekstra Paru)=

0.025

 Probabilitas untuk tidak TB

P(tidak TB) P(batuk>2 minggu = ya| tidak TB) P(demam = tidak| tidak TB) P(berat badan turun = tidak| tidak TB) P(sesak napas = ya| tidak TB) P(batuk berdarah = tidak| tidak TB) P(A=negatif| tidak TB) P(B=negatif| tidak TB) P(C=negatif| tidak TB)=

0.6

c. Setelah melakukan perhitungan probabilitas, akan dibandingkan hasil yang lebih besar antara TB Paru, TB Ekstra Paru dan tidak TB. Berdasarkan perhitungan data X termasuk data pasien tidak TB dengan nilai probabilitas sebesar 0,6.

Berdasarkan hasil perhitungan probabilitas diatas, maka hasil dari data X adalah tidak TB sehingga label yang akan muncul yaitu angka 1 untuk data X.

4. Hasil yang didapat dari langkah 3 akan dimasukkan pada label baru. Setelah semua data testing dihitung dan diprediksi maka akan terbentuk label baru yang berisi hasil prediksi dari data testing. 5. Label hasil prediksi akan dibandingkan dengan label asli dari data

X.Hasil perbandingan akan masuk ke tahap akurasi dengan menggunakan confusion matrix.

3.3.5 Akurasi

Setelah dilakukan proses modeling, maka akan dilakukan proses menghitung akurasimenggunakan confusion matrix, yaitu dengan menjumlahkan data yang benar dan membaginya dengan semua data baik yang benar maupun yang salah dan dikalikan dengan 100%. Berikut adalah tabel contoh hasil confusion matrix.

TABEL 3.4 TABEL CONTOH HASIL CONFUSION MATRIX

KELAS TB PARU TB EKSTRA

PARU TIDAK TB

TB PARU A B C

TB EKSTRA

PARU D E F

TIDAK TB G H I

Berdasarkan Tabel 3.4 diatas, jumlah akurasi dari setiap percobaan dapat dihitung menggunakan rumus akurasi sebagai berikut.

Jumlah data yang diprediksi secara benar adalah data yang terletak pada garis diagonal yaitu data A+E+I. Jumlah prediksi yang dilakukan adalah jumlah semua hasil perhitungan confusion matrix yaitu A+B+C+D+E+F+G+H+I. Setelah itu nilai akurasi dapat dikalikan dengan 100%.

3.4 Desain Pengujian

Setiap data yang sudah melalui proses pembagian data akan diuji pada proses modeling dengan metode Naïve Bayesian. Berikut ini adalah tahap proses pengujian :

Label data training hasil prediksi

akurasi confusion matrix

akurasi modeling naive

bayesian

Pemisah data Data Testing

Label Data Testing Data Training

Data Testing Data gejala, lab dan rontgen

label

GAMBAR 3.2 DIAGRAM ALUR PENGUJIAN

alur pengujian akan dilakukan sebanyak jumlah k sesuai dengan k-fold yang digunakan. Di bawah ini merupakan tabel pengujian dengan menggunakan data training dan data testing sesuai dengan jumlah k yang digunakan.

TABEL 3.5 PEMBAGIAN 3 FOLD Pengujian Training Testing

1 1, 2 3

2 1, 3 2

Tabel 3.5 merupakan tabel pembagian data berdasarkan 3 fold. Semua data akan dibagi 3 sama rata dan akan digunakan secara bergantian sebagai data training dan data testing sesuai dengan Tabel 3.5.

TABEL 3.6 PEMBAGIAN 5 FOLD Pengujian Training Testing

1 1, 2, 3, 4 5 2 1, 2, 3, 5 4 3 1, 2, 4, 5 3 4 1, 3, 4, 5 2 5 2, 3, 4, 5 1

Tabel 3.6 merupakan tabel pembagian data berdasarkan 5 fold. Semua data akan dibagi 5 sama rata dan akan digunakan secara bergantian sebagai data training dan data testing sesuai dengan Tabel 3.6.

TABEL 3.7 PEMBAGIAN 7 FOLD Pengujian Training Testing

1 1, 2, 3, 4, 5, 6 7 2 1, 2, 3 , 4, 5, 7 6 3 1, 2, 3, 4, 6, 7 5 4 1, 2, 3, 5, 6, 7 4 5 1, 2, 4, 5, 6, 7 3 6 1, 3, 4, 5, 6, 7, 2 7 2, 3, 4, 5, 6, 7, 1

Tabel 3.7 merupakan tabel pembagian data berdasarkan 7 fold. Semua data akan dibagi 7 sama rata dan akan digunakan secara bergantian sebagai data training dan data testing sesuai dengan Tabel 3.7.

TABEL 3.8 PEMBAGIAN 9 FOLD Pengujian Training Testing

1 1, 2, 3, 4, 5, 6, 7, 8 9 2 1, 2, 3, 4, 5, 6, 7, 9 8 3 1, 2, 3, 4, 5, 6, 8, 9 7 4 1, 2, 3, 4, 5, 7, 8, 9 6 5 1, 2, 3, 4, 6, 7, 8, 9 5 6 1, 2, 3, 5, 6, 7, 8, 9 4 7 1, 2, 4, 5, 6, 7, 8, 9 3 8 1, 3, 4, 5, 6, 7, 8, 9 2 9 2, 3, 4, 5, 6, 7, 8, 9 1

Tabel 3.8 merupakan tabel pembagian data berdasarkan 9 fold. Semua data akan dibagi 9 sama rata dan akan digunakan secara bergantian sebagai data training dan data testing sesuai dengan Tabel 3.8.

36

BAB IV

ANALISA HASIL DAN IMPLEMENTASI SISTEM

Pada bab ini akan dibahas hal-hal yang berkaitan dengan implementasi sistem, hasil yang didapatkan dari pengujian-pengujian yang akan dilakukan, serta analisis dari hasil pengujian.

4.1 Analisis Hasil

Berdasarkan hasil pengujian yang dilakukan dengan menggunakan klasifikasi Naïve Bayesian dan dengan menggunakan k-fold validation, didapat hasil akurasi seperti tabel 4.1 berikut ini.

TABEL 4.1 TABEL HASIL PERCOBAAN

Feature/Metode Akurasi

Akurasi Rata-Rata Gejala

3 Fold 58,29

58,08

5 Fold 57,44

7 Fold 57,45

9 Fold 59,14

Lab

3 Fold 68,08

68,08

5 Fold 68,08

7 Fold 68,08

9 Fold 68,08

Gejala dan Lab

3 Fold 70,63

69,3575

5 Fold 68,08

7 Fold 69,36

9 Fold 69,36

Gejala dan Rontsen

3 Fold 69,36

68,6125

5 Fold 68,08

7 Fold 68,08

9 Fold 68,93

Lab dan Rontsen

3 Fold 85,95

85,95

5 Fold 85,95

7 Fold 85,95

9 Fold 85,95

Gelaja, Lab dan Rontsen

3 Fold 85,53

85,21

5 Fold 85,53

7 Fold 84,68

9 Fold 85,1

Tabel 4.1 merupakan tabel dari hasil akurasi dari semua percobaan yang dilakukan sebanyak dua puluh empat kali. Dari dua puluh empat pengujian dengan penggunaan data yang berbeda dan dengan jumlah fold yang berbeda didapat hasil klasifikasi dan hasil akurasi yang berbeda-beda. Hasil akurasi yang paling tinggi sebesar 85,95 dengan hanya menggunakan

feature lab dan rontgen, untuk 3 fold, 5 fold, 7 fold dan 9 fold menghasilkan akurasi yang sama. Sedangkan hasil akurasi paling rendah sebesar 57.44 dengan hanya menggunakan feature gejala dan dengan menggunakan 5 fold. Grafik hasil rata-rata akurasi pengujian ditunjukkan melalui gambar 4.1 dibawah ini:

GAMBAR 4.1 GRAFIK RATA-RATA AKURASI

Gambar 4.1 merupakan grafik akurasi rata-rata. Percobaan dilakukan dengan feature/atribut yang berbeda. Setiap feature/atribut akan dilakukan percobaan dengan empat fold yang berbeda yaitu 3 fold, 5 fold, 7 fold dan 9 fold. Hasil akurasi dari setiap fold dirata-rata untuk mencari nilai maksimal dari percobaan berdasarkan feature/atribut. Berdasarkan hasil rata-rata akurasi terbesar adalah percobaan menggunakan feature/atribut lab dan rontgen. Sedangkan hasil rata-rata akurasi terkecil adalah percobaan menggunakan feature/atribut gejala. Gejala memiliki hasil rata-rata akurasi terendah. Hal ini dikarena gejala utama pasien TB seperti batuk lebih dari 2 minggu, sesak napas, berat badan turun, demam, batuk darah dapat dijumpai pula pada penyakit paru selain TB, seperti bronkiektasi, bronchitis kronis, asma, kanker paru, dan lain-lain. Oleh karena itu dibutuhkan data pendukung lainnya seperti hasil pemeriksaan dahak di laboratorium dan hasil rontgen. Data hasil pemeriksaan dahak di

laboratorium dan hasil rontgen sangat berpengaruh terhadap proses klasifikasi, hal ini dapat dilihat dari hasil akurasi rata-rata dengan feature/atribut lab dan rontgen yang menghasilkan nilai sebesar 85.95 % yang merupakan akurasi tertinggi dalam penelitian ini.

4.2 User Interface

Untuk mempermudah dalam melakukan tahap klasifikasi pada penelitian ini dibuat user interface. User interface ini dibuat untuk membantu dalam proses preprocessing, proses klasifikasi dan proses hasil akurasi. Berikut merupakan halaman utama dalam penelitian ini :

GAMBAR 4.2 HALAMAN UTAMA

Halaman pre-processing digunakan untuk menampilkan data yang sudah melalui proses pre-processing. Implementasi menu preprocessing dapat dilihat pada gambar dibawah ini :

Halaman proses akan digunakan untuk melakukan proses pemilihan data yang akan digunakan, pemilihan jumlah fold dan melalukan proses klasifikasi. Implementasi menu proses dapat dilihat pada gambar dibawah ini :

GAMBAR 4.4 HALAMAN PROSES

Halaman Confusion Matrix digunakan untuk menampilkan hasil perhitungan Confusion Matrix akhir yang didapat dari semua percobaan. Implementasi halaman Confusion Matrix dapat dilihat pada gambar dibawah ini :

Halaman akurasi digunakan untuk menampilkan hasil akurasi akhir yang didapat dari semua percobaan. Implementasi halaman akurasi dapat dilihat pada gambar dibawah ini :

GAMBAR 4.6 HALAMAN AKURASI

Halaman akurasi untuk setiap fold yang dipilih digunakan untuk menampilkan diagram akurasi untuk setiap percobaan yang dilakukan berdasarkan jumlah fold. Implementasi halaman tersebut dapat dilihat pada gambar berikut ini :

Halaman uji data tunggal digunakan untuk menguji satu data. Pada halaman ini masukkan diambil dari menu pop up yang dipilih. Keluaran dari proses uji data tunggal adalah kelas hasil prediksi yaitu Paru, Ekstra Paru atau Tidak TB. Implementasi halaman uji data tunggal dapat dilihat pada gambar berikut ini :

43

BAB V

PENUTUP 5.1 Kesimpulan

Dari hasil penelitian ini, dengan menggunakan metode Naïve Bayesian untuk melakukan identifikasi adanya penyakit Tuberkulosis pada manusia berdasarkan gejala utama, hasil pemeriksaan laboratorium dan hasil rontgen, dapat diambil kesimpulan, sebagai berikut :

1. Metode Naïve Bayesian dapat melakukan identifikasi dari data penyakit Tuberkulosis.

2. Algoritma Naïve Bayesian hanya memberikan hasil prediksi yang diambil dari nilai tertinggi hasil perhitungan probabilitas berdasarkan data gejala, hasil laboratorium dan hasil rontgen. 3. Penggunaan metode pemilihan data atau memilih feature/atribut

yang digunakan untuk proses klasifikasi sangat berpengaruh terhadap hasil klasifikasi.

4. Dari pengujian sebanyak 24 kali dihasilnya rata-rata akurasi terbaik sebesar 85,95% dengan hanya menggunakan data hasil laboratorium dan hasil rontgen. Rata-rata akurasi terendah sebesar 58,08 dengan hanya menggunakan data gejala.

5.2 Saran

Saran untuk penelitian akhir ini adalah :

1. Data ditambah lebih banyak untuk setiap kategori.

2. Data rontgen bisa ditambah dengan menggunakan data gambar. 3. Menambah jenis klasifikasi/jenis kelas, tidak hanya menggunakan

pengelompokkan berdasarkan anatomi dari penyakit tetapi bisa ditambah dengan pengelompokkan berdasarkan riwayat pengobatan sebelumnya, hasil pemeriksaan uji kepekaan obat atau status HIV.

44

DAFTAR PUSTAKA

Dinas Kesehatan Daerah Istimewa Yogyakarta (2015) Petunjuk Teknis Manajemen TB Anak. Jakarta : Kementrian Kesehatan RI

Han,Jiawie and Micheline Kamber. (2006) Data Mining : Concepts and Technique Second Edition. New York : Morgan Kaufman.

Han, Jiawie and Micheline Kamber. (2012) Data Mining : Concepts and Technique Third Edition. New York : Morgan Kaufmann

Hermawati, F.A. (2013) Data Mining.Yogyakarta : Andi

Kementrian RI Direktorat Jenderal Pengendalian Penyakit dan Penyehatan Lingkungan (2014) Pedoman Nasional Pengendalian Tuberkulosis. Jakarta : Kementrian Kesehatan RI.

Kusrini dan Emha Taufiq Luthfi. (2009) Algoritma Data Mining. Yogyakarta : Andi.

Prasetyo, E. (2014) Data Mining : Mengolah data Menjadi Informasi Menggunakan Matlab. Yogyakarta : Andi

Setiawan, C. B. D. (2015) Prediksi Penjualan Helm Menggunakan Algoritma Naïve Bayesian (Studi Kasus : Distribusi Perusahaan XYZ di Wilayah Jawa Tengah dan Derah Istimewa Yogyakarta). Yogyakarta.

Santosa, B. (2007) Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta : Graha Ilmu.

Tan,P.N.,Steinbach. M., Kumar, V.(2006) Data Mining : Introduction To Data Mining. Pearson Education.

46

LAMPIRAN

1. prepData.m

function [newData] = prepData(filename) [num,txt,raw]=xlsread(filename);

%membuat matrix baru dengan nilai 0

newData=zeros(size(raw));

%memisahkan data pada setiap kolom

col1to5=txt(:,1:5); col6to8=txt(:,6:8); col9=txt(:,9); class=txt(:,10);

%hitung kolom dan baris untuk looping

[r,c]=size(newData);

%looping

for i=1:1:r

for j=1:1:c column=j;

switch(column)

%case adalah kolom

case 1

if(strcmp(col1to5(i,1),'ya')) kelas=2;

elseif(strcmp(col1to5(i,1),'tidak')) kelas=1;

else

kelas=0;

end

%masukin data ke matriks yang baru.

newData(i,j)=kelas;

case 2

if(strcmp(col1to5(i,2),'ya')) kelas=2;

elseif(strcmp(col1to5(i,2),'tidak')) kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;

case 3

if(strcmp(col1to5(i,3),'ya')) kelas=2;

elseif(strcmp(col1to5(i,3),'tidak')) kelas=1;

else

kelas=0;

end

else

kelas=0;

end

newData(i,j)=kelas;

case 5

if(strcmp(col1to5(i,5),'ya')) kelas=2;

elseif(strcmp(col1to5(i,5),'tidak')) kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;

case 6

if(strcmp(col6to8(i,1),'neg')) kelas=0;

elseif(strcmp(col6to8(i,1),'?')) kelas=0;

else

kelas=num(i,1);

end

newData(i,j)=kelas;

case 7

if(strcmp(col6to8(i,2),'neg')) kelas=0;

elseif(strcmp(col6to8(i,2),'?')) kelas=0;

else

kelas=num(i,2);

end

newData(i,j)=kelas;

case 8

if(strcmp(col6to8(i,3),'neg')) kelas=0;

elseif(strcmp(col6to8(i,3),'?')) kelas=0;

else

kelas=num(i,3);

end

newData(i,j)=kelas;

case 9

if(strcmp(col9(i,1),'neg')) kelas=0;

elseif(strcmp(col9(i,1),'pos')) kelas=1;

else

kelas=0;

end

newData(i,j)=kelas;

case 10

if(strcmp(class(i,1),'paru')) kelas=2;

elseif(strcmp(class(i,1),' paru')) kelas=3;

elseif(strcmp(class(i,1),'tidak')) kelas=1; else kelas=0; end newData(i,j)=kelas; end end end end

2. k-fold.m

function [ dTraining,dTesting ] = k_fold( k,data )

%Fungsi ini digunakan untuk membagi 'data' ke dalam beberapa bagian('k' bagian)

%sesuai dengan permintaan user. %memisahkan data dengan label

[n,m]=size(data) label=data(:,m);

%mencari banyak jenis kelas dalam label

isi_label=numel(unique(label));

%membuat cell baru yang belum isi

kelas=cell(1,isi_label);

%perulangan sebanyak 'isi_label'/3 kali untuk mengelompokkan data %berdasarkan label i(1 2 3) kedalam kelas i (1 2 3)

for i=1:isi_label

kelas{i}=data(find(label==i),:);

end

%membuat cell kosong berdasarkan jumlah k dan isi_label

kelas_bagi=cell(k,isi_label);

%melakukan perulangan

for i=1:isi_label

%melihat jumlah data untuk setiap kelas yang sudah tersimpan dalam cell

%kelas

ndata=size(kelas{i},1);

%menghitung hasil bagi jika data dibagi sebanyak k bagian

x=floor(ndata/k);

%menghitung sisa dari jumlah data jika dibagi sebanyak k bagian

y=mod(ndata,k); n=1:x;

for j=1:k

if y

%jika memiliki sisa

n=[n n(end)+1];

%mengambil data sebanyak n+1 %mengurangi nilai y

y=y-1;

end

%mengambil data sebanyak n

kelas_bagi{j,i}=kelas{i}(n,:);

%n = nilai n yang paling akhir ditambah 1 sampai nilai n ditambah %nilai x

n=n(end)+1:n(end)+x;

end end

3. prob.m

%melakukan perulangan untuk menjumlahkan data yang sudah tersimpan pada

%kelas_bagi sesuai dengan indeks cell (baris 1 dijumlahkan, baris 2

%dijumlahkan, baris 3 dijumlahkan) sehingga terbentuk cell yang baru

for i=1:k

for j=1:isi_label

newdata{i}=[newdata{i};kelas_bagi{i,j}];

end end

%membuat cell baru untuk menyimpan data training dan data testing

dTraining=cell(k,1); dTesting=cell(k,1);

for i=1:k disp(i);

for j=setdiff(1:k,i)

%mengambil data yang tidak ada didata tersebut

dTraining{i}=[dTraining{i};newdata{j}];

end

dTesting{i}=newdata{i};

end end

function p=prob(data,name1,value1,name2,value2)

%mencari probabilitas untuk kolom dengan nama(name) dan nilai(value) dari

%data

%kalo ada 3 itu p(X) / p(Y)

if nargin==3

tmp=(data(:,name1));

%a=banyaknya data yang nilainya value1

a=sum(tmp==value1);

%semua data

b=numel(tmp); p=a/b;

end

%kalo ada 5 itu p(X|Y)

if nargin==5

tmp1=(data(:,name2)); list1=(tmp1==value2); tmp2=(data(:,name1)); tmp2=tmp2(list1); list2=(tmp2==value1); p=sum(list2)/sum(list1); end end

4. prediksiKelompok.m

function [Label] = prediksiKelompok( data,dataTes)

%Fungsi ini digunakan untuk memprediksi data kelompok

[n m]=size(dataTes); Label=zeros(n,1);

for i=1:n

dataTemp=dataTes(i,:);

[hasil] = prediksi( data,dataTemp ) Label(i,1)=hasil;

end end

function [hasil] = prediksi( data,dataTes )

[n m]=size(dataTes); tmpParu=1;

tmpParu=1; tmpTidak=1;

for j=1:1:m

paru=prob(data,m+1,2);

tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,2)); hasilParu=paru*tmpParu;

paru=prob(data,m+1,3);

tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,3)); hasilParu=paru*tmpParu;

tidak=prob(data,m+1,1);

tmpTidak=tmpTidak*(prob(data,j,dataTes(j),m+1,1)); hasilTidak=tidak*tmpTidak;

if(hasilParu>hasilParu)&&(hasilParu>hasilTidak)

hasil=2;

elseif(hasilParu>hasilParu)&&(hasilParu>hasilTidak); hasil=3;

else

hasil=1;

end end end

5. pemisah.m

6. Percobaan.m

function [ dLabel,dTesting] = pemisah( k,dataTes )

%fungsi ini digunakan untuk memisahkan label data Testing dengan data

%Testing yang akan olah.

dLabel=cell(k,1); dTesting=cell(k,1); [n,m]=size(dataTes{1});

for i=1:k

dLabel{i}=dataTes{i}(:,m);

end

for i=1:k

dTesting{i}=dataTes{i}(:,1:m-1);

end end

function [ ConMatrixAkhir,akurasi_temp] = Percobaan(

k,dTraining,dTesting,dLabel )

%fungsi ini digunakan untuk melakukan percobaan sebanyak k-fold kali.

%dengan memanggil fungsi 'prediksiKelompok' %dan menghitung error dengan Confusion Matrix.

%semua perhitungan Confusion Matrix dari setiap percobaan %akan dijumlahkan dan akan dihitung kembali dengan

Confusion Matrix

ConMatrix=cell(k,1);

for i=1:k

LabelPrediksi=prediksiKelompok(dTraining{i},dTesting{i}); ConMatrix{i}=hitungConfusionmat(dLabel{i},LabelPrediksi); end ConMatrixAkhir=zeros(size(ConMatrix{1})); akurasi_temp=zeros(1,k);

for i=1:k

[ hasil_akurasi ] = akurasi( ConMatrix{i} );

%hasil_akurasi=round(hasil_akurasi);

akurasi_temp(1,i)=(hasil_akurasi);

ConMatrixAkhir=ConMatrixAkhir+ConMatrix{i};

end end

7. hitungConfusionmat.m

8. akurasi.m function

ConMatrix=hitungConfusionmat(label_kelas,label_prediksi)

%fungsi ini digunakan untuk mencari error dari hasil prediksi

%dengan menggunakan confusion Matrix.

%fungsi ini diambil dari Skripsi Dionisia (2011)

%mencari isi dari kelas_test yaitu label 1,2,3

isi_label=unique(label_kelas);

%membuat Matrix kosong dengan panjang kelas_test

MatrixCon=zeros(length(isi_label));

%perulangan sebanyak 3 kali

for i=1:length(isi_label)

for j=1:length(isi_label)

MatrixCon(i,j)=sum(label_kelas==isi_label(i) & label_prediksi==isi_label(j));

end end

ConMatrix=MatrixCon;

end

function [ hasil_akurasi ] = akurasi( ConMatrixAkhir )

%fungsi digunakan untuk menghitung jumlah akurasi dari sebuah Confusion Matrix

%menjumlahkan data yang benar, di dalam Confusion Matrix data yang benar

%adalah data yang terletak pada garis diagonal

benar=sum(diag(ConMatrixAkhir));

%menjumlah semua data dalam Matrix Confusion Matrix

totalData=sum(sum(ConMatrixAkhir));

%menghitung akurasi dengan membagi data benar dengan semua data dan

%mengalikan dengan 100%

hasil_akurasi=(benar/totalData)*100;

9. prediksiTunggal.m

function [ hasil ] = prediksiTunggal( dataTes,data )

%Fungsi ini digunakan untuk memprediksi data tunggal

[n m]=size(dataTes); tmpParu=1;

tmpParu=1; tmpTidak=1;

for j=1:1:m

paru=prob(data,m+1,2);

tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,2)); hasilParu=paru*tmpParu;

paru=prob(data,m+1,3);

tmpParu=tmpParu*(prob(data,j,dataTes(j),m+1,3)); hasilParu=paru*tmpParu;

tidak=prob(data,m+1,1);

tmpTidak=tmpTidak*(prob(data,j,dataTes(j),m+1,1)); hasilTidak=tidak*tmpTidak;

if(hasilParu>hasilParu)&&(hasilParu>hasilTidak)

hasil='PARU';

elseif(hasilParu>hasilParu)&&(hasilParu>hasilTidak);

hasil=' PARU';

else

hasil='TIDAK TBC';

end end end

10.main.m

function varargout = main(varargin)

% MAIN MATLAB code for main.fig

% MAIN, by itself, creates a new MAIN or raises the existing

% singleton*. %

% H = MAIN returns the handle to a new MAIN or the handle to

% the existing singleton*. %

% MAIN('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in MAIN.M with the given input arguments.

%

% MAIN('Property','Value',...) creates a new MAIN or raises the

% existing singleton*. Starting from the left, property value pairs are

% applied to the GUI before main_OpeningFcn gets called. An

% unrecognized property name or invalid value makes property application

% stop. All inputs are passed to main_OpeningFcn via varargin.

%

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one

% instance to run (singleton)". %

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help main

% Last Modified by GUIDE v2.5 23-Jul-2016 21:29:14

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @main_OpeningFcn, ...

'gui_OutputFcn', @main_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

varargin)

% This function has no output args, see OutputFcn. % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to main (see VARARGIN)

% Choose default command line output for main

handles.output = hObject; clc;

% Logo

axes(handles.logo);

imshow('Images\LogoUSD.jpg');

axes(handles.diagram);

set(handles.jml_data,'String','0');

% Update handles structure

guidata(hObject, handles);

% --- Outputs from this function are returned to the command line.

function varargout = main_OutputFcn(hObject, eventdata,

handles)

% varargout cell array for returning output args (see VARARGOUT);

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure

varargout{1} = handles.output;

% menjalankan tombol PreProses

function preProses_Callback(hObject, eventdata, handles)

%mencari data

[file,alamat] = uigetfile({'*.xls;*.xlsx','Excel Files'},'

Select data file');

namaFile = strcat(alamat,file);

%menggunakan fungsi prepData untuk mengubah data dalam bentul label

dataPrep=prepData(namaFile);

%mencari data yang memiliki kelas '0/nol/tidak diketahui'

dataNol=find(dataPrep(:,10)==0);

%menghapus dataPrep yang memiliki kelas '0/nol/tidak diketahui'

dataPrep(dataNol,:)=[];

%menghitung jumlah data

%menampilkan data dalam bentuk tabel kedalam GUI

set(handles.tabel_data, 'Data',dataPrep)

%menampilkan jumlah data

set(handles.jml_data,'String',num2str(jumlahdata));

%menampilkan nama file

set(handles.namaFile,'String',file);

%menyimpan data yang sudah melalu proses preprocessing

save('dataPrep.mat');

%menampilkan pesan bahwa proses prepocessing sudah selesai

uiwait(msgbox('Proses Preprocessing sudah selesai.'));

function proses_Callback(hObject, eventdata, handles) pilihdata=get(handles.pilihan_data,'Value');

switch pilihdata

case 1

pilihdata=1;

save('pilihdata.mat'); load('dataPrep.mat'); data=dataPrep;

data(:,6:9)=[]; save('data.mat');

set(handles.tunggal_batuk,'Visible','on'); set(handles.tunggal_demam,'Visible','on'); set(handles.tunggal_BBTurun,'Visible','on'); set(handles.tunggal_sesakNapas,'Visible','on'); set(handles.tunggal_batukBerdarah,'Visible','on'); set(handles.tunggal_A,'Visible','off');

set(handles.tunggal_B,'Visible','off'); set(handles.tunggal_C,'Visible','off'); set(handles.tunggal_rontsen,'Visible','off');

case 2

load('dataPrep.mat'); pilihdata=2;

save('pilihdata.mat'); data=dataPrep;

data(:,1:5)=[]; data(:,4)=[]; save('data.mat');

set(handles.tunggal_batuk,'Visible','off'); set(handles.tunggal_demam,'Visible','off'); set(handles.tunggal_BBTurun,'Visible','off'); set(handles.tunggal_sesakNapas,'Visible','off'); set(handles.tunggal_batukBerdarah,'Visible','off'); set(handles.tunggal_A,'Visible','on');

set(handles.tunggal_B,'Visible','on'); set(handles.tunggal_C,'Visible','on');

set(handles.tunggal_rontsen,'Visible','off');

case 3

load('dataPrep.mat'); pilihdata=3;

save('pilihdata.mat'); data=dataPrep;

data(:,9)=[]; save('data.mat');

set(handles.tunggal_batuk,'Visible','on'); set(handles.tunggal_demam,'Visible','on'); set(handles.tunggal_BBTurun,'Visible','on'); set(handles.tunggal_sesakNapas,'Visible','on'); set(handles.tunggal_batukBerdarah,'Visible','on'); set(handles.tunggal_A,'Visible','on');

set(handles.tunggal_B,'Visible','on'); set(handles.tunggal_C,'Visible','on');

%menampilkan confusion matrix akhir untuk setiap percobaan kedalam gui

set(handles.conMatrix,'Data',ConMatrixAkhir);

%mengitung akurasi untuk confusion matrix akhir

[ hasil_akurasi ] = akurasi( ConMatrixAkhir );

%membulatkan hasil akurasi

%hasil_akurasi=round(hasil_akurasi); %menampilkan hasil akurasi kedalam GUI

set(handles.akurasi,'String',hasil_akurasi);

%menampilkan hasil akurasi untuk setiap percobaan kedalam GUI

set(handles.tabel_akurasi,'Data',akurasi_temp);

%menampilkan hasil akurasi untuk setiap percobaan kedalam bentuk %diagram

bar(akurasi_temp);

% menjalankan tombol Prediksi

function prediksi_Callback(hObject, eventdata, handles)

%menjalankan pop menu untuk memilih data yang akan digunakan untuk prediksi

%tunggal

tunggal_1=get(handles.tunggal_batuk,'Value');

switch tunggal_1

case 1

val1=2;

case 2

val1=1;

end

tunggal_2=get(handles.tunggal_demam,'Value');

switch tunggal_2

case 1

val2=2;

case 2

val2=1;

end

tunggal_3=get(handles.tunggal_BBTurun,'Value');

switch tunggal_3

case 1

val3=2;

case 2

val3=1;

end

tunggal_4=get(handles.tunggal_sesakNapas,'Value');

switch tunggal_4

case 1

val4=2;

case 2

val4=1;

end

tunggal_5=get(handles.tunggal_batukBerdarah,'Value');

switch tunggal_5

case 1

val5=2;

case 2

val5=1;

tunggal_6=get(handles.tunggal_A,'Value');

switch tunggal_6

case 1

val6=1;

case 2

val6=2;

case 3

val6=3;

case 4

val6=0;

end

tunggal_7=get(handles.tunggal_B,'Value');

switch tunggal_7

case 1

val7=1;

case 2

val7=2;

case 3

val7=3;

case 4

val7=0;

end

tunggal_8=get(handles.tunggal_C,'Value');

switch tunggal_8

case 1

val8=1;

case 2

val8=2;

case 3

val8=3;

case 4

val8=0;

end

tunggal_9=get(handles.tunggal_rontsen,'Value');

switch tunggal_9

case 1

val9=1;

case 2

val9=0;

end

load('pilihdata.mat');

if (pilihdata==1)

%mengaktifkan/mengambil dataPrep

load('data.mat');

%membuat data yang sudah dipilih pada pop menu menjadi 1 data dengan

%variabel yang baru

dataTes=[val1 val2 val3 val4 val5];

%menjalankan fungsi untuk prediksi Tunggal

[ hasil ] = prediksiTunggal( dataTes,data );

%menampilkan hasil prediksi tunggal kedalam GUI

set(handles.hasil_prediksi,'String',hasil);

elseif(pilihdata==2) load('data.mat');

%membuat data yang sudah dipilih pada pop menu menjadi 1 data dengan

%variabel yang baru

dataTes=[val6 val7 val8];

%menjalankan fungsi untuk prediksi Tunggal

[ hasil ] = prediksiTunggal( dataTes,data );

%menampilkan hasil prediksi tunggal kedalam GUI

load('data.mat');

%membuat data yang sudah dipilih pada pop menu menjadi 1 data dengan

%variabel yang baru

dataTes=[val1 val2 val3 val4 val5 val6 val7 val8];

%menjalankan fungsi untuk prediksi Tunggal

[ hasil ] = prediksiTunggal( dataTes,data );

%menampilkan hasil prediksi tunggal kedalam GUI

set(handles.hasil_prediksi,'String',hasil);

elseif(pilihdata==4) load('data.mat');

%membuat data yang sudah dipilih pada pop menu menjadi 1 data dengan

%variabel yang baru

dataTes=[val1 val2 val3 val4 val5 val9];

%menjalankan fungsi untuk prediksi Tunggal

[ hasil ] = prediksiTunggal( dataTes,data );

%menampilkan hasil prediksi tunggal kedalam GUI

set(handles.hasil_prediksi,'String',hasil);

elseif(pilihdata==5) load('data.mat');

%membuat data yang sudah dipilih pada pop menu menjadi 1 data dengan

%variabel yang baru

dataTes=[val6 val7 val8 val9];

%menjalankan fungsi untuk prediksi Tunggal

[ hasil ] = prediksiTunggal( dataTes,data );

%menampilkan hasil prediksi tunggal kedalam GUI

set(handles.hasil_prediksi,'String',hasil);

elseif(pilihdata==6) load('data.mat');

%membuat data yang sudah dipilih pada pop menu menjadi 1 data dengan

%variabel yang baru

dataTes=[val1 val2 val3 val4 val5 val6 val7 val8 val9];

%menjalankan fungsi untuk prediksi Tunggal

[ hasil ] = prediksiTunggal( dataTes,data );

%menampilkan hasil prediksi tunggal kedalam GUI

set(handles.hasil_prediksi,'String',hasil);