Sistem Untuk Deteksi Penyakit Stroke Menggunakan Metode Analytical Hierarchy Process dan Weighted Product

  Vol. 2, No. 6, Juni 2018, hlm. 2182-2191 http://j-ptiik.ub.ac.id

  

Sistem Untuk Deteksi Penyakit Stroke Menggunakan Metode Analytical

Hierarchy Process dan Weighted Product

_{1 2 3} Ibrahim Kusuma , Arief Andy Soebroto , Dian Eka Ratnawati

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  

Abstrak

  Penyakit stroke merupakan sebuah penyakit yang disebabkan karena tersumbatnya darah di dalam otak atau pecahnya pembuluh darah dalam otak, sehingga otak kekurangan nutrisi dan oksigen akibatnya otak mengalami kelumpuhan saraf. Stroke merupakan salah satu jenis penyakit yang mematikan cukup tinggi ketiga setelah penyakit jantung dan penyakit kanker di Negara maju. Pada data Sount East Asian

  

Medical Information Center (SEAMIC) diketahui paling tinggi di negara Indonesia. Hal ini menyebabkan

  penyakit ini harus diwaspadai. Dokter terkadang mengalami kesulitan untuk melakukan deteksi penyakit stroke karena adanya permasalahan yang semi tersruktur. Kendala tersebut dapat diatasi dengan sebuah sistem yaitu Sistem Pendukung Keputusan menggunakan metode Analytical Hierarchy Process dan

  

Weighted Product . Metode Analytical Hierarchy Process digunakan untuk mencari bobot prioritas dan

  metode Weighted Product digunakan untuk pengambilan keputusan dan perangkingan. Hasil dari pengujian fungsionalitas sistem adalah 100%. Sedangkan untuk pengujian akurasi sistem memiliki tingkat akurasi sebesar 73,8%.

  Kata kunci : analytical hierarchy process, sistem pendukung keputusan, stroke, weighted product Abstract

Stroke is a disease caused by blockage of blood in the brain or rupture of blood vessels in the brain,

resulting in brain nerve palsy. Stroke is one type of diseases that kill high enough third after heart disease

and cancer in developed countries. The data of East Asian Medical Information Center (SEAMIC) is the

highest in Indonesia. This causes the disease to be wary of. Doctors sometimes have difficulty to perform

stroke disease detection due to a semi-structured problem. These constraints can be overcome by a

system that is Decision Support System using the method of Analytical Hierarchy Process and Weighted

Product. Analytical Hierarchy Process method is used to find the priority weight and Weighted Product

method used for decision making and ranking. The result of system functionality testing is 100%. As for

the system accuracy testing has an accuracy of 73.8%.

  Keywords: analytical hierarchy process, decision support system, stroke, weighted product penyakit kanker di Negara maju (Irfan, 2012).

1. PENDAHULUAN Pada data Sount East Asian Medical Information

  Center (SEAMIC) diketahui paling tinggi di

  Penyakit stroke merupakan sebuah penyakit negara Indonesia (Dinata, 2012). Hal ini yang disebabkan karena tersumbatnya darah di menyebabkan penyakit ini sangat diwaspadai. dalam otak atau pecahnya pembuluh darah

  Hanya saja belum banyak fasilitas yang dalam otak, sehingga otak kekurangan nutrisi mendukung semua kalangan untuk memprediksi dan oksigen akibatnya otak mengalami datangnya stroke. Keterbatasan tersebut kelumpuhan saraf. Stroke merupakan salah satu membuat seseorang tidak siap ketika mendapat jenis penyakit yang mematikan yang cukup serangan stroke, akibatnya tingkat kematian dan tinggi ketiga setelah penyakit jantung dan cacat tinggi. Stroke memiliki beberapa faktor,

  Fakultas Ilmu Komputer faktor pertama adalah faktor resiko yang tidak dapat diubah faktor-faktor tersebut adalah jenis kelamin, usia dan riwayat keluarga. Faktor kedua adalah faktor resiko yang dapat diubah seperti diabetes, hipertensi, merokok dan aktifitas olah raga. Adanya faktor-faktor penyebab stroke dapat dilakukan deteksi sejak dini untuk mencegah terjadinya stroke (Prastiti, 2015).

  Dokter terkadang mengalami kesulitan untuk melakukan deteksi penyakit stroke karena adanya permasalahan yang semi tersruktur. Permasalahan semi tersruktur yaitu adanya pola yang perlu proses analisis secara lebih rinci. Kendala tersebut dapat diatasi dengan sebuah sistem yaitu Sistem Pendukung Keputusan dengan metode Analytical Hierarchy Process dan Weighted Product. Metode AHP metode yang cukup baik untuk memecahkan sebuah masalah yang kompleks. AHP dapat mengurangi masalah multikriteria menjadi sebuah bentuk yang lebih terstruktur dan mudah dipahami. Selain itu AHP dapat memecahkan masalah yang bersifat kualitatif dan kuantitatif karena masukan AHP menggunakan pengetahuan yang dibuat oleh manusia oleh karena itu AHP mampu membuat sebuah pendekatan baik. Sedangkan untuk metode WP metode ini dapat menyelesaikan sebuah masalah Multikriteria

  Decision Making (MCDM). Karena itu, penulis

  mecoba sebuah penelitian dengan menggabungkan kedua metode AHP dan WP untuk deteksi stroke. Metode AHP untuk mendapatkan bobot prioritas dari tiap kriteria dan WP untuk menghasilkan diagnosis penyakit stroke dengan memperhatikan bobot kriteria sehingga mendapatkan hasil preferensi yang terbaik. Hal ini diperkuat dengan beberapa referensi yang digunakan (Makkasau, 2012).

  Pada beberapa referensi SPK dengan metode AHP dan WP mampu mengambil keputusan dengan cukup baik. Penelitian oleh Astrid Affira Saprida pada tahun 2015 yang berjudul Penerapan Metode AHP dan WP untuk Penerimaan Siswa Baru, menyatakan bahwa sistem penerimaan siswa baru di SDN Sukabumi

  2 Probolinggo memiliki masalah mengenai aspek penilaian, selain itu terdapat perbedaan pendapat antar tiap kriteria dalam proses pengambilan keputusan penerimaan siswa yang akan diterima. Dari permasalahan tersebut, peneliti menggunakan metode AHP dan WP yang dianggap mampu memenuhi proses penerimaan siswa yang efektif. Pada penelitian tersebut terdapat 147 data calon siswa dengan tujuh kriteria. Hasil pengujian sistem tersebut mendapat hasil akurasi sebesar 96,88% (Saprida, 2015).

  Penelitian kedua dilakukan oleh Rizki Ramadhan mahasiswa Informatika Universitas Brawijaya pada tahun 2016. Penelitian tersebut berjudul Sistem Deteksi Demam Berdarah Menggunakan Metode AHP dan WP. Pada penelitian tersebut menggunakan inputan sebanyak 14 kriteria. Akurasi dalam deteksi demam berdarah menggunakan metode AHP dan WP sebesar 92% (Ramadhan, 2016).

  Penelitian ketiga oleh Ary Azhary pada tahun 2017 mahasiswa fakultas ilmu komputer Universitas Brawijaya mengimplementasikan metode AHP dan WP pada penerimaan guru honorer SMAN 2 Kota Batu. Dalam penelitian tersebut menyatakan sistem seleksi penerimaan guru di SMAN 2 Batu masih terbilang belum efisien. Jumlah calon guru honorer yang terbilang banyak mengakibatkan penumpukkan file, keterlambatan pengambilan sebuah keputusan, dan informasi hasil tes sering terlambat diumumkan. Pada penelitian tersebut peneliti menggunakan metode AHP dan WP karena dianggap mampu menghasilkan keputusan yang tepat dan cepat. Penelitian tersebut menggunakan 6 kriteria dan menghasilkan akurasi sistem sebesar 85,33% (Azhary, 2017).

  Berdasarkan hasil dari beberapa penelitian SPK menggunakan metode AHP dan WP yang sudah dilakukan sebelumnya, maka penulis memilih judul “Sistem Untuk Deteksi Resiko Stroke Dengan Metode Analytical Hierarchy

  Process Dan Weighted Product”. Pada metode

  AHP dipilih karena digunakan sebagai pembobotan kriteria dan metode WP digunakan untuk pengambilan keputusan terbaik berdasarkan perangkingan. Sistem ini nantinya akan melakukan deteksi stroke dengan kategori tingkat stroke tinggi, sedang dan rendah sehingga dapat membantu menentukan preferensi pengambilan keputusan resiko

  2. Kebutuhan Software meliputi : penyakit stroke.

   Microsoft Windows 10 sebagai operating

  system 2.

   METODOLOGI

   MySQL sebagai server DBMS  Dreamweaver sebagai software aplikasi

  2.1 Studi Literatur pembuat program.

  Mempelajari literatur dari beberapa

  2.4 Perancangan

  penelitian yang menggunakan sistem pendukung keputusan menggunakan metode AHP dan WP.

  Perancangan dibuat untuk panduan Literatur tersebut ditunjukkan dari dokumentasi rancangan langkah kerja dari sistem secara projek, paper, dan jurnal penelitian sebelumnya. keseluruhan.Model perancangan ini menerangkan bagaimana cara kerja sistem yang

  2.2 Pengumpulan Data

  dibuat secara tersruktur mulai dari input sampai Data yang dibutuhkan untuk penelitian ini

  output . Berikut penjelasan dari rancangan

  adalah data tentang faktor gejala stroke, data sistem yang dibuat. tersebut didapatkan dari data penelitian yang 1.

   Input

  dilakukan oleh (Prastiti, 2015) yang diperoleh

  Input dari sistem yang dibuat ini adalah

  dari observasi di Puskesmas Kota Malang. Data data faktor resiko penyakit seperti tekanan yang dipakai merupakan data sekunder. Data darah, fibrilasi atrium, diabetes, dll. sekunder merupakan data yang dikumpulkan 2.

  Proses oleh orang lain yang digunakan untuk tujuan Proses perhitungan menggunakan metode penelitian. Data yang digunakan pada penelitian AHP dan WP. Metode AHP digunakan ini berjumlah 120 data latih berguna untuk untuk menentukan bobot prioritas dari bahan pembelajaran untuk pendeteksian masing-masing kriteria. Langkah-langkah penyakit stroke dan 35 data uji. Data uji adalah perhitungan metode AHP: data yang akan diuji coba pada sistem untuk

  1) hierarcy dari Mendefinisikan mengetahui tingkat akurasi dari hasil penelitian. permasalahan yang dihadapi.

  Data kriteria yang akan digunakan dalam 2)

  Menentukan prioritas elemen dengan penelitian ini yaitu: membuat matriks perbandingan 1. Tekanan darah berpasang.

  2. Diet 3)

  Menentukan matriks perbandingan 3. Fibrilasi atrium ternormalisasi.

  4. Merokok 4) Menentukan bobot prioritas.

  5. Kolestrol 5)

  Menghitung Eigen Value 6. Diabetes

  6) Cek nilai konsistensi CI dan CR 7.

  Aktifitas fisik olahraga 8. Riwayat keluarga

  Metode WP digunakan untuk menentukan hasil diagnosis dan perangkingan sistem.

2.3 Analisis Kebutuhan

  Langkah-langkah perhitungan metode WP:

   Analisis kebutuhan digunakan untuk

  1) Menghitung vektor S. menentukan kebutuhan apa saja yang

  2) Menentukan batas kriteria stroke dari dibutuhkan. Berikut kebutuhan yang dipakai hasil vektor S antara stroke tinggi, dalam membangun sistem ini. sedang dan rendah.

  1. Kebutuhan Perangkat Keras 3) Menghitung vektor V.  Intel i5-5200QM CPU 2.20 Ghz 4) Merangkingkan hasil vektor V.

   Memori 2 GB 1333 MHz DDR 3 3.

   Output

   Harddisk kapasistas 500 GB SATA

  Output dari sistem ini adalah hasil diagnosis

  dari data yang diinputkan yaitu stroke dengan  Nvidia Geforce GT 930M (2GB DDR 3) kategori tinggi,sedang dan rendah.

2.5 Implementasi

  Menghitung Eigen Value

  Implementasi adalah sebuah tahapan membangun program yang mengacu pada

  Cek nilai konsistensi CI

  perancangan sistem. Tahapan dalam implementasi ini antara lain:

  Cek nilai konsistensi CR

  1. interface menggunakan Implementasi perangkat lunak Dreamweaver CS6.

2. Implementasi metode AHP dan WP menggunakan bahasa PHP Myadmin.

  CR<0,1 3.

  Implementasi ini akan menghasilkan diagnosis penyakit stroke antara stroke tinggi, sedang, rendah.

  a

2.6 Pengujian

  WP a

  Tahap pengujian dilakukan untuk mengetahui apakah sistem yang telah dibuat sudah berjalan dengan baik atau tidak.Tahap

  vektor S

  dalam pengujian penelitian ini terdapat 2 pengujian yaitu pengujian fungsional dan

  Pengambilan keputusan pengujian akurasi.

  1. Pengujian fungsional digunakan untuk mengecek apakah sistem yang dibuat telah

  Vektor V sesuai dengan yang diinginkan.

2. Pengujian akurasi digunakan untuk melihat

  Perangkingan alternatif

  hasil kerja sistem dengan hasil dari data latih. Pengujian akurasi menggunakan

  Hasil keputusan dan rank matrix confusion.

2.7 Kesimpulan

  selesai

  Kesimpulan dilakukan apabila semua tahapan telah selesai. Kesimpulan diambil dari

  Gambar 1 Diagram Alir Sistem Deteksi Resiko Stroke Dengan AHP dan WP

  hasil pengujian dan analisis metode yang dipakai

  Sumber : [Perancangan] sebelumnya.

3. HASIL DAN PEMBAHASAN

  Berikut merupakan perancangan menggunakan metode AHP yang digunakan sebagai penentuan Diagram alir tahap proses AHP dan WP bobot prioritas ditunjukkan pada Gambar 1.

  .

  1. _Mulai Membangun hierarchy.

  Proses membangun sebuah hierarki

  AHP

  dilakukan berdasarkan studi literatur pada

  Score Risk Score Card pada NSA (National Input data Faktor Stroke

  Stroke Association ) kriteria tersebut antara

  lain merokok, diabetes, fibrilasi atrium,

  Nilai matriks kriteria perbandingan berpasang

  diet, kolesterol, riwayat keluarga, aktifitas fisik dan tekanan darah. Berdasarkan 8

  Normaliasasi matriks perbandingan berpasang

  kriteria tersebut, setiap kriteria mempunyai parameter masing-masing. Pembuatan hirarki ditunjukan pada Gambar 2.

  Menghitung bobot prioritas

  = Nilai penjumlahan perkolom normalisasi matrik perbandingan berpasang

  = Nilai matriks perbandingan berpasang baris ke

• –l kolom ke - k

  Perhitungan normalisasi matriks perbandingan berpasang sesuai dengan persamaan (1) adalah sebagai berikut.

  Gambar 2 Hirarki Diagnosis Stroke Menggunakan 1,1 =

  1 AHP WP 1 + 1,0000 + 1,0000 + 1,0000 + 0,5000 + 1,0000 + 1,0000 + 1,0000 Sumber : [Perancangan] =0,1333

  2.

  1,2 = Membuat matrix perbandingan berpasang.

  1 Matriks perbandingan bepasang dapat =

  1 + 1 + 1,0000 + 1,0000 + 0,5000 + 1,0000 + 1,00000 +1,0000

  dibuat setelah membuat hierarki dan

  0,1333

  1 mendapatkan nilai perbandingan kriteria.

  = 1,3 = 1 + 1 + 1+1,0000+0,3333+1,0000+1,0000+1,0000

  Matriks perbandingan berpasang

  0,1364 ditunjukkan pada Tabel 1.

  1 =

  1,4 = 1 + 1 + 1 + 1 + 0,3333+1,0000+1,0000+1,0000 Tabel 1 Matriks Perbandingan Berpasang _{K1 K2 K3 K4 K5 K6 K7 K8} 0,1364

  2 = 0,1481

  1,5 = _{K1 1 1 1 1 2 1 1 1} 2 + 2 + 3 + 3 + 1+ 1,0000+ 1,0000 + 0,5000

  1 = 0,1250

  1,6 = _{K2 1,0000 1 1 1 2 1 1 1} 1 + 1 +1+1+1+1+1,0000+1,0000

  1 _K3 = 0,1250 _{1,0000 1,0000 1 1 3 1 1 1} 1,7 = 1 + 1 + 1+1+1+1+1+1,0000 _{K4 1,0000 1,0000 1,0000 1 3 1 1 1 = 0,1111}

  1 1,8 = _{K5 0,5000 0,5000 0,3333 0,3333 1 1 1 2} 1 + 1 + 1+1+1+1+1+1 _{K6 1,0000 1,0000 1,0000 1,0000 1,0000 1 1 1} Pada perhitungan yang sudah dilakukan _{K7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1 1} maka didapat matrik perbandingan berpasang _{K8 1,0000 1,0000 1,0000 1,0000 0,5000 1,0000 1,0000 1} ternormalisasi untuk baris pertama pada _{7,5000 7,5000 7,3333 7,3333 13,5000 8,0000 8,0000 9} matriks perbandingan berpasang. Nilai matriks ternormalisasi untuk seterusnya dapat

  dilihat pada Tabel 2. Keterangan : K1 = Rokok K6 = Kolesterol

  Tabel 2 Matriks Perbandingan Berpasang

  K2 = Olahraga K7 = Diabetes Ternomalisasi K3 = Diet K8 = Riwayat

K1 K2 K3 K4 K5 K6 K7 K8

  K4 = Tekanan darah K 0,13 0,13 0,13 0,13 0,14 0,12 0,12 0,11 _{1 33 33 64 64 81 50 50 11} K5 = Fibralasi Atrium _{K 0,13 0,13 0,13 0,13 0,14 0,12 0,12 0,11 K 0,13 0,13 0,13 0,13 0,22 0,12 0,12 0,11 2 33 33 64 64 81 50 50 11} 3.

  Membuat matrix perbandingan berpasang _{3 33 33 64 64 22 50 50 11} ternormalisasi. K 0,13 0,13 0,13 0,13 0,22 0,12 0,12 0,11 _{4 33 33 64 64 22 50 50 11} Matrix perbandingan ternormalisasi dapat _{K 0,06 0,06 0,04 0,04 0,07 0,12 0,12 0,22 5 67 67 55 55 41 50 50 22} di dihitung menggunakan persamaan (1) _{K 0,13 0,13 0,13 0,13 0,07 0,12 0,12 0,11} (Sutikno, 2010). _{K 0,13 0,13 0,13 0,13 0,07 0,12 0,12 0,11 K 0,13 0,13 0,13 0,13 0,03 0,12 0,12 0,11 7 6 33 33 33 33 64 64 64 64 41 41 50 50 50 50 11 11} (1) _{8 33 33 64 64 70 50 50 11} Keterangan

• –j = Banyaknya kriteria

  Olahraga = 1 + 1 + 1,0000 + 1,0000 + 0,5000 + 1,0000 + 1,00000 + 1,0000 X 0,13111 = 0,983112 Diet = 1 + 1 + 1 + 1,0000 + 0,3333 + 1,0000 + 1,0000 + 1,0000 X 0,1403 = 1,029167

  Mengecek tingkat konsistensi bertujuan untuk mengecek apakah nilai di matrik perbandingan berpasang yang digunakan sudah konsisten atau tidak. Mengukur konsistensi terdapat 3 tahapan yaitu menghitung nilai Eigen max, menghitung

  CI dan menghitung CR. Proses menghitung Eigen max dengan persamaan (3) (Sutikno,

  2010).

  = x (3)

  Keterangan = Eigen Value

  = Nilai bobot prioritas = Nilai jumlah matriks perbandingan berpasang

  = Banyak kriteria  Perhitungan cek nilai eigen maksimum menggunakan (3) sebagai berikut.

  Rokok = 1 + 1,0000 + 1,0000 + 1,0000 + 0,5000 + 1,0000 + 1,0000 + 1,0000 X 0,13111 = 0,983112

  Hipertensi = 1 + 1 + 1 + 1 + 0,3333 + 1,0000 + 1,0000 + 1,0000 X 0,1403 = 1,029167 = 2 + 2 + 3 + 3 + 1 + 1,0000 + 1,0000 + 0,5000 X 0,0963 = 1,300284

  8 = 0,1172 5.

  Kolesterol = 1 + 1 + 1 + 1 + 1 + 1 + 1,0000 + 1,0000 X 0,1218 = 0,974579 dst.

   Setelah nila eigen maksimum diketahui selanjutnya dapat menghitung CI dengan persamaan (4) (Sutikno,2010).

  = ( − ) −1

  (4) Perhitungan CI mengunakan (4) sebagai berikut.

  CI = (8,328735−8) 8−1

  = 0,0470

  Keterangan

  CI = Indek konsistensi

  Mengecek nilai konsistensi.

  0,1333 + 0,1333+ 0,1364+ 0,1364+ 0,0370+ 0,1250 + 0,1250+ 0,1111

  Keterangan : K1 = Rokok K6 = Kolesterol K2 = Olahraga K7 = Diabetes K3 = Diet K8 = Riwayat K4 = Tekanan darah K5 = Fibralasi Atrium 4.

  8 = 0,1311 Diet

  Menentukan bobot prioritas.

  Proses perhitungan nilai bobot prioritas ini dihitung setelah nilai matriks perbandingan berpasang telah dinormalisasi. Proses perhitungan untuk menghitung bobot prioritas menggunakan persamaan (2) (Sutikno, 2010).

  = (2)

  Keterangan = Nilai bobot untuk kriteria ke

  =Nilai penjumlahan perbaris matriks perbandingan ternormalisasi. Perhitungan bobot prioritas berdasarkan (2) adalah sebagai berikut.

  Rokok 0,13330+ 13330+ 13640+ 13640+14810+ 12500+12500+1111

  8 = 0,1311 Olahraga

  0,1333+0,1333+0,1364+0,13640+14810+12500+12500+1111

  0,13330 + 13330 + 13640 + 13640 + 22220 + 12500 + 12500 + 1111

  8 = 0,1218 Riwayat

  8 = 0,1430 Hipertensi

  0,1333 + 0,13330 + 13640 + 13640 + 22220 + 1250 +,12500+1111

  8 = 0,1403

  0,0667 + 0,0667+0,04550 + 0,0455+0,0741 + 0,1250 + 0,1250 + 0,2222

  8 = 0,0963 Kolesterol

  0,1333+0,1333+ 0,1364+ 0,1364+ 0,0741+ 0,1250 + 0,1250+0,1111

  8 = 0,1218 Diabetes

  0,1333 + 0,1333+ 0,1364+0,1364+ 0,0741+ 0,1250+0,1250+0,1111

  = Eigen Value

  n = Banyak elemen

  Setelah mendapat nilai hasil X dipangkat W untuk tiap elemen kriteria, maka selanjutnya mengkalikan semua hasil pangkat tersebut.

  5 = 2

  0,0963 =1,069 ( 1,6 )

  6 = 2

  0,1218 =1,088 ( 1,7 )

  7 = 2

  0,1218 = 1,088 ( 1,8 )

  8 = 3

  0,1172 = 0,352

  1 =1,155*1,155*1,167*0,421*1,069* 1,088*1,088*0,352 = 2,6137

  4 = 3

  Berdasarkan hasil perkalian diatas didapat nilai preferensi alternatif untuk data pasien 1 sebesar 2,6137. Proses perhitungan preferensi alternatif atau vektor S untuk data pasien lainnya sama halnya perhitungan contoh yang sudah dilakukan pada data pasien 1. Hasil vektor S dari 35 data uji ditunjukkan pada Tabel 3.

  Tabel 3 Hasil Perhitungan Nilai Vektor S NO Alternatif Nilai S

  1 Pasien 1 2,6137

  2 Pasien 2 2,8608

  3 Pasien 3 2,7127 . . .

  35 Pasien 35 1,5852 Total S 79,9567

  2. Pengambilan keputusan.

  Pengambilan keputusan adalah proses menentukan nilai batas antara stroke rendah, sedang dan tinggi dari hasil vektor S pada Tabel 3. Nilai batas

  0,1403 = 0,421 ( 1,5 )

  0,1403 = 1,167 ( 1,4 )

   Tahap terahir yang dilakukan untuk mengukur tingkat konsistensi dengan menghitung nilai konsistensi rasio. Jika nilai CR lebih dari 0,1 maka nilai perbandingan berpasang yang digunakan dianggap tidak konsisten, apabila kurang dari 0,1 maka nilai tersebut dianggap konsisten. Perhitungan nilai CR menggunakan persamaan (5) (Sutikno, 2010). = (5) Keterangan

  Berikut adalah perancangan metode Weigted Product .

  0,1311 =1,155 ( 1,3 )

  2 = 3

  0,1311 =1,155 ( 1,2 )

  1 = 3

  ( 1,1 )

  Perhitungan vektor S menggunakan hasil bobot prioritas dari metode AHP dan data latih. Perhitungan vektor S dengan persamaan (6) sebagai berikut.

  CR = Consistency Ratio CI = Consistency Index RC = Random Consistency

  Perhitungan CR berdasarkan (5) adalah sebagai berikut

  CR = 0,0470 1,41

  3 = 3

  = 0,0333 Hasil nilai CR yang telah dihitung diperoleh rasio 0,0333. Bredasakan nilai CR tersebut maka disimpulkan nilai perbandingan berpasang telah konsisten atau dapat diterima. Pada tahap selanjutnya metode Weighted

  Product digunakan untuk menghasilkan perangkingan dari hasil diagnosis stroke.

1. Menghitung Vektor S.

  Proses perhitungan preferensi alternatif atau vektor S dihitung menggunakan Persamaan (6) (Kusumadewi, 2005).

  = ∏ ( )

  =1

  S = preferensi alternatif dianalogikan

  sebagai vektor S

  x = nilai kriteria w = bobot kriteria i = alternatif j = kriteria n = banyaknya kriteria

  (6) Keterangan

  2 Pasien 2 0,0358

  kategori didapat dari hasil minimum sampai maksimum pada vektor S

  3 Pasien 3 0,0339

  kemudian dipecah secara manual. Hasil . . . pemecahan tersebut ditemukan bobot

  35 Pasien 35 0,0198

  kategori stroke tinggi >=2.30, bobot stroke sedang >=2.04 dan bobot stroke

  4. Perangkingan nilai alternatif. rendah < 2.04. Hasil pangambilan

  Perangkingan dilakukan guna melihat keputusan dari 35 data uji ditunjukkan pasien mana yang memiliki resiko pada Tabel 4. tertinggi atau terendah. Hasil proses

  Tabel 4 Hasil Pengambilan Keputusan Diagnosis perangkingan ditunjukkan pada Tabel 6.

  Kategori Stroke Tabel 6 Hasil Ranking No Alternatif Nilai S Hasil

  

1 Pasien 1 2,6137 Tinggi No Alternatif Nilai V Rangking

  2 Pasien 2 2,8608 Tinggi

  1 Pasien 1 0,0327

  10

  2 Pasien 2 0,0358

  1

  3 Pasien 3 2,7127 Tinggi

  3 Pasien 3 0,0339

  6 . . . . . . . .

35 Pasien 35 1,5852 Rendah

  35 Pasien 35 0,0198

  32 3.

  Menghitung vektor V.

  Vektor V atau prefensi relative dihitung Kemudian pada tahap pengujian akurasi sistem dilakukan untuk mengetahui hasil dari dengan persamaan (7) (Kusumadewi, 2005). sistem yang dibuat. Pengujian akurasi sistem dilakukan dengan cara membandingkan hasil keputusan sistem dengan data latih. Pengujian

  (7) = akurasi dibuat tabel perbandingan hasil, tabel

  Keterangan tersebut digunakan untuk membandingkan hasil

  V = Preferensi relatif dianalogikan

  sistem dan data uji apakah sesuai atau tidak sebagai vektor V sesuai. Pada tabel tersebut dapat diisikan nilai 1

  x = Nilai kriteria

  pada kolom sesuai atau tidak sesuai. Kolom

  w = Bobot kriteria

  sesuai diisi apabila hasil sistem dan data uji bernilai sama dan pada kolom tidak sesuai Perhitungan vektor V yang menggunakan apabila hasil sistem dan data uji tidak sama. persamaan (7) ditunjukkan sebagai

  Perbandingan hasil sistem dan data uji dapat . berikut dilihat pada Tabel 7.

  2,6137 Tabel 7 Data Perbandingan Hasil 1 = = 0,0327

  79,9567 Pasien Hasil Sistem Data Uji Hasil

  2,8608 Sesuai Tidak Sesuai

  2 = = 0,0358 79,9567

  Pasien 1 Tinggi Tinggi

  1 Pasien 2 Tinggi Tinggi

  1 2,7127

  Pasien 3 Tinggi Tinggi

  1 = 0,0339

  Pasien 3 = Pasien 4 Tinggi Tinggi

  1 79,9567

  Pasien 5 Tinggi Tinggi

  1 Pasien 6 Tinggi Tinggi

  1 Berdasarkan hasil perhitungan tersebut Pasien 7 Tinggi Tinggi

  1

  didapat nilai vektor V untuk pasien 1,2

  Pasien 8 Tinggi Tinggi

  1 Pasien 9 Tinggi Tinggi

  1

  dan Nilai vektor V untuk pasien lain

  Pasien 10 Tinggi Tinggi

  1 ditunjukan pada Tabel 5. Pasien 11 Tinggi Tinggi

  1 Pasien 12 Tinggi Tinggi

  1 Tabel 5 Hasil Perhitungan Vektor V Pasien 13 Tinggi Tinggi

  1 Pasien 14 Tinggi Tinggi

  1 No Alternatif Nilai V Pasien 15 Tinggi Tinggi

  1

1 Pasien 1 0,0327

  Pasien 16 Tinggi Tinggi

  19

  Tabel 8 Confusion Matrix Kelas Prediksi Tinggi Sedang Rendah

  Tinggi TB = 16 SS=1 RS=4 Sedang SB=6 TS=3 TS=3 Rendah

  RB=4 RS=4 SS=1

  Dari tabel Confusion Matriks berikut penjelasannya : TB = Nilai tinggi yang diklasifikasikan benar SB = Nilai sedang yang diklasifikasikan benar RB = Nilai rendah yang diklasifikasikan benar SS = Nilai sedang yang diklasifikasikan salah TS = Nilai tinggi yang diklasifikasikan salah RS = Nilai rendah yang diklasifikasikan salah Setelah membuat tabel Confusion Matrix berikutnya menghitung akurasi dengan menggunakan persamaan (8) (Han & Kamber, 2006). Perhitungan akurasi :

  TB+TS TB+SS+SB+TS

  X 100 % (8) Perhitungan akurasi menggunakan (8) dapat ditunjukkan.

  16+3 16+1+6+3

  X 100% =

  28 X 100% = 73,08 %

  Matriks, tabel Confusion Matriks pada pengujian

  Pada hasil pengujian menggunakan confusion

  matrix hasil perbandingan yang ditunjukkan

  pada Tabel 4.1 menunjukkan bahwa jumlah data uji yang sesuai dengan hasil sistem berjumlah 27 data dan 8 data tidak sesuai. Hasil akurasi sistem

  untuk deteksi stroke menggunakan metode AHP dan WP sebesar 73,8% sedangkan

  prosentase tingkat perbedaan 26,2%. Berdasarkan tingkat akurasi kesesuaian yaitu 73,8% maka sistem yang dibangun dianggap layak untuk digunakan. Untuk tingkat perbedaan dengan prosentase 26,2% ini disebabkan karena dalam perhitungan bobot kriteria setiap bobot memiliki nilai yang kurang bervarian, misalnya riwayat keluarga stroke. Kriteria ini jauh lebih penting dibandingkan dengan kriteria-kriteria lain yang ada sehingga harus memiliki nilai bobot yang lebih dalam perhitungan dibandingkan kriteria.

  4. KESIMPULAN

  Berdasarkan pada hasil perancangan, implementasi dan pengujian yang sudah dilakukan pada sistem untuk deteksi penyakit stroke menggunakan metode AHP dan WP maka dapat disimpulkan sebagai berikut.

  1. Sistem untuk deteksi penyakit stroke menggunakan metode AHP dan WP telah dibuat sesuai dengan perancangan sistem yang terdiri dari perancangan sistem pendukung keputusan.

  2. Hasil pengujian sistem untuk deteksi stroke menggunakan metode AHP dan WP sebagai berikut:

  ini terdapat 2 atribut yaitu kelas sebenarnya dan kelas prediksi. Kelas sebenarnya adalah kelas yang didapatkan dari data uji dan kelas prediksi adalah kelas yang didapatkan dari hasil sistem. Tabel confusion matriks ditunjukkan pada Tabel 8.

  data uji dari 35 data didapat data sesuai berjumlah 27 dan data tidak sesuai berjumlah 8. Tahap berikutnya membuat tabel Confusion

  1 Pasien 17 Tinggi Sedang

  1 Pasien 27 Sedang Sedang

  1 Pasien 18 Tinggi Sedang

  1 Pasien 19 Sedang Sedang

  1 Pasien 20 Tinggi Sedang

  1 Pasien 21 Sedang Sedang

  1 Pasien 22 Rendah Sedang

  1 Pasien 23 Sedang Sedang

  1 Pasien 24 Rendah Sedang

  1 Pasien 25 Rendah Sedang

  1 Pasien 26 Sedang Sedang

  1 Pasien 28 Rendah Sedang

  8 Hasil keputusan yang dihasilkan oleh sistem dan

  1 Pasien 29 Sedang Sedang

  1 Pasien 30 Sedang Rendah

  1 Pasien 31 Rendah Rendah

  1 Pasien 32 Rendah Rendah

  1 Pasien 33 Rendah Rendah

  1 Pasien 34 Rendah Rendah

  1 Pasien 35 Rendah Rendah

  1 TOTAL

  27

   Hasil pengujian akurasi membandingkan antara data latih dan sistem yang dibuat. Dari pengujian tersebut hasil perbandingan antara data latih dan hasil sistem mendapatkan hasil sesuai 27 data dan hasil tidak sesuai 8 data dari 35 data yang diuji. Sehingga memiliki akurasi 73,8%. Hasil tersebut kurang maksimal karena dalam pembuatan sistem ini pembobotan nilai kriteria kurang Prastiti,Tety 2015. Sistem Pendukung Keputusan bervarian sehinga hasil akurasi kurang Deteksi Stroke Menggunakan Metode maksimal. MKNN. Universitas Brawjaya, Malang

DAFTAR PUSTAKA

  Alfita, Riza. 2011. Perancangan Sistem

  Keputusan Penentuan Pioritas Produk Unggulan Daeah Menggunakan Metode Weigh/ted Product Madura. Program

  Studi Teknik Multimedia dan Jaringan Fakultas Teknik Universitas Trunojoyo. Azhary, Ary. 2017. Sistem Pendukung

  Keputusan Penerimaan Guru Honorer SMA 2 Batu Menggunakan Metode AHP dan WP. Universitas Brawijaya, Malang .

  Irfan 2012 Fisioterapi Bagi Insan Stroke, Graha Ilmu ,Yokyakarta

  Kusumadewi, Sri 2006. Fuzzy Multi-Attribute Decision Making. Graha Ilmu, Yogyakarta

  Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta

  Makksau, K.,2012. Pengunaan Metode AHP delam penentuan prioritas program kesehatan. Jurnal teknik industry UNDIP. NSA. 2009. Stroke. National Stroke Association, United States. Ramadhan, Rizki. 2016. Sistem Pendukung

  Keputusan Deteksi Dini Demam Berdarah Menggunakan Metode AHP. Universitas

  Brawjaya, Malang. Roger,S. 2010. Software engginering a practitioner approach. The McGraw-Hill

  Companies, inc.,Seventh Edition,New York. Saaty, Thomas L.2008. How to make a decision

  The Analitical Hierachy Procces . North-

  Holland : Elsevier Science Publisers

• – Saprida, Astrid. 2015. Penerapan Metode AHP WP Untuk Penerimaan Siswa Baru. Fakultas ilmu Komputer, Universitas Brawijaya.

  Sutikno 2010.Sistem Pendukung Keputusan

  Medote AHP Untuk Pemlihan Siswa Dalam Mengikuti Olimpiade Sains Di Sekolah Menengah Atas . Universitas Diponegoro, Semarang.

  Parno 2005 Data Flow Diagram. Universitas Gunadarma