PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES DENGAN METODE NAÃVE BAYES.
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
SUSUNAN DEWAN REDAKSI JELIKU
KETUA
AGUS MULIANTARA, S.KOM, M.KOM
PENYUNTING
DRA. LUH GEDE ASTUTI, M.KOM
NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM
IDA BAGUS MAHENDRA, S.KOM, M.KOM
IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS
PELAKSANA
I KETUT GEDE SUHARTANA, S.KOM., M.KOM
I GEDE SANTI ASTAWA, S.T., M.CS
I MADE WIDIARTHA, S.SI., M.KOM
ALAMAT REDAKSI
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
KAMPUS BUKIT JIMBARAN – BADUNG
TELEPON : 0361 – 701805
EMAIL : JELIKU@CS.UNUD.AC.ID
WEBSITE : WWW.CS.UNUD.AC.ID
i
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
DAFTAR ISI
SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i
DAFTAR ISI ....................................................................................................................................... iii
PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT.
ASTRA INTERNASIONAL TBK. –HONDA
Ni Made Dwi Arnita, Agus Muliantara ............................................................................................. 1
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana, Agus Muliantara ..................................................................................... 11
PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH
I Putu Ery Handika dan I Komang Ari Mogi ................................................................................. 16
PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA
DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI
I Gusti Putu Deviara Putra, I.B Made Mahendra .......................................................................... 25
IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER
BERBASIS TRANSPARENT PROXY
I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ............................................................ 33
PURWARUPA APLIKASI MESIN PENCARI REFERENSI
I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ................................................ 42
IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI
FAKULTAS HUKUM UNIVERSITAS UDAYANA
I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ......... 51
PERANCANGAN SISTEM TRACER STUDY
PARIWISATA UNIVERSITAS UDAYANA
BERBASIS
WEB
PADA
FAKULTAS
Luh Sukma Widiasari, Ngurah Widyatmaja .................................................................................. 59
PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES
DENGAN METODE NAÏVE BAYES
Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ..................... 68
IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN
SISTEM CONTENT DELIVERY NETWORK
I Made Yoga Sattwika Darma
, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan .............................................. 73
PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL
TBK. - HONDA
I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ............................................................... 78
ANALISIS MANAJEMEN BANDWIDTH UNTUK MEMBERIKAN LAYANAN SECARA ADIL
TERHADAP PENGGUNA DENGAN MENGGUNKAN METODE ANTRIAN HTB DAN
METODE ANTRIAN PCQ PADA MIKROTIK
iii
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan .............................................. 88
PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV
MODEL
I Wayan Adi Juliawan Pawana ........................................................................................................ 96
IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN
METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION
Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa.......................................... 101
ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL
(rip) DAN OPEN SHORTEST PATH FIRST (OSPF)
A.A.Sagung Istri Candra Padmasari ........................................................................................... 1010
iv
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT
DIABETES DENGAN METODE NAÏVE BAYES
Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha
Program Studi Teknik Informatika, Jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Email: putu.gerhans@cs.unud.ac.id, agus.sanjaya@cs.unud.ac.id, imadewidiartha@cs.unud.ac.id
ABSTRAK
Diabetes merupakan sebuah penyakit yang disebabkan karena naiknya kadar gula dalam
darah. Seiring dengan perkembangan jaman serta perubahan gaya hidup manusia, diabetes merupakan
salah satu penyakit paling rentan yang diderita. Diabetes pima-indians dibagi kedalam dua kelas,
yakni kelas 0 (negative diabetes) dan kelas 1 ( positif diabetes). Dataset yang digunakan adalah 105
buah data diabetes dimana 160 terdiri dari data training dan 55 data untuk data testing. Dalam
mengklasifikasikan penyakit diabetes membutuhkan metode yang cepat tepat dan juga akurat. Metode
yang digunakan yakni salah satu metode dari klasifikasi, yakni metode klasifikasi naïve bayes.
Metode naïve bayes telah banyak digunakan dalam hal klasifikasi.Dengan menggunakan metode
naïve bayes tingkat akurasi yang dihasilkan dalam mengklasifikasikan penyakit diabetes adalah 74%
dimana dari 55 data, 37 data penyakit diabetes dapat diklasifikasikan dengan baik.
Kata Kunci: Klasifikasi , naïve bayes , diabetes
ABSTRACT
Diabetes is a disease caused by rising blood sugar levels. Along with the development and
changes in human lifestyle, diabetes is a disease that affects the most vulnerable. Pima-Indians
diabetes were divided into two classes, namely class 0 (negative diabetes) and class 1 ( positif
diabetes). The dataset used was 160 pieces of data of diabetes which consists of 105 training data and
55 data for testing data. In classifying diabetes requires precise and fast method is also accurate. The
method is used which is one method of classification, ie, naïve Bayes classification method. Naïve
Bayes method has been widely used in classification.By using naïve Bayes method produced an
accuracy rate in classifying diabetes which is 74% of the data where from 55 data, 37 data could be
classified very well.
Keywords: Classification, naïve bayes, diabetes
yaitu tidak pernah lebih dari satu dan tidak
pernah ada kelas sama sekali. Dalam dunia
nyata, pembuatan keputusan dapat dirumuskan
sebagai masalah klasifikasi yakni pembagian
objek atau manusia kedalam sebuah kategori
contohnya : cuaca , pendidikan maupun dalam
hal kesehatan.
Penelitian
yang
dilakukan
dimaksudkan untuk mencari penyelesaian atas
beberapa permasalahan yang berkaitan dengan
klasifikasi berikut :
1. Pendahuluan
Perkembangan teknologi kini sudah
semakin maju, baik dibidang kesehatan ,
ekonomi, pembangunan dan salah satunya
adalah komputer. Komputer merupakan
sebuah alat yang dapat membantu manusia
dalam melakukan pekerjannya. Teknologi
komputer
dirancang
untuk
membantu
mengatasi masalah yang dialami, dan salah
satu permasalahan tersebut adalah dalam hal
klasifikasi.
Klasifikasi adalah pengelompokan
obyek kedalam satu atau beberapa kelompok
berdasarkan variable yang diamati [4]. Setiap
objek harus dibagi hanya untuk satu class,
1. Atribut penyakit diabetes terdiri dari 8
atribut dimana semua atribut saling
berhubungan sehingga dibutuhkan
68
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
teknologi yang menunjang dalam
membagi penyakit diabetes tersebut.
2. Pembagian penyakit diabetes secara
manual masih sulit dilakukan karena
membutuhkan waktu yang lama dan
konsentrasi tinggi.
Tujuan yang hendak dicapai
perancangan aplikasi ini adalah
JELIKU Vol 2 No. 3 Agustus 2013
P(H|X)=
|
.
Dimana:
P(H|X): Probabilitas hipotesi H jika diberikan
evidence X
P(X|H): probabilits munculnya evidence E
jika diketahui hipotesis H
P(H) : Probabilitas hipotesis H tanpa
memandang evidence apapun
P(E) :
Probabilitas evidence X
dalam
1. Merancang sebuah aplikasi yang dapat
mengolah data penyakit diabetes.
2. Membangun
sebuah
aplikasi
klasifikasi yang dapat melakukan
klasifikasi penyakit diabetes secara
cepat tepat dan akurat.
Bayesian Classification
Bayesian
classifier
adalah
pengklasifikasian statistik. Bayesian classifier
(pengklasifikasian
Bayesian)
dapat
memprediksi probabilitas keanggotaan kelas,
seperti probabilitas bahwa tuple diberikan
milik
kelas
tertentu.
Studi
yang
membandingkan algoritma klasifikasi telah
menemukan sebuah classifier Bayesian
sederhana yang dikenal sebagai naïve bayesian
classifier dimana kinerja dari naïve Bayesian
classifier sebanding dengan
kinerja dari
decision tree dan pengklasifikasi jaringan
syaraf.
P(H|X) = P(H) P(X1|H) P(X2|H)...P(Xn|H)
P(H|X) = P(H) ∏ � �|�
2. Tinjauan Pustaka
Data Mining
Data Mining adalah sebuah teknologi yang
merupakan campuran dari metode analisis data
tradisional dengan algoritma terkini untuk
memproses data dalam jumlah yang
banyak.[1]
Data mining adalah sesuatu tentang
pemecahan masalah dengan menganalisis data
yang sudah ada dalam database. Data mining
didefinisikan sebagai proses menemukan pola
dalam data. Proses harus dilakukan secara
otomatis atau (biasanya) semi-otomatis.[2]
3. Metodologi Penelitian
Dalam penelitian ini metode penelitian
yang digunakan adalah metode System
Development Life Cycle (SDLC) . Adapun
bagian dari SDLC itu sendiri terdiri dari
beberapa tahap yakni perencanaan, analisis
sistem, perancangan, implementasi, dan
pengujian.
a. Perencanaan (planning), tujuam dari
tahap perencanaan (planning) adalah
tahap untuk menentukan bagaimana
ruang lingkup dalam perancangan
aplikasi klasifikasi ini. .
b. Tahap kedua, adalah tahap analisis
(analysis), yaitu tahap dimana kita
mencari permasalahan yang ada yang
kemudian diupayakan untuk dicari jalan
keluarnya.
c. Tahap ketiga, adalah tahap perencanaan
(design) dimana penulis mencoba
mencari solusi dari permasalahan yang
didapat dari tahap analisis.
Naïve Bayes
Naïve Bayes adalah teknik yang
populer untuk aplikasi ini karena sangat cepat
dan cukup akurat. Naïve Bayes memberikan
pendekatan yang sederhana, dengan semantik
yang jelas, untuk mewakili, menggunakan, dan
belajar pengetahuan probabilistik. Hal ini
dapat mencapai hasil yang mengesankan. [2]
Teorema Bayes
Teorema Bayes merupakan teorema
yang digunakan dalam statistika untuk
perhitungan peluang dalam suatu hipotesis,
Bayes Optimal Classifier menghitung peluang
suatu kelas dari tiap kelompok atribut yang
ada, dan menentukan kelas mana yang paling
tepat.[3]
Probabilitas bayes merupakan salah
satu cara untuk mengatasi ketidakpastian data
dengan menggunakan formula Bayes yang
dinyatakan:
69
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
d. Tahap
keempat,
adalah
tahap
implementasi
dimana
penulis
mengimplementasikan
perencanaan
sistem ke situasi nyata yaitu dengan
pemilihan
perangkat
keras
dan
penyusunan perangkat lunak aplikasi
(pengkodean/coding).
e. Tahap kelima, adalah pengujian (testing),
yang dapat digunakan untuk menentukan
apakah sistem atau perangkat lunak yang
dibuat sudah sesuai dengan kebutuhan
pengguna atau belum, jika belum, proses
selanjutnya adalah bersifat iteratif, yaitu
kembali ketahap-tahap sebelumnya.
4. Perancangan
Tujuan dari perancangan aplikasi ini
adalah untuk memenuhi kebutuhan dari
pemakai sistem / user tentang gambaran yang
jelas tentang bagaimana aplikasi yang akan
dirancang serta diimplementasikan.
Perancangan aplikasi klasifikasi diabetes
pima indians ini dijelaskan dalam bentuk
diagram alir atau flowchart.
4.1 Flowchart klasifikasi diabetes
Yang pertama dilakukan adalah
perhitungan
prior
probability,
dimana
merupakan probability yang tidak dipengaruhi
oleh informasi tambahan.Selanjutnya yang
dilakukan adalah perhitungan posterior
probability atau probabilitas bersyarat yang
merupakan probabilitas dari sebuah peristiwa
yg akan terjadi jika sebuah peristiwa lainnya
telah terjadi, dan yang terakhir adalah
perhitungan posterior probability dimana
perhitungan ini berguna untuk mengetahui
kelas dari data diabetes pima Indian yang
dimasukkan.
Diagram Alir (Flowchart)
Diagram alir (flowchart) merupakan
sebuah gambar diagram yang memiliki
simbol-simbol grafis yang menggambarkan
jalan kerja suatu algoritma atau proses yang
menampilkan
langkah-langkah
yang
digunakan pada sistem yang digambarkan
dalam bentuk kotak beserta urutannya dengan
saling menghubungkan tiap-tiap langkah
dengan anak panah.
Dapat dilihat pada gambar 4.1 apabila
data inputan yang dimasukkan kealam aplikasi
adalah data diabetes yang memiliki atribut
sebanyak 8 atribut yang terdiri dari jumlah
kehamilan, konsentrasi glukosa plasma,
tekanan darah diastolik, ketebalan lapisan
trisep, serum insulin, body mass index, silsilah
diabetes dan umur serta 2 kelas yakni kelas
positif dan negatif.
5. Implementasi
Berdasarkan perancangan yang telah
dilakukan, yang selanjutnya dilakukan
implementasi. Implementasi akan dilakukan
dengan menggunakan bahasa pemrograman
visual basic.NET. Sedangkan untuk database
yang akan digunakan untuk menyimpan semua
data adalah MySql.
70
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
Gambar 5.1 Form klasifikasi
Gambar 5.2 Form perhitungan
Selain itu ditampilkan pula hasil detail
dari perhitungan naïve bayes tersebut seperti
yang ditunjukkan pada gambar 5.2. Bagaimana
perhitungan dari naïve bayes sehingga
diperoleh kelas dari atribut tersebut
ditampilkan disini sebagai informasi tambahan
untuk mengetahui detail dari cara kerja
aplikasi ini.
Gambar 5.1 adalah gambar form
klasifikasi. Pada form tesrsebut terdapat 8
atribut yang dimasukkan sebagai testing dan
juga kelas dari atribut uji setelah dilakukan
pengujian apakah positif atau negative
diabetes. Pada form tersebut terdapat 2 tombol
utama yakni run untuk melakukan klasifikasi
dan reset untuk mengulang dalam proses
klasifikasi.
71
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
diperoleh akurasi sebesar 74% dengan data
testing sebanyak 50 data. Untuk data training
digunakan 105 data training.
6. Hasil dan Pembahasan
Dataset diabetes diambil dari UCI
Machine Learning dimana terdiri dari 160 data
diabetes. Dari 50 kali percobaan 37 data
berhasil diklasifikasikan dengan tepat. Pada uji
coba aplikasi klasifikasi penyakit diabetes ini
dilakukan sepuluh kali percobaan dan
Percobaan
1
2
3
4
5
6
7
8
9
10
Jumlah Data
50
JELIKU Vol 2 No. 3 Agustus 2013
Akurasi =
= 74%
Tabel 1. Akurasi
Berhasil
37
37
37
37
37
37
37
37
37
37
Gagal
13
13
13
13
13
13
13
13
13
13
�
%
Akurasi(%)
74
74
74
74
74
74
74
74
74
74
1. Tan, Pang-Ning et.al. 2006.”Introduction
to data Mining”. Pearson Education Inc,
America
2. Witten. Ian H. 2011. “Data Mining
Practical Machine Learning Tools and
Techniques”. Elsevier Inc. USA
3. Shadiq, Ammar. 2009. “Keoptimalan
Naïve Bayes Dalam Klasifikasi”.
Universitas Pendidikan Indonesia, Bandung
4. Ningsih, Nur Indah Puspita. 2010.
“Pembandingan Secara Empirik Metode
Pemilihan Gini dan towing Dalam
Klasifikasi Berstruktur Pohon Biner”.
Institut Teknologi Sepuluh November,
Surabaya.
7. Kesimpulan
Dilihat dari aplikasi klasifikasi
penyakit diabetes Pima Indian ini diperoleh
hasil akurasi yang cukup baik dimana aplikasi
klasifikasi dengan metode naïve bayes ini
dapat melakukan klasifikasi dengan 74% data
akurat. Dari segi informasi, aplikasi ini juga
menyediakan informasi detil dari perhitungan
pada naïve bayes tersebut sehingga dengan
informasi detail tersebut dapat membantu
dalam hal informasi perhittungannya itu
sendiri.
8. Saran
Saran yang dapat diberikan penulis
dalam pembuatan aplikasi klasifikasi seperti
ini adalah pengembangan kelas penyakit pada
sistem klasifikasi diabetes dengan atribut yang
lebih beragam, penggunaan data latih dan data
uji yang lebih banyak agar sistem dapat
mengenali berbagai variasi data pada masingmasing kelas penyakit diabetes dan juga
klasifikasi dapat menggunakan algoritma lain
sehingga
dapat
dibandingkan
tingkat
akurasinya.
DAFTAR PUSTAKA
72
JELIKU Vol 2 No. 3 Agustus 2013
SUSUNAN DEWAN REDAKSI JELIKU
KETUA
AGUS MULIANTARA, S.KOM, M.KOM
PENYUNTING
DRA. LUH GEDE ASTUTI, M.KOM
NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM
IDA BAGUS MAHENDRA, S.KOM, M.KOM
IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS
PELAKSANA
I KETUT GEDE SUHARTANA, S.KOM., M.KOM
I GEDE SANTI ASTAWA, S.T., M.CS
I MADE WIDIARTHA, S.SI., M.KOM
ALAMAT REDAKSI
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
KAMPUS BUKIT JIMBARAN – BADUNG
TELEPON : 0361 – 701805
EMAIL : JELIKU@CS.UNUD.AC.ID
WEBSITE : WWW.CS.UNUD.AC.ID
i
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
DAFTAR ISI
SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i
DAFTAR ISI ....................................................................................................................................... iii
PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT.
ASTRA INTERNASIONAL TBK. –HONDA
Ni Made Dwi Arnita, Agus Muliantara ............................................................................................. 1
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana, Agus Muliantara ..................................................................................... 11
PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH
I Putu Ery Handika dan I Komang Ari Mogi ................................................................................. 16
PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA
DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI
I Gusti Putu Deviara Putra, I.B Made Mahendra .......................................................................... 25
IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER
BERBASIS TRANSPARENT PROXY
I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ............................................................ 33
PURWARUPA APLIKASI MESIN PENCARI REFERENSI
I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ................................................ 42
IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI
FAKULTAS HUKUM UNIVERSITAS UDAYANA
I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ......... 51
PERANCANGAN SISTEM TRACER STUDY
PARIWISATA UNIVERSITAS UDAYANA
BERBASIS
WEB
PADA
FAKULTAS
Luh Sukma Widiasari, Ngurah Widyatmaja .................................................................................. 59
PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES
DENGAN METODE NAÏVE BAYES
Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ..................... 68
IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN
SISTEM CONTENT DELIVERY NETWORK
I Made Yoga Sattwika Darma
, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan .............................................. 73
PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL
TBK. - HONDA
I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ............................................................... 78
ANALISIS MANAJEMEN BANDWIDTH UNTUK MEMBERIKAN LAYANAN SECARA ADIL
TERHADAP PENGGUNA DENGAN MENGGUNKAN METODE ANTRIAN HTB DAN
METODE ANTRIAN PCQ PADA MIKROTIK
iii
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan .............................................. 88
PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV
MODEL
I Wayan Adi Juliawan Pawana ........................................................................................................ 96
IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN
METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION
Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa.......................................... 101
ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL
(rip) DAN OPEN SHORTEST PATH FIRST (OSPF)
A.A.Sagung Istri Candra Padmasari ........................................................................................... 1010
iv
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT
DIABETES DENGAN METODE NAÏVE BAYES
Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha
Program Studi Teknik Informatika, Jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Email: putu.gerhans@cs.unud.ac.id, agus.sanjaya@cs.unud.ac.id, imadewidiartha@cs.unud.ac.id
ABSTRAK
Diabetes merupakan sebuah penyakit yang disebabkan karena naiknya kadar gula dalam
darah. Seiring dengan perkembangan jaman serta perubahan gaya hidup manusia, diabetes merupakan
salah satu penyakit paling rentan yang diderita. Diabetes pima-indians dibagi kedalam dua kelas,
yakni kelas 0 (negative diabetes) dan kelas 1 ( positif diabetes). Dataset yang digunakan adalah 105
buah data diabetes dimana 160 terdiri dari data training dan 55 data untuk data testing. Dalam
mengklasifikasikan penyakit diabetes membutuhkan metode yang cepat tepat dan juga akurat. Metode
yang digunakan yakni salah satu metode dari klasifikasi, yakni metode klasifikasi naïve bayes.
Metode naïve bayes telah banyak digunakan dalam hal klasifikasi.Dengan menggunakan metode
naïve bayes tingkat akurasi yang dihasilkan dalam mengklasifikasikan penyakit diabetes adalah 74%
dimana dari 55 data, 37 data penyakit diabetes dapat diklasifikasikan dengan baik.
Kata Kunci: Klasifikasi , naïve bayes , diabetes
ABSTRACT
Diabetes is a disease caused by rising blood sugar levels. Along with the development and
changes in human lifestyle, diabetes is a disease that affects the most vulnerable. Pima-Indians
diabetes were divided into two classes, namely class 0 (negative diabetes) and class 1 ( positif
diabetes). The dataset used was 160 pieces of data of diabetes which consists of 105 training data and
55 data for testing data. In classifying diabetes requires precise and fast method is also accurate. The
method is used which is one method of classification, ie, naïve Bayes classification method. Naïve
Bayes method has been widely used in classification.By using naïve Bayes method produced an
accuracy rate in classifying diabetes which is 74% of the data where from 55 data, 37 data could be
classified very well.
Keywords: Classification, naïve bayes, diabetes
yaitu tidak pernah lebih dari satu dan tidak
pernah ada kelas sama sekali. Dalam dunia
nyata, pembuatan keputusan dapat dirumuskan
sebagai masalah klasifikasi yakni pembagian
objek atau manusia kedalam sebuah kategori
contohnya : cuaca , pendidikan maupun dalam
hal kesehatan.
Penelitian
yang
dilakukan
dimaksudkan untuk mencari penyelesaian atas
beberapa permasalahan yang berkaitan dengan
klasifikasi berikut :
1. Pendahuluan
Perkembangan teknologi kini sudah
semakin maju, baik dibidang kesehatan ,
ekonomi, pembangunan dan salah satunya
adalah komputer. Komputer merupakan
sebuah alat yang dapat membantu manusia
dalam melakukan pekerjannya. Teknologi
komputer
dirancang
untuk
membantu
mengatasi masalah yang dialami, dan salah
satu permasalahan tersebut adalah dalam hal
klasifikasi.
Klasifikasi adalah pengelompokan
obyek kedalam satu atau beberapa kelompok
berdasarkan variable yang diamati [4]. Setiap
objek harus dibagi hanya untuk satu class,
1. Atribut penyakit diabetes terdiri dari 8
atribut dimana semua atribut saling
berhubungan sehingga dibutuhkan
68
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
teknologi yang menunjang dalam
membagi penyakit diabetes tersebut.
2. Pembagian penyakit diabetes secara
manual masih sulit dilakukan karena
membutuhkan waktu yang lama dan
konsentrasi tinggi.
Tujuan yang hendak dicapai
perancangan aplikasi ini adalah
JELIKU Vol 2 No. 3 Agustus 2013
P(H|X)=
|
.
Dimana:
P(H|X): Probabilitas hipotesi H jika diberikan
evidence X
P(X|H): probabilits munculnya evidence E
jika diketahui hipotesis H
P(H) : Probabilitas hipotesis H tanpa
memandang evidence apapun
P(E) :
Probabilitas evidence X
dalam
1. Merancang sebuah aplikasi yang dapat
mengolah data penyakit diabetes.
2. Membangun
sebuah
aplikasi
klasifikasi yang dapat melakukan
klasifikasi penyakit diabetes secara
cepat tepat dan akurat.
Bayesian Classification
Bayesian
classifier
adalah
pengklasifikasian statistik. Bayesian classifier
(pengklasifikasian
Bayesian)
dapat
memprediksi probabilitas keanggotaan kelas,
seperti probabilitas bahwa tuple diberikan
milik
kelas
tertentu.
Studi
yang
membandingkan algoritma klasifikasi telah
menemukan sebuah classifier Bayesian
sederhana yang dikenal sebagai naïve bayesian
classifier dimana kinerja dari naïve Bayesian
classifier sebanding dengan
kinerja dari
decision tree dan pengklasifikasi jaringan
syaraf.
P(H|X) = P(H) P(X1|H) P(X2|H)...P(Xn|H)
P(H|X) = P(H) ∏ � �|�
2. Tinjauan Pustaka
Data Mining
Data Mining adalah sebuah teknologi yang
merupakan campuran dari metode analisis data
tradisional dengan algoritma terkini untuk
memproses data dalam jumlah yang
banyak.[1]
Data mining adalah sesuatu tentang
pemecahan masalah dengan menganalisis data
yang sudah ada dalam database. Data mining
didefinisikan sebagai proses menemukan pola
dalam data. Proses harus dilakukan secara
otomatis atau (biasanya) semi-otomatis.[2]
3. Metodologi Penelitian
Dalam penelitian ini metode penelitian
yang digunakan adalah metode System
Development Life Cycle (SDLC) . Adapun
bagian dari SDLC itu sendiri terdiri dari
beberapa tahap yakni perencanaan, analisis
sistem, perancangan, implementasi, dan
pengujian.
a. Perencanaan (planning), tujuam dari
tahap perencanaan (planning) adalah
tahap untuk menentukan bagaimana
ruang lingkup dalam perancangan
aplikasi klasifikasi ini. .
b. Tahap kedua, adalah tahap analisis
(analysis), yaitu tahap dimana kita
mencari permasalahan yang ada yang
kemudian diupayakan untuk dicari jalan
keluarnya.
c. Tahap ketiga, adalah tahap perencanaan
(design) dimana penulis mencoba
mencari solusi dari permasalahan yang
didapat dari tahap analisis.
Naïve Bayes
Naïve Bayes adalah teknik yang
populer untuk aplikasi ini karena sangat cepat
dan cukup akurat. Naïve Bayes memberikan
pendekatan yang sederhana, dengan semantik
yang jelas, untuk mewakili, menggunakan, dan
belajar pengetahuan probabilistik. Hal ini
dapat mencapai hasil yang mengesankan. [2]
Teorema Bayes
Teorema Bayes merupakan teorema
yang digunakan dalam statistika untuk
perhitungan peluang dalam suatu hipotesis,
Bayes Optimal Classifier menghitung peluang
suatu kelas dari tiap kelompok atribut yang
ada, dan menentukan kelas mana yang paling
tepat.[3]
Probabilitas bayes merupakan salah
satu cara untuk mengatasi ketidakpastian data
dengan menggunakan formula Bayes yang
dinyatakan:
69
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
d. Tahap
keempat,
adalah
tahap
implementasi
dimana
penulis
mengimplementasikan
perencanaan
sistem ke situasi nyata yaitu dengan
pemilihan
perangkat
keras
dan
penyusunan perangkat lunak aplikasi
(pengkodean/coding).
e. Tahap kelima, adalah pengujian (testing),
yang dapat digunakan untuk menentukan
apakah sistem atau perangkat lunak yang
dibuat sudah sesuai dengan kebutuhan
pengguna atau belum, jika belum, proses
selanjutnya adalah bersifat iteratif, yaitu
kembali ketahap-tahap sebelumnya.
4. Perancangan
Tujuan dari perancangan aplikasi ini
adalah untuk memenuhi kebutuhan dari
pemakai sistem / user tentang gambaran yang
jelas tentang bagaimana aplikasi yang akan
dirancang serta diimplementasikan.
Perancangan aplikasi klasifikasi diabetes
pima indians ini dijelaskan dalam bentuk
diagram alir atau flowchart.
4.1 Flowchart klasifikasi diabetes
Yang pertama dilakukan adalah
perhitungan
prior
probability,
dimana
merupakan probability yang tidak dipengaruhi
oleh informasi tambahan.Selanjutnya yang
dilakukan adalah perhitungan posterior
probability atau probabilitas bersyarat yang
merupakan probabilitas dari sebuah peristiwa
yg akan terjadi jika sebuah peristiwa lainnya
telah terjadi, dan yang terakhir adalah
perhitungan posterior probability dimana
perhitungan ini berguna untuk mengetahui
kelas dari data diabetes pima Indian yang
dimasukkan.
Diagram Alir (Flowchart)
Diagram alir (flowchart) merupakan
sebuah gambar diagram yang memiliki
simbol-simbol grafis yang menggambarkan
jalan kerja suatu algoritma atau proses yang
menampilkan
langkah-langkah
yang
digunakan pada sistem yang digambarkan
dalam bentuk kotak beserta urutannya dengan
saling menghubungkan tiap-tiap langkah
dengan anak panah.
Dapat dilihat pada gambar 4.1 apabila
data inputan yang dimasukkan kealam aplikasi
adalah data diabetes yang memiliki atribut
sebanyak 8 atribut yang terdiri dari jumlah
kehamilan, konsentrasi glukosa plasma,
tekanan darah diastolik, ketebalan lapisan
trisep, serum insulin, body mass index, silsilah
diabetes dan umur serta 2 kelas yakni kelas
positif dan negatif.
5. Implementasi
Berdasarkan perancangan yang telah
dilakukan, yang selanjutnya dilakukan
implementasi. Implementasi akan dilakukan
dengan menggunakan bahasa pemrograman
visual basic.NET. Sedangkan untuk database
yang akan digunakan untuk menyimpan semua
data adalah MySql.
70
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
Gambar 5.1 Form klasifikasi
Gambar 5.2 Form perhitungan
Selain itu ditampilkan pula hasil detail
dari perhitungan naïve bayes tersebut seperti
yang ditunjukkan pada gambar 5.2. Bagaimana
perhitungan dari naïve bayes sehingga
diperoleh kelas dari atribut tersebut
ditampilkan disini sebagai informasi tambahan
untuk mengetahui detail dari cara kerja
aplikasi ini.
Gambar 5.1 adalah gambar form
klasifikasi. Pada form tesrsebut terdapat 8
atribut yang dimasukkan sebagai testing dan
juga kelas dari atribut uji setelah dilakukan
pengujian apakah positif atau negative
diabetes. Pada form tersebut terdapat 2 tombol
utama yakni run untuk melakukan klasifikasi
dan reset untuk mengulang dalam proses
klasifikasi.
71
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
diperoleh akurasi sebesar 74% dengan data
testing sebanyak 50 data. Untuk data training
digunakan 105 data training.
6. Hasil dan Pembahasan
Dataset diabetes diambil dari UCI
Machine Learning dimana terdiri dari 160 data
diabetes. Dari 50 kali percobaan 37 data
berhasil diklasifikasikan dengan tepat. Pada uji
coba aplikasi klasifikasi penyakit diabetes ini
dilakukan sepuluh kali percobaan dan
Percobaan
1
2
3
4
5
6
7
8
9
10
Jumlah Data
50
JELIKU Vol 2 No. 3 Agustus 2013
Akurasi =
= 74%
Tabel 1. Akurasi
Berhasil
37
37
37
37
37
37
37
37
37
37
Gagal
13
13
13
13
13
13
13
13
13
13
�
%
Akurasi(%)
74
74
74
74
74
74
74
74
74
74
1. Tan, Pang-Ning et.al. 2006.”Introduction
to data Mining”. Pearson Education Inc,
America
2. Witten. Ian H. 2011. “Data Mining
Practical Machine Learning Tools and
Techniques”. Elsevier Inc. USA
3. Shadiq, Ammar. 2009. “Keoptimalan
Naïve Bayes Dalam Klasifikasi”.
Universitas Pendidikan Indonesia, Bandung
4. Ningsih, Nur Indah Puspita. 2010.
“Pembandingan Secara Empirik Metode
Pemilihan Gini dan towing Dalam
Klasifikasi Berstruktur Pohon Biner”.
Institut Teknologi Sepuluh November,
Surabaya.
7. Kesimpulan
Dilihat dari aplikasi klasifikasi
penyakit diabetes Pima Indian ini diperoleh
hasil akurasi yang cukup baik dimana aplikasi
klasifikasi dengan metode naïve bayes ini
dapat melakukan klasifikasi dengan 74% data
akurat. Dari segi informasi, aplikasi ini juga
menyediakan informasi detil dari perhitungan
pada naïve bayes tersebut sehingga dengan
informasi detail tersebut dapat membantu
dalam hal informasi perhittungannya itu
sendiri.
8. Saran
Saran yang dapat diberikan penulis
dalam pembuatan aplikasi klasifikasi seperti
ini adalah pengembangan kelas penyakit pada
sistem klasifikasi diabetes dengan atribut yang
lebih beragam, penggunaan data latih dan data
uji yang lebih banyak agar sistem dapat
mengenali berbagai variasi data pada masingmasing kelas penyakit diabetes dan juga
klasifikasi dapat menggunakan algoritma lain
sehingga
dapat
dibandingkan
tingkat
akurasinya.
DAFTAR PUSTAKA
72