Proposal skripsi dan diagnosa hepatitis
DEPARTEMEN PENDIDIKAN DAN KEBUDAYAAN NASIONAL
UNIVERSITAS NEGERI SEMARANG
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROPOSAL SKRIPSI
Diajukan oleh :
Nama
: Jefry Latu Handarko
Nim
: 4111410028
Prodi
: Matematika, S1
Jurusan
: Matematika
Implementasi Fuzzy Decision Tree untuk
mendiagnosa penyakit Hepatitis
A. PENDAHULUAN
1.
Latar Belakang
Suatu
gejala
penyakit
dapat
merupakan
indikasi
dari
suatu penyakit yang akan diderita. Setiap orang wajib
menjaga kesehatannya masing-masing, tetapi pada kenyataannya banyak
sekali orang yang lupa atau bahkan meremehkan gejala penyakit yang
dideritanya. Maka dengan adanya kemajuan teknologi saat ini, suatu
penyakit akan terdeteksi dengan lebih cepat melalui gejala-gejala tersebut.
Tidak hanya hal tersebut, dalam hal proses diagnosa dikenal dengan adanya
1
uji tes darah di laboratorium untuk mengetahui jenis penyakit yang diderita
oleh pasien secara pasti.
Hepatitis adalah suatu penyakit peradangan hati yang umumnya disebabkan
oleh virus, yang dewasa ini banyak diderita baik orang dewasa mau pun
anak-anak. Karena itu, diperlukan suatu penanganan dini sebelum penderita
penyakit tersebut bertambah parah. Salah satu cara penanganan dini dari
penyakit hepatitis ini adalah melakukan pemeriksaan sejak awal, karena itu
dibuatlah suatu sistem diagnosa penyakit hepatitis yang dapat membantu
penderita untuk melakukan pemeriksaan. Sistem ini sendiri dibangun
menggunakan metode decision tree, dimana pada metode decision tree ini
dibutuhkan suatu data pembelajaran, sehingga nantinya sistem dapat
mengambil suatu keputusan. Dengan menghitung nilai entropy dari data
pembelajaran yang dimasukkan decision tree mampu memberikan
keputusan berdasarkan skala prioritas atribut data yang digunakan.
Klasifikasi hepatitis sebenarnya dapat dilakukan dengan menggunakan
logika tegas. Akan tetapi hal ini sangat kaku, karena dengan adanya
perubahan yang kecil saja terhadap nilai dapat mengakibatkan perbedaan
kategori. Logika fuzzy digunakan untuk mengantisipasi hal tersebut, karena
dapat memberikan toleransi terhadap nilai, sehingga dengan adanya
perubahan sedikit pada nilai tidak akan memberikan perbedaan yang
signifikan. Dengan memanfaatkan kelebihan logika fuzzy dalam toleransi
terhadap hal ambigu, diharapkan dapat menjadi pendukung keputusan dalam
mengklasifikasikan data hepatitis.
2
Data mining merupakan proses ekstraksi informasi atau pola penting dalam
basis data berukuran besar. Data mining merupakan metode untuk
menemukan suatu pengetahuan dalam suatu database yang cukup besar.
Data mining adalah proses menggali dan menganalisa sejumlah data yang
sangat besar untuk memperoleh sesuatu yang benar, baru, sangat bermanfaat
dan akhirnya dapat menemukan suatu corak atau pola dalam data tersebut.
Tujuan utama penerapan data mining adalah untuk prediksi (prediction) dan
uraian (description). Klasifikasi adalah proses menemukan model (atau
fungsi) yang akan mengelompokkan kelas data sehingga dapat memprediksi
kelas obyek yang tidak diketahui. Model yang diperoleh bisa diwakili
diberbagai bentuk, seperti klasifikasi berbentuk aturan IF-THEN, pohon
keputusan (decision tree), rumus matematika, atau jaringan saraf tiruan
Pada penelitian ini akan diterapkan salah satu teknik dalam data mining,
yaitu klasifikasi terhadap data hepatitis.
Klasifikasi merupakan salah satu metode dalam data mining untuk
memprediksi label kelas dari suatu record dalam data. Metode yang
digunakan dalam penelitian ini yaitu metode klasifikasi dengan fuzzy
decision tree. Penggunaan teknik fuzzy memungkinkan melakukan prediksi
suatu objek yang dimiliki oleh lebih dari satu kelas. Dengan menerapkan
teknik data mining pada data hepatitis diharapkan dapat ditemukan aturan
klasifikasi yang dapat digunakan untuk memprediksi potensi seseorang
terserang penyakit hepatitis.
3
Decision tree merupakan suatu pendekatan yang sangat populer dan praktis
dalam machine learning untuk menyelesaikan permasalahan klasifikasi.
Konsep Decision tree adalah mengubah data menjadi pohon keputusan
(decision tree) dan aturan-aturan keputusan (rule). Decision tree membuat
aturan rule yang dapat digunakan untuk menentukan apakah seseorang
mempunyai potensi untuk menderita Hepatitis atau tidak.
Pada penelitian ini, algoritma yang digunakan dalam fuzzy decision tree
adalah ID3 (Iterative Dichotomiser 3). Algoritma ini menggunakan teori
informasi untuk menentukan atribut mana yang paling informatif. Namun
ID3 (Iterative Dichotomiser 3) sangat tidak stabil dalam melakukan
klasifikasi yang berkenaan dengan gangguan kecil pada data pelatihan.
Logika fuzzy dapat memberikan suatu peningkatan dalam melakukan
klasifikasi pada saat pelatihan.
2.
Rumusan Masalah
a. Bagaimana menerapkan Fuzzy ID3 terhadap data penyakit hepatitis?
b. Bagaimana tingkat akurasi diagnose penyakit hepatitis menggunakan
decision tree?
3.
Tujuan Penelitian
Tujuan dari penelitian ini adalah :
a. Menerapkan salah satu teknik klasifikasi yaitu Fuzzy ID3 (Iterative
Dichotomiser 3) Decision Tree pada data hasil pemeriksaan lab pasien.
4
b. Menemukan aturan klasifikasi pada data hepatitis yang menjelaskan dan
membedakan kelas-kelas atau konsep sehingga dapat digunakan untuk
memprediksi penyakit hepatitis berdasarkan nilai dari atribut lain yang
diketahui.
4.
Manfaat Penelitian
Model yang dihasilkan pada penelitian ini diharapkan dapat digunakan oleh
pihak yang berkepentingan untuk memprediksi potensi seseorang atau
pasien terserang penyakit hepatitis, sehingga terjadinya penyakit ini pada
seseorang dapat diprediksi sedini mungkin dan dapat dilakukan tindakan
antisipasi.
B. LANDASAN TEORI
1. Logika Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar samar.
Suatu nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy
dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga
1(satu). Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya
atau tidak). Logika Fuzzy merupakan seuatu logika yang memiliki nilai
kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori
logika fuzzy suatu nilai bias bernilai benar atau salah secara bersama.
5
Namun berapa besar keberadaan dan kesalahan suatu tergantung pada
bobot keanggotaan yang dimilikinya.
Himpunan adalah suatu kumpulan atau koleksi objek-objek yang
mempunyai kesamaan sifat tertentu (Frans Susilo, 2006). Himpunan fuzzy
merupakan suatu pengembangan lebih lanjut tentang konsep himpunan
dalam matematika. Himpunan fuzzy adalah rentang nilai-nilai, masingmasing nilai mempunyai derajat keanggotaan antara 0 sampai dengan 1.
Prinsip dasar dan persamaan matematika dari teori himpunan fuzzy adalah
sebuah teori pengelompokan objek dalam batas yang samar. Himpunan
tersebut dikaitkan dengan suatu fungsi yang menyatakan derajat
kesesuaian unsur-unsur dalam semestanya dengan konsep yang merupakan
syarat keanggotaan himpunan tersebut. Fungsi itu disebut fungsi
keanggotaan dan nilai fungsi itu disebut derajat keanggotaan suatu unsur
dalam himpunan itu, yang selanjutnya disebut himpunan kabur (fuzzy set).
Ada beberapa hal yang perlu diketahui dalam memahami himpunan
fuzzy, yaitu:
a) Variabel fuzzy
Variabel fuzzy merupakan suatu lambang atau kata yang menunjuk
kepada suatu yang tidak tertentu dalam sistem fuzzy. Contoh:
permintaan, persediaan, produksi, dan sebagainya.
b) Himpunan fuzzy
Himpunan fuzzy merupakan suatu kumpulan yang mewakili suatu
kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
6
Himpunan fuzzy memiliki 2 atribut, yaitu :
1. Linguistik, yaitu penamaan suatu grup yang memiliki suatu
keadaan atau kondisi tertentu dengan menggunakan bahasa, seperti:
muda, parobaya, tua.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran
dari suatu variabel seperti : 5, 10, 15, dan sebagainya.
c) Semesta pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan
untuk dioperasikan dalam suatu variabel fuzzy.
d) Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan
dalam semesta pembicaraan dan boleh dioperasikan dalam suatu
himpunan fuzzy.
2. Fungsi Keanggotaan
Fungsi Keanggotaan adalah suatu kurva yang menunjukkan pemetaan
titik-titik input data ke dalam nilai/derajat keanggotaannya yang memiliki
interval antara 0 sampai 1. Salah satu cara untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi.
Ada beberapa fungsi yang bisa digunakan:
a)
Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya
dapat digambarkan sebagai suatu garis lurus. Bentuk ini paling
7
sederhana dan menjadi pilihan yang baik untuk mendekati suatu
konsep yang kurang jelas. Ada 2 keadaan himpunan fuzzy yang
linear.
Pertama, Representasi linear naik, yaitu kenaikan himpunan dimulai
dari nilai domain yang memiliki nilai keanggotaan nol [0] bergerak
ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan
yang lebih tinggi (Gambar 2.1).
1
µ(x)
0
a
domain
b
Gambar 2.1 Representasi Linier
Naik
Fungsi keanggotaan :
0;x≤a
μ ( x ) = (x−a)
; a< x ≤ b
(b−a)
{
Kedua, Representasi linear turun, yaitu garis lurus yang dimulai dari
nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri,
kemudian bergerak turun ke nilai domain yang memiliki derajat
keanggotaan lebih rendah (Gambar 2.2).
8
1
µ(x)
0
a
b
domain
Gambar 2.2 Representasi Linier
Naik
Fungsi keanggotaan :
(b−x)
μ ( x ) = (b−a) ; a ≤ x
UNIVERSITAS NEGERI SEMARANG
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROPOSAL SKRIPSI
Diajukan oleh :
Nama
: Jefry Latu Handarko
Nim
: 4111410028
Prodi
: Matematika, S1
Jurusan
: Matematika
Implementasi Fuzzy Decision Tree untuk
mendiagnosa penyakit Hepatitis
A. PENDAHULUAN
1.
Latar Belakang
Suatu
gejala
penyakit
dapat
merupakan
indikasi
dari
suatu penyakit yang akan diderita. Setiap orang wajib
menjaga kesehatannya masing-masing, tetapi pada kenyataannya banyak
sekali orang yang lupa atau bahkan meremehkan gejala penyakit yang
dideritanya. Maka dengan adanya kemajuan teknologi saat ini, suatu
penyakit akan terdeteksi dengan lebih cepat melalui gejala-gejala tersebut.
Tidak hanya hal tersebut, dalam hal proses diagnosa dikenal dengan adanya
1
uji tes darah di laboratorium untuk mengetahui jenis penyakit yang diderita
oleh pasien secara pasti.
Hepatitis adalah suatu penyakit peradangan hati yang umumnya disebabkan
oleh virus, yang dewasa ini banyak diderita baik orang dewasa mau pun
anak-anak. Karena itu, diperlukan suatu penanganan dini sebelum penderita
penyakit tersebut bertambah parah. Salah satu cara penanganan dini dari
penyakit hepatitis ini adalah melakukan pemeriksaan sejak awal, karena itu
dibuatlah suatu sistem diagnosa penyakit hepatitis yang dapat membantu
penderita untuk melakukan pemeriksaan. Sistem ini sendiri dibangun
menggunakan metode decision tree, dimana pada metode decision tree ini
dibutuhkan suatu data pembelajaran, sehingga nantinya sistem dapat
mengambil suatu keputusan. Dengan menghitung nilai entropy dari data
pembelajaran yang dimasukkan decision tree mampu memberikan
keputusan berdasarkan skala prioritas atribut data yang digunakan.
Klasifikasi hepatitis sebenarnya dapat dilakukan dengan menggunakan
logika tegas. Akan tetapi hal ini sangat kaku, karena dengan adanya
perubahan yang kecil saja terhadap nilai dapat mengakibatkan perbedaan
kategori. Logika fuzzy digunakan untuk mengantisipasi hal tersebut, karena
dapat memberikan toleransi terhadap nilai, sehingga dengan adanya
perubahan sedikit pada nilai tidak akan memberikan perbedaan yang
signifikan. Dengan memanfaatkan kelebihan logika fuzzy dalam toleransi
terhadap hal ambigu, diharapkan dapat menjadi pendukung keputusan dalam
mengklasifikasikan data hepatitis.
2
Data mining merupakan proses ekstraksi informasi atau pola penting dalam
basis data berukuran besar. Data mining merupakan metode untuk
menemukan suatu pengetahuan dalam suatu database yang cukup besar.
Data mining adalah proses menggali dan menganalisa sejumlah data yang
sangat besar untuk memperoleh sesuatu yang benar, baru, sangat bermanfaat
dan akhirnya dapat menemukan suatu corak atau pola dalam data tersebut.
Tujuan utama penerapan data mining adalah untuk prediksi (prediction) dan
uraian (description). Klasifikasi adalah proses menemukan model (atau
fungsi) yang akan mengelompokkan kelas data sehingga dapat memprediksi
kelas obyek yang tidak diketahui. Model yang diperoleh bisa diwakili
diberbagai bentuk, seperti klasifikasi berbentuk aturan IF-THEN, pohon
keputusan (decision tree), rumus matematika, atau jaringan saraf tiruan
Pada penelitian ini akan diterapkan salah satu teknik dalam data mining,
yaitu klasifikasi terhadap data hepatitis.
Klasifikasi merupakan salah satu metode dalam data mining untuk
memprediksi label kelas dari suatu record dalam data. Metode yang
digunakan dalam penelitian ini yaitu metode klasifikasi dengan fuzzy
decision tree. Penggunaan teknik fuzzy memungkinkan melakukan prediksi
suatu objek yang dimiliki oleh lebih dari satu kelas. Dengan menerapkan
teknik data mining pada data hepatitis diharapkan dapat ditemukan aturan
klasifikasi yang dapat digunakan untuk memprediksi potensi seseorang
terserang penyakit hepatitis.
3
Decision tree merupakan suatu pendekatan yang sangat populer dan praktis
dalam machine learning untuk menyelesaikan permasalahan klasifikasi.
Konsep Decision tree adalah mengubah data menjadi pohon keputusan
(decision tree) dan aturan-aturan keputusan (rule). Decision tree membuat
aturan rule yang dapat digunakan untuk menentukan apakah seseorang
mempunyai potensi untuk menderita Hepatitis atau tidak.
Pada penelitian ini, algoritma yang digunakan dalam fuzzy decision tree
adalah ID3 (Iterative Dichotomiser 3). Algoritma ini menggunakan teori
informasi untuk menentukan atribut mana yang paling informatif. Namun
ID3 (Iterative Dichotomiser 3) sangat tidak stabil dalam melakukan
klasifikasi yang berkenaan dengan gangguan kecil pada data pelatihan.
Logika fuzzy dapat memberikan suatu peningkatan dalam melakukan
klasifikasi pada saat pelatihan.
2.
Rumusan Masalah
a. Bagaimana menerapkan Fuzzy ID3 terhadap data penyakit hepatitis?
b. Bagaimana tingkat akurasi diagnose penyakit hepatitis menggunakan
decision tree?
3.
Tujuan Penelitian
Tujuan dari penelitian ini adalah :
a. Menerapkan salah satu teknik klasifikasi yaitu Fuzzy ID3 (Iterative
Dichotomiser 3) Decision Tree pada data hasil pemeriksaan lab pasien.
4
b. Menemukan aturan klasifikasi pada data hepatitis yang menjelaskan dan
membedakan kelas-kelas atau konsep sehingga dapat digunakan untuk
memprediksi penyakit hepatitis berdasarkan nilai dari atribut lain yang
diketahui.
4.
Manfaat Penelitian
Model yang dihasilkan pada penelitian ini diharapkan dapat digunakan oleh
pihak yang berkepentingan untuk memprediksi potensi seseorang atau
pasien terserang penyakit hepatitis, sehingga terjadinya penyakit ini pada
seseorang dapat diprediksi sedini mungkin dan dapat dilakukan tindakan
antisipasi.
B. LANDASAN TEORI
1. Logika Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar samar.
Suatu nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy
dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga
1(satu). Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya
atau tidak). Logika Fuzzy merupakan seuatu logika yang memiliki nilai
kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori
logika fuzzy suatu nilai bias bernilai benar atau salah secara bersama.
5
Namun berapa besar keberadaan dan kesalahan suatu tergantung pada
bobot keanggotaan yang dimilikinya.
Himpunan adalah suatu kumpulan atau koleksi objek-objek yang
mempunyai kesamaan sifat tertentu (Frans Susilo, 2006). Himpunan fuzzy
merupakan suatu pengembangan lebih lanjut tentang konsep himpunan
dalam matematika. Himpunan fuzzy adalah rentang nilai-nilai, masingmasing nilai mempunyai derajat keanggotaan antara 0 sampai dengan 1.
Prinsip dasar dan persamaan matematika dari teori himpunan fuzzy adalah
sebuah teori pengelompokan objek dalam batas yang samar. Himpunan
tersebut dikaitkan dengan suatu fungsi yang menyatakan derajat
kesesuaian unsur-unsur dalam semestanya dengan konsep yang merupakan
syarat keanggotaan himpunan tersebut. Fungsi itu disebut fungsi
keanggotaan dan nilai fungsi itu disebut derajat keanggotaan suatu unsur
dalam himpunan itu, yang selanjutnya disebut himpunan kabur (fuzzy set).
Ada beberapa hal yang perlu diketahui dalam memahami himpunan
fuzzy, yaitu:
a) Variabel fuzzy
Variabel fuzzy merupakan suatu lambang atau kata yang menunjuk
kepada suatu yang tidak tertentu dalam sistem fuzzy. Contoh:
permintaan, persediaan, produksi, dan sebagainya.
b) Himpunan fuzzy
Himpunan fuzzy merupakan suatu kumpulan yang mewakili suatu
kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
6
Himpunan fuzzy memiliki 2 atribut, yaitu :
1. Linguistik, yaitu penamaan suatu grup yang memiliki suatu
keadaan atau kondisi tertentu dengan menggunakan bahasa, seperti:
muda, parobaya, tua.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran
dari suatu variabel seperti : 5, 10, 15, dan sebagainya.
c) Semesta pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan
untuk dioperasikan dalam suatu variabel fuzzy.
d) Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan
dalam semesta pembicaraan dan boleh dioperasikan dalam suatu
himpunan fuzzy.
2. Fungsi Keanggotaan
Fungsi Keanggotaan adalah suatu kurva yang menunjukkan pemetaan
titik-titik input data ke dalam nilai/derajat keanggotaannya yang memiliki
interval antara 0 sampai 1. Salah satu cara untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi.
Ada beberapa fungsi yang bisa digunakan:
a)
Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya
dapat digambarkan sebagai suatu garis lurus. Bentuk ini paling
7
sederhana dan menjadi pilihan yang baik untuk mendekati suatu
konsep yang kurang jelas. Ada 2 keadaan himpunan fuzzy yang
linear.
Pertama, Representasi linear naik, yaitu kenaikan himpunan dimulai
dari nilai domain yang memiliki nilai keanggotaan nol [0] bergerak
ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan
yang lebih tinggi (Gambar 2.1).
1
µ(x)
0
a
domain
b
Gambar 2.1 Representasi Linier
Naik
Fungsi keanggotaan :
0;x≤a
μ ( x ) = (x−a)
; a< x ≤ b
(b−a)
{
Kedua, Representasi linear turun, yaitu garis lurus yang dimulai dari
nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri,
kemudian bergerak turun ke nilai domain yang memiliki derajat
keanggotaan lebih rendah (Gambar 2.2).
8
1
µ(x)
0
a
b
domain
Gambar 2.2 Representasi Linier
Naik
Fungsi keanggotaan :
(b−x)
μ ( x ) = (b−a) ; a ≤ x