PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT PADA TOKO ONLINE OBAT HERBAL DENGAN METODE COSINE SIMILARITY
PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT PADA TOKO ONLINE OBAT HERBAL DENGAN METODE COSINE SIMILARITY SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu
Jurusan Informatika
Disusun Oleh: ESKA SEBAYU RIAN PUTRA
NIM. M0508039
JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA JANUARI, 2013
commit to user
PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT PADA TOKO ONLINE OBAT HERBAL DENGAN METODE COSINE SIMILARITY SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu
Jurusan Informatika
Disusun Oleh: ESKA SEBAYU RIAN PUTRA
NIM. M0508039
JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA JANUARI, 2013
commit to user
ii
SKRIPSI PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT PADA TOKO ONLINE OBAT HERBAL DENGAN METODE COSINE SIMILARITY
Disusun Oleh: ESKA SEBAYU RIAN PUTRA NIM. M0508039
Skripsi ini telah disetujui untuk dipertahankan di hadapan Dewan Penguji pada tanggal: 21 Januari 2013
Pembimbing I
Ristu Saptono, S.Si., M.T. NIP. 19790210 200212 1 001
Pembimbing II
Wiharto, S.Si., M.Kom. NIP. 19750210 200801 1 005
commit to user
iii
SKRIPSI PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT PADA TOKO ONLINE OBAT HERBAL DENGAN METODE COSINE SIMILARITY
Disusun Oleh: ESKA SEBAYU RIAN PUTRA NIM. M0508039
telah dipertahankan di hadapan Dewan Penguji pada tanggal: 29 Januari 2013
Susunan Dewan Penguji
1. Ristu Saptono, S.Si., M.T. ( ) NIP.19790210 200212 1 001
2. Wiharto, S.T., M.Kom. ( ) NIP. 19750210 200801 1 005
3. Sari Widya Sihwi, S.Kom., M.T.I.
) NIP. 19830412 200912 2 003
4. Abdul Aziz, S.Kom., M.Cs.
) NIP .19810413 200501 1 001
Disahkan Oleh
Dekan Fakultas MIPA UNS
Prof.Ir. Ari Handono Ramelan, M.Sc.(Hons), Ph.D NIP. 19610223 198601 1 001
Ketua Jurusan Informatika
Umi Salamah, S.Si, M.Kom NIP. 19700217 199702 2 001
commit to user
iv
MOTTO
bermakna bagi diri sendiri, keluarga, dan masyarakat.
(Eska Sebayu Rian Putra).
commit to user
PERSEMBAHAN
Dipersembahkan untuk:
Ayah dan Ibu tercinta yang tanpa henti memberikan doa, nasehat, dukungan, dan kasih sayang kepada penulis.
commit to user
vi
PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT PADA TOKO ONLINE OBAT HERBAL DENGAN METODE COSINE SIMILARITY ESKA SEBAYU RIAN PUTRA
Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret.
ABSTRAK
Kesalahan diagnosis yang dilakukan oleh penderita sakit sering menyebabkan kesalahan pemilihan obat. Adanya aplikasi yang dapat mendeteksi dini penyakit yang sekaligus dapat memberikan rekomendasi obat herbal yang tepat diharapkan dapat meminimalisir kesalahan pembelian obat. Pendeteksian penyakit dapat dilakukan dengan membandingkan gejala yang dialami dengan data gejala penyakit yang ada pada aplikasi. Namun banyaknya penyakit dan gejala akan memaksa pengguna untuk memberikan feedback dalam proses input gejala dengan jumlah yang sama banyaknya dengan jumlah gejala yang ada. Untuk meminimalisir feedback, diperlukan pengelompokkan gejala dan pengeliminasian penyakit dalam beberapa tahap, sehingga gejala-gejala dari penyakit yang tidak mungkin diderita tidak akan ditanyakan lagi. Pengeliminasian penyakit akan didukung dengan perhitungan Cosine Similarity positif dan negatif.
Pengelompokkan gejala dan pengeliminasian penyakit yang didukung dengan perhitungan similarity positif dan negatif mampu mengurangi jumlah pertanyaan yang harus dijawab rata-rata mencapai 64,24%. Pengujian feedback lengkap untuk mengukur kebenaran aplikasi terhadap setiap penyakit menghasilkan nilai akurasi 100%. Sedangkan pengujian dengan feedback random 20%, 40% dan data real untuk menggambarkan kemampuan aplikasi jika sudah diterapkan untuk masyarakat masing-masing menghasilkan nilai akurasi 96%, 85,8%, dan 94,74%.
, Deteksi Dini Penyakit, Feedback, Gejala, Obat Herbal, Penyakit
commit to user
vii
DEVELOPMENT OF EARLY DETECTION DISEASE FITURE ON HERB MEDICINE ONLINE SHOP WITH COSINE SIMILARITY METHOD ESKA SEBAYU RIAN PUTRA
Department of Informatics. Mathematic and Natural Science Faculty. Sebelas Maret University
ABSTRACT
Misdiagnosis by pain sufferers often cause medicines selection errors. The existence of application that can detect early disease as well as to provide recommendations appropriate herbal medicines expected to minimize medicines errors purchases. The detection of the disease can be made by comparing the symptoms experienced and the symptoms data that exist in application. But the number of illnesses and symptoms will force the users to give feedback to the input of symptoms by an amount equal to the amount of many symptoms. To minimize feedback, necessary grouping of symptoms and elimination of the disease in several stages, so that the symptoms of the disease that may not be sustained will not be asked again. Elimination of the disease will be supported with positive and negative Cosine Similarity calculation.
Grouping of symptoms and elimination of the disease that supported by the positive and negative similarity calculation can reduce the number of questions that must be answered significantly with average of 64,24%. Testing with complete feedback to measure the rightness of application of every disease generates accuracy value 100%. While testing with random feedback of 20%, 40% and real data to illustrate the ability of the application if it is applied to the community generate accuracy values of 96%, 85.8%, and 94,74%.
Keywords: Cosine Similarity, Early Detection of Disease, Feedback, Symptoms, Herbal Medicines, Disease
commit to user
viii
KATA PENGANTAR
Puji syukur kehadirat Allah SWT karena dengan ridho dan rahmat-Nya, Pengembangan Fitur
Deteksi Dini Penyakit pada Toko Online Obat Herbal dengan Metode Cosine Similarity
Banyak kesulitan dan hambatan yang Penulis temui dalam
penyusunan laporan ini. Namun berkat bantuan dan bimbingan dari berbagai pihak, Penulis dapat menyelesaikannya.
Penulis mengucapkan terima kasih kepada berbagai pihak yang telah memberikan bimbingan, dukungan dan saran dalam pembuatan laporan ini, terutama kepada:
1. Ibu Umi Salamah, M.Kom. Selaku Ketua Jurusan Informatika FMIPA UNS.
2. Bapak Wisnu Widiarto, S.Si., M.T. selaku Pembimbing Akademik Jurusan Informatika FMIPA UNS.
3. Bapak Ristu Saptono, S.Si, M.T selaku Dosen Pembimbing I yang penuh kesabaran memberikan bimbingan dan pengarahan selama proses penyusunan skripsi ini.
4. Bapak Wiharto, S.T., M.Kom selaku Dosen Pembimbing II yang penuh kesabaran memberikan bimbingan dan pengarahan selama proses penyusunan skripsi ini.
5. Ayah dan Ibu tercinta untuk setiap kasih sayang, nasehat, dan dukungan moral maupun material yang tak mungkin terbalas.
6. Teman-teman semua terutama mahasiswa Informatika FMIPA UNS angkatan 2008 dan Noor Fitriana Hastuti yang selalu memberikan bantuan, dukungan, dan motivasi kepada Penulis.
Semoga skripsi ini dapat bermanfaat bagi para pembaca.
Surakarta, 17 Januari 2013
Penulis
commit to user
xi
DAFTAR TABEL
Halaman Tabel 2.1
Penghubung pada logika .................................................................... 7 Tabel 2.2
Tabel kebenaran untuk logika negasi ................................................. 7 Tabel 4.1
Gambaran pengelompokkan gejala .................................................. 17 Tabel 4.2
Contoh transformasi biner untuk feedback serta penyakit asma dan influenza .................................................................................... 18
Tabel 4.3 Rangkuman hasil pengujian dengan feedback lengkap ................... 27 Tabel 4.4
Rangkuman hasil pengujian dengan feedback random 20% ........... 27 Tabel 4.5
Rangkuman hasil pengujian dengan feedback random 40% ........... 28 Tabel 4.6
Rangkuman hasil pengujian dengan feedback data real .................. 28 Tabel 4.7
Jumlah pertanyaan yang harus dijawab di setiap pengujian ............ 31
commit to user
xii
DAFTAR GAMBAR
Halaman
Gambar 3.1 Alur rancangan penelitian ................................................................ 10 Gambar 4.1 Gambaran fitur/aplikasi deteksi dini penyakit pada toko online
herbal ............................................................................................... 15
Gambar 4.2 Hasil pengimplementasian aplikasi deteksi dini penyakit ............... 22 Gambar 4.3 Tahap awal permintaan feedback (sebelum penghapusan record) .. 23 Gambar 4.4 Penghapusan record (id_penyakit=2 dan id_gejala=8) pada tabel
sk_penyakit_gejala ........................................................................... 24
Gambar 4.5 Tahap awal permintaan feedback (setelah penghapusan record) .... 24 Gambar 4.6 Gejala
..................... 25
Gambar 4.7 Output Fitur/Aplikasi Deteksi Dini Penyakit................................... 26
commit to user
xiii
DAFTAR LAMPIRAN
Halaman
Lampiran A ......................................................................................................... 35 Lampiran B ......................................................................................................... 36 Lampiran C ......................................................................................................... 39 Lampiran D ......................................................................................................... 43 Lampiran E ......................................................................................................... 52 Lampiran F ......................................................................................................... 61
commit to user
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan negara beriklim tropis yang memiliki tanaman obat yang beraneka ragam. Masing-masing tanaman obat menyimpan khasiat luar biasa dalam dunia kesehatan. Menurut Katno (2003), banyak orang beranggapan bahwa penggunaan tanaman obat atau obat tradisional relatif lebih aman dibandingkan obat sintesis. Selain alasan tersebut, harga obat tradisional yang relatif lebih terjangkau juga menjadi alasan mengapa pengobatan menggunakan obat tradisional dan herbal menjadi pilihan.
Informasi mengenai obat tradisional sudah banyak dibukukan di Indonesia dan sudah banyak pula toko online yang khusus menjual obat tradisional maupun herbal, sehingga cukup mudah bagi masyarakat untuk memperoleh informasi mengenai obat tradisional dan herbal yang cocok untuk mengobati penyakit yang dideritanya. Namun penggunaan obat dapat menjadi tidak efektif, hal ini terjadi karena kesalahan diagnosis penyakit yang mungkin diderita serta kesalahan dalam pemilihan obat akibat dari kesalahan dalam memperkirakan penyakit (Holt, 1986). Sehingga masyarakat yang awam dalam hal kesehatan memerlukan aplikasi yang dapat digunakan untuk mendeteksi penyakit secara dini terutama penyakit metabolik dan degeneratif, serta merekomendasikan obat tradisional/herbal yang sesuai untuk penyakit yang diderita.
Pendeteksian penyakit secara mandiri oleh orang yang awam dalam hal kesehatan dapat dilakukan dengan cara meminta feedback gejala yang dirasakan oleh pengguna dan mencocokkannya dengan setiap penyakit yang terdaftar dalam aplikasi dengan memanfaatkan metode Cosine Similarity. Pada umumnya, fungsi similarity adalah fungsi yang menerima dua buah objek dan mengembalikan nilai kemiripan (similarity) antara kedua objek tersebut berupa bilangan riil (Karhendana, 2008). Begum (2007) memanfaatkan metode Cosine Similarity dalam sistem penalaran berbasis kasus tekstual campuran yang berguna dalam
commit to user
penggunaan kembali pengalaman medis. Sistem ini sangat membantu dalam penanganan pasien yang dilakukan oleh pihak rumah sakit karena memanfaatkan perbandingan gejala penyakit yang dialami oleh penderita satu dengan penderita lainnya. Namun sistem yang berbasis tekstual ini tidak dapat digunakan sendiri oleh orang yang awam dalam hal kesehatan, karena masukan keluhan dari pada pengguna bisa berbagai macam bentuknya sehingga menjadi tidak teratur. Untuk itu, agar dapat digunakan oleh orang awam, aplikasi perlu dibuat dengan meminta input dalam bent untuk setiap gejala yang ditanyakan.
Namun, banyaknya penyakit dan gejala yang ada di dalam aplikasi akan memaksa pengguna untuk memberikan jawaban pertanyaan dengan jumlah yang sama banyaknya dengan jumlah gejala yang ada. Untuk meminimalisir jumlah pertanyaan pada proses input gejala, diperlukan pengelompokan gejala dan pengeliminasian penyakit dalam beberapa tahap, sehingga gejala-gejala dari penyakit yang tidak mungkin diderita tidak akan ditanyakan lagi oleh aplikasi. Pengeliminasian penyakit dilakukan berdasarkan perhitungan similarity positif dan negatif pada tahap awal, dimana similarity negatif diperoleh dari perhitungan dengan negasi dari feedback. Apabila nilai similarity negatif tinggi, berarti penyakit yang bersangkutan tidak mungkin diderita oleh pengguna aplikasi.
Berdasarkan kondisi tersebut, diperlukan suatu aplikasi yang dapat melakukan deteksi dini penyakit dengan jumlah pertanyaan yang dapat diminimalisir dengan memanfaatkan metode Cosine Similarity yang didukung dengan pengelompokan gejala dan pengeliminasian penyakit, sehingga masyarakat awam dapat mendeteksi dini penyakit yang diderita dengan mudah. Aplikasi ini akan diterapkan pada toko online yang secara khusus menjual obat herbal sebagai fasilitas bagi calon pembeli untuk mendeteksi penyakit yang dideritanya, sehingga diharapkan dapat meminimalisir kesalahan pembeli dalam memilih obat yang cocok dengan penyakitnya.
commit to user
1.2 Rumusan Masalah
Berdasarkan latar belakang masalah yang sudah dijelaskan di atas, permasalahan yang dapat dirumuskan adalah bagaimana membangun aplikasi deteksi dini penyakit dengan memanfaatkan metode Cosine Similarity yang didukung dengan pengelompokan gejala dan pengeliminasian penyakit sehingga jumlah pertanyaan yang harus dijawab dapat diminimalisir, sekaligus untuk merekomendasikan obat herbal yang sesuai dengan penyakit yang ditemukan.
1.3 Batasan Masalah
Batasan masalah dalam penelitian tugas akhir ini adalah:
1. Aplikasi deteksi dini penyakit ini tidak dimaksudkan untuk menggantikan peran dokter sebagai tempat konsultasi dan memeriksakan penyakit.
2. Penyakit yang digunakan dalam penelitian ini cenderung merupakan penyakit- penyakit metabolik (gangguan metabolisme tubuh akibat konsumsi berbagai jenis makanan yang tidak terkendali ) dan degeneratif (gangguan faal tubuh sejalan dengan proses degenerasi) yang diambil dari buku yang ditulis oleh
3. Responden untuk pengujian data real merupakan orang yang sedang menderita penyakit (yang digunakan di dalam penelitian ini), atau sudah sembuh tidak lebih dari tiga bulan saat diwawancarai.
4. Penulis menggunakan CMS toko online untuk digunakan dalam penelitian ini, sehingga penulis tidak membangun toko online dari awal, melainkan hanya menambahkan fitur deteksi penyakit dan rekomendasi obatnya.
1.4 Tujuan Penelitian
Tujuan penelitian tugas akhir ini adalah untuk membangun aplikasi deteksi dini penyakit dengan memanfaatkan metode Cosine Similarity yang didukung dengan pengelompokan gejala dan pengeliminasian penyakit sehingga jumlah pertanyaan yang harus dijawab dapat diminimalisir.
commit to user
1.5 Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat bagi masyarakat dalam mendeteksi penyakit secara dini sehingga dapat diberi rekomendasi obat herbal yang sesuai dengan penyakit yang diderita. Selain itu penelitian ini juga diharapkan dapat menjadi tambahan acuan dalam penggunaan metode Cosine Similarity untuk mendeteksi penyakit tertentu yang lebih spesifik.
1.6 Sistematika Penulisan
Laporan ini dibuat dalam suatu sistematika penulisan yang dapat dijadikan acuan mengenai keterkaitan antarbab yang ada dalam laporan. Sehingga diharapkan laporan ini mudah dipahami oleh pembaca. Uraian dari sistematika penulisan tersebut adalah sebagai berikut:
BAB 1 : PENDAHULUAN
Bab Pendahuluan memuat tentang latar belakang masalah, perumusan masalah, tujuan dan manfaat penelitian, metodologi penelitian dan sistematika penyusunan laporan.
BAB 2 : LANDASAN TEORI
Bab Landasan Teori memuat penjelasan tentang dasar teori yang digunakan untuk dasar pembahasan dari penelitian.
BAB 3 : METODE PENELITIAN
Bab Metodologi Penelitian berisi tentang metode atau langkah - langkah dalam pemecahan masalah.
BAB 4 : PEMBAHASAN
Bab Pembahasan memuat pembahasan permasalahan yang telah dirumuskan dengan menggunakan landasan teori yang mendukung. Teori tersebut harus mengacu pada pustaka yang digunakan. Pembahasan dilakukan pada metode penyelesaian permasalahan.
BAB 5 : PENUTUP
Bab Penutup merupakan hasil dari pembahasan serta terkait secara langsung dengan topik. Selain itu ada pula saran untuk penelitian selanjutnya.
commit to user
BAB 2 TINJAUAN PUSTAKA
2.1 Landasan Teori
2.1.1 Similarity
Dijelaskan oleh Karhendana (2008), secara umum, fungsi similarity adalah fungsi yang menerima dua buah objek dan mengembalikan nilai kemiripan (similarity) antara kedua objek tersebut berupa bilangan riil. Umumnya, nilai yang dihasilkan oleh fungsi similarity berkisar pada interval [0...1]. Namun ada juga beberapa fungsi similarity yang menghasilkan nilai yang berada di luar interval tersebut. Untuk memetakan hasil fungsi tersebut pada interval [0...1] dapat dilakukan normalisasi.
Semakin besar hasil fungsi similarity, maka kedua objek yang dievaluasi dianggap semakin mirip. Sebaliknya, semakin kecil hasil fungsi similarity, maka kedua objek tersebut dianggap semakin berbeda. Pada fungsi yang menghasilkan nilai pada jangkauan [0...1], nilai 1 melambangkan kedua objek persis sama, sedangkan nilai 0 melambangkan kedua objek sama sekali berbeda.
Cosine Similarity adalah metode similarity yang paling banyak digunakan untuk menghitung similarity dua buah dokumen (Tan, 2006). Rumus Cosine Similarity adalah sebagai berikut:
cos(x,y) =
, dimana
(1)
x y = vektor dot product dari x dan y, dihitung dengan ||x|| = panjang vektor x, dihitung dengan ||y|| = panjang vektor y, dihitung dengan
Contoh perhitungan Cosine Similarity: x
= (1,0,1,0,1,1) y
= (0,1,0,1,1,1)
commit to user
x y = (1*0)+(0*1)+(1*0)+(0*1)+(1*1)+(1*1) =2
||x|| = =2
||y|| = =2
cos(x,y) =
= 0.5
2.1.2 Logika Matematika
Logika adalah metode atau teknik yang diciptakan untuk meneliti ketepatan penalaran serta mengkaji prinsip-prinsip penalaran yang benar dan penarikan kesimpulan yang absah (Sofyani, 2008).
a) Pernyataan (Proposisi) Kata merupakan rangkaian huruf yang mengandung arti, sedangkan
kalimat adalah kumpulan kata yang disusun menurut aturan tata bahasa dan mengandung arti. Di dalam matematika tidak semua pernyataan yang bernilai benar atau salah saja yang digunakan dalam penalaran. Pernyataan disebut juga kalimat deklaratif yaitu kalimat yang bersifat menerangkan, disebut juga proposisi (Sofyani, 2008).
b) Penghubung Kalimat dan Tabel Kebenaran Satu atau lebih proposisi dapat dikombinasikan untuk menghasilkan
proposisi baru lewat penggunaan operator logika (Sofyani, 2008). Proposisi baru yang dihasilkan dari kombinasi tersebut disebut dengan proposisi majemuk (compound composition), sedangkan proposisi yang bukan merupakan hasil dari kombinasi proposisi lain disebut proposisi atomik. Proposisi majemuk tersusun dari sejumlah proposisi atomik.
Dalam logika dikenal 5 buah penghubung, seperti yang ditunjukkan pada Tabel 2.1:
commit to user
Tabel 2.1 Penghubung pada logika
Tidak/Not/Negasi
Tidak......
Dan/And/Konjungsi
....dan.....
Atau/Or/Disjungsi
.....atau.....
Implikasi
Jika.....maka.....
Bi-Implikasi
.....Jika dan hanya jika.....
c) Negasi (Ingkaran)
negasi dari pernyataan p tersebut adalah ~
p di atas bernilai benar (true), maka ingkaran p (~p) adalah bernilai salah (false) dan begitu juga sebaliknya.
Tabel 2.2 Tabel kebenaran untuk logika negasi
~p
2.1.3 Obat Tradisional untuk Penyakit-penyakit Metabolik dan Degeneratif
Dijelaskan oleh Katno dan Pramono (2003), pola penyakit di Indonesia (bahkan di dunia) telah mengalami pergeseran dari penyakit infeksi (yang terjadi sekitar tahun 1970 ke bawah) ke penyakit-penyakit metabolik degeneratif (sesudah tahun 1970 hingga sekarang). Hal ini seiring dengan laju perkembangan tingkat ekonomi dan peradaban manusia yang ditandai dengan pesatnya perkembangan ilmu dan teknologi dengan berbagai penemuan baru yang bermanfaat dalam pengobatan dan peningkatan kesejahteraan umat manusia.
Pada periode sebelum tahun 1970-an banyak terjangkit penyakit infeksi yang memerlukan penanggulangan secara cepat dengan mengunakan antibiotika (obat modern). Pada saat itu jika hanya mengunakan obat tradisional atau jamu yang efeknya lambat, tentu kurang bermakna dan pengobatannya tidak efektif.
commit to user
Sebaliknya pada periode berikutnya hingga sekarang sudah cukup banyak ditemukan turunan antibiotika baru yang potensinya lebih tinggi sehingga mampu membasmi berbagai penyebab penyakit infeksi.
Akan tetapi timbul penyakit baru yang bukan disebabkan oleh jasad renik, melainkan oleh gangguan metabolisme tubuh akibat konsumsi berbagai jenis makanan yang tidak terkendali serta gangguan faal tubuh sejalan dengan proses degenerasi. Penyakit ini dikenal dengan sebutan penyakit metabolik dan degeneratif. Yang termasuk penyakit metabolik antara lain: diabetes (kencing manis), hiperlipidemia (kolesterol tinggi), asam urat, batu ginjal dan hepatitis; sedangkan penyakit degeneratif diantaranya: rematik (radang persendian), asma (sesak nafas), ulser (tukak lambung), haemorrhoid (ambeien/wasir) dan pikun (Lost of memory). Untuk menanggulangi penyakit tersebut diperlukan pemakaian obat dalam waktu lama sehingga jika menggunakan obat modern dikhawatirkan adanya efek samping yang terakumulasi dan dapat merugikan kesehatan. Oleh karena itu lebih sesuai bila menggunakan obat tradisional, walaupun penggunaanya dalam waktu lama tetapi efek samping yang ditimbulkan relatif kecil sehingga dianggap lebih aman (Katno dan Pramono, 2008).
2.2 Penelitian Terkait
a) Similarity of Medical Cases in Health Care Using Cosine Similarity and
Ontology (Shahina Begum, 2007) Meningkatnya penggunaan catatan pasien secara digital di rumah sakit
telah dapat menghemat waktu dan mengurangi risiko kesalahan perawatan yang disebabkan oleh kurangnya informasi. Catatan pasien digital juga memungkinkan penyebaran dan transfer informasi yang diperoleh dari diagnosis dan pengobatan pasien individu secara efisien. Sebagian besar isi catatan pasien adalah informasi tekstual semi-terstruktur. Dalam penelitian tersebut, peneliti mengusulkan sistem penalaran berbasis kasus tekstual campuran yang menawarkan penggunaan kembali pengalaman medis. Hal ini berasal dari catatan pasien terstruktur atau tidak terstruktur, penalaran berbasis kasus dan pengukuran kesamaan berdasarkan metrik Cosine Similarity yang
commit to user
ditingkatkan dengan ontologi domain yang spesifik dan metode Nearest Neighbour . Hasilnya, staf rumah sakit dapat belajar tidak hanya kasus baru, tetapi juga menambahkan komentar untuk kasus-kasus yang sudah ada sehingga memungkinkan kasus prototipikal.
b) Klasifikasi Kategori dan Identifikasi Topik pada Artikel Berita Berbahasa
Indonesia (Aini Rachmania Kusumaagama Fuddoly, 2011) Pada thesis tersebut, penulis memperkenalkan metode klasifikasi
kategori, identifikasi topik dan ekstraksi kata kunci dokumen berita berbahasa Indonesia.
Likelihood untuk mengklasifikasikan kategori dan Cosine Similarity untuk mengidentifikasi topik dokumen. Identifikasi topik dilakukan dengan cara menghitung similarity antara kata kunci topik yang telah diketahui sebelumnya dengan kata kunci artikel uji, dimana kata kunci-kata kunci tersebut direpresentasikan dalam bentuk vektor untuk kemudian dihitung menggunakan rumus Cosine Similarity . Sehingga suatu artikel baru akan dapat ditentukan kategorinya berdasarkan kemiripan kata kunci artikel dengan kata kunci topik kategori.
Diharapkan metode tersebut dapat mengatasi permasalah klasifikasi dokumen berita dan memudahkan pengguna menemukan berita yang sesuai dengan kebutuhannya.
commit to user
BAB 3 METODOLOGI PENELITIAN
Pelaksanaan penelitian akan didasarkan pada alur rancangan penelitian seperti yang ditunjukkan pada Gambar 3.1:
Gambar 3.1 Alur rancangan penelitian
3.1 Studi Literatur
Studi literatur diperlukan untuk mempelajari mengenai apa itu Cosine Similarity dan bagaimana cara penggunaannya. Selain itu, teori mengenai negasi dalam konteks logika matematika juga perlu dipelajari karena berkaitan langsung dalam proses pendeteksian penyakit. Studi literatur ini mengambil dari jurnal- jurnal yang terkait, terutama jurnal penelitian yang memanfaatkan metode Cosine Similarity .
3.2 Pengumpulan Data
Dalam penelitian ini, diperlukan data-data yang terkait dan akan digunakan dalam aplikasi deteksi dini penyakit. Terdapat dua jenis data berdasarkan cara mendapatkannya, yaitu data primer dan data sekunder. Dalam kasus ini, penulis hanya menggunakan data sekunder. Sedangkan data yang diperlukan dalam penelitian ini hanya data mengenai penyakit dan gejalanya, serta obat herbal- tradisional dan khasiatnya.
commit to user
11
Untuk mengumpulkan data penyakit dan gejalanya, penulis menggunakan teknik studi literatur dimana sumber data ini berasal dari buku yang berjudul
oleh Prayogo Utomo. Melalui pengumpulan data ini, diperoleh 33 data penyakit dan 129 data gejala.
Sedangkan data obat herbal-tradisional beserta khasiatnya juga dikumpulkan dengan metode studi literatur melalui situs toko online
. Tidak semua produk yang dijual di
situs tersebut diambil untuk keperluan penelitian, melainkan hanya beberapa obat saja yang memang memiliki khasiat untuk menyembuhkan 33 penyakit yang sesuai dengan data penyakit yang telah dikumpulkan sebelumnya. Setelah diperoleh data obat dan khasiatnya, dilakukan penyaringan untuk menghilangkan khasiat obat yang sifatnya hanya meringankan gejala penyakit (tidak menyembuhkan penyakitnya). Hal ini perlu dilakukan agar hasil rekomendasi obat menjadi lebih baik. Melalui pengumpulan data ini, diperoleh 58 data obat herbal- tradisional yang memiliki khasiat untuk mengobati penyakit yang termasuk dalam
33 penyakit yang telah dikumpulkan datanya.
3.3 Pemodelan Data
Aplikasi deteksi dini penyakit ini akan diterapkan sebagai fitur dari toko online obat herbal, sehingga aplikasi ini diterapkan dalam bentuk modul yang ada di toko online tersebut. Penulis menggunakan CMS toko online Lokomedia, sehingga penulis tidak membangun toko online dari awal, hanya nantinya akan memerlukan sedikit penyesuaian agar aplikasi dapat berjalan dengan benar.
3.3.1 Proses Pengelompokan Gejala dan Eliminasi Penyakit
Terlebih dahulu, gejala akan dibagi ke dalam tiga kelompok berdasarkan tingkat kemunculannya. Kelompok pertama merupakan gejala dengan prosentase kemunculan diatas 15% karena muncul di banyak penyakit, kelompok kedua dengan prosentase antara 5% hingga 15% karena muncul di sedikit penyakit, dan kelompok ketiga dengan prosentase kurang dari 5% gejala-gejala di kelompok ketiga ini bersifat khusus karena hanya muncul di satu penyakit. Gejala yang
commit to user
12
sering muncul akan ditanyakan terlebih dahulu menggunakan form dengan bentuk input berupa radio yang menyatakan
a dan idak untuk setiap gejala yang ditanyakan.
Feedback dan gejala akan ditransformasikan ke bentuk himpunan biner Cosine
Similarity , feedback akan dicocokkan dengan gejala penyakit. Apabila nilai similarity terhadap suatu penyakit rendah (kurang dari 0,5), akan dihitung kembali similarity dari negasi gejalanya, jika similarity negasinya tidak lebih atau sama dengan 0,1 dari similarity positifnya, maka penyakit tersebut masih mungkin untuk lolos ke tahap selanjutnya. Di luar batas tersebut, dapat dipastikan penyakit tersebut tidak diderita oleh pengguna dan akan dieliminasi pada tahap selanjutnya. Selanjutnya pengguna akan ditanyai gejala lagi yang merupakan gejala khusus untuk memastikan kemungkinan penyakitnya.
3.3.2 Proses Penemuan Penyakit yang Mungkin Dialami
Pada tahap akhir proses pencarian penyakit, diperoleh beberapa penyakit yang mungkin diderita disertai dengan nilai similarity akhirnya, dimana penyakit yang mungkin diderita merupakan penyakit dengan nilai similarity akhir lebih besar dari 0,5. Nilai similarity akhir merupakan nilai similarity yang diperoleh dengan membandingkan gejala penyakit dari data gejala dengan seluruh feedback yang telah diberikan oleh pengguna dalam tiga tahap. Dalam kasus ini dimungkinkan ditemukan beberapa penyakit dengan nilai akhir similarity lebih besar dari 0,5.
3.3.3 Proses Perekomendasian Obat
Pada tahap ini, dicari obat yang memiliki khasiat untuk mengobati penyakit-penyakit yang ditemukan. Pencarian obat dapat dilakukan melalui proses filtering pada tabel hubungan antara obat dan penyakit. Dimungkinkan obat memiliki khasiat untuk menyembuhkan beberapa penyakit yang ditemukan dan rekomendasi obat akan diurutkan berdasar jumlah penyakit yang ditemukan yang dapat disembuhkan dengan obat tersebut. Apabila muncul empat penyakit yang ditemukan serta tiga obat (misalnya A, B, dan C) yang dapat menyembuhkan
commit to user
13
penyakit tersebut dengan keterangan A dapat menyembuhkan dua penyakit, B dapat menyembuhkan empat penyakit, dan C dapat menyembuhkan hanya satu penyakit, maka urutan rekomendasinya adalah obat B, obat A, dan obat C.
3.4 Pengembangan Aplikasi
Aplikasi deteksi dini penyakit ini akan diterapkan sebagai fitur pendukung suatu toko online obat herbal dalam bentuk modul yang ditambahkan ke dalam CMS toko online buatan Lokomedia yang berbasis PHP-MySQL. Sehingga pengembangan aplikasi deteksi dini penyakit ini akan menggunakan bahasa pemrograman PHP serta database MySQL untuk menyimpan data-data yang telah dikumpulkan sebelumnya.
Perangkat lunak yang digunakan selama pengembangan antara lain: - Sistem operasi
: Windows 7 Ultimate
- Text editor
: Adobe Dreamweaver CS5
- Bahasa pemrograman : PHP 5.3.5 - Web server
: Apache 2.2.17
- Database server
: MySQL 5.5.8
- Web browser
: Google Chrome 23.0.1271.97
Sedangkan perangkat keras yang digunakan selama pengembangan aplikasi ini menggunakan laptop Acer 4530 dengan spesifikasi seperti berikut: - Processor : AMD Turion X2 Dual-Core 2GHz - RAM
: 2GB
- Tipe sistem : sistem operasi 32-bit - Harddisk : 140GB
3.5 Pengujian dan Analisis Hasil
Pada penelitian ini, dilakukan pengujian untuk mengukur akurasi aplikasi deteksi dini penyakit. Pengujian akan dibagi ke dalam empat jenis, antara lain:
1. Pengujian dengan feedback lengkap Setiap penyakit (dari 33 penyakit) akan diujicobakan pada aplikasi
dengan memberikan feedback gejala penyakit tersebut secara lengkap.
commit to user
14
2. Pengujian dengan feedback random Pengujian ini mirip dengan pengujian feedback lengkap, juga dengan
melibatkan 33 penyakit. Bedanya, 20% dari gejala penyakit yang diuji dijawab random . Setelah pemilihan 20% gejala tersebut, penyakit akan diujicobakan pada aplikasi. Pengujian ini akan dilakukan sebanyak tiga kali untuk memperoleh nilai akurasi rata-rata.
3. Pengujian dengan feedback random Pengujian ini sama dengan pengujian feedback random 20%, namun
ini juga melibatkan 33 penyakit dan akan dilakukan sebanyak tiga kali.
4. Pengujian dengan data real Pada pengujian ini, dilakukan wawancara terprogram terhadap beberapa
responden untuk memperoleh kurang lebih 19 kasus penyakit yang diderita dalam kurun waktu tidak lebih dari tiga bulan. Responden diberi pertanyaan mengenai penyakit yang pernah atau yang sedang diderita disertai dengan gejala yang dirasakan. Pertanyaan gejala yang dirasakan disesuaikan dengan data penyakit dan gejala yang sudah ada di dalam aplikasi.
Setiap pengujian tersebut akan dihitung nilai akurasinya. Nilai akurasi dihitung dengan rumus:
Akurasi =
x 100%
(2) Selain menghitung akurasi, di setiap percobaan pada masing-masing
pengujian akan dihitung jumlah pertanyaan yang perlu dijawab hingga tahap terakhir, hal ini berguna untuk menunjukkan bahwa jumlah pertanyaan yang harus dijawab di setiap percobaan tidak perlu mencapai 129 (sesuai jumlah gejala), yang artinya aplikasi sudah dapat meminimalisir jumlah pertanyaan yang diperlukan.
commit to user
15
BAB 4 PEMBAHASAN
4.1 Gambaran Umum Aplikasi
Aplikasi deteksi dini penyakit merupakan aplikasi yang berguna untuk membantu pendeteksian penyakit yang mungkin diderita secara dini. Aplikasi ini meminta input gejala yang dialami dalam bentuk input radio. Feedback yang diberikan dan data gejala setiap penyakit akan di transformasikan dalam bentuk biner dan dibandingkan menggunakan metode Cosine Similarity. Semakin tinggi nilai similarity suatu penyakit terhadap feedback-nya, maka semakin besar pula peluang penyakit tersebut muncul sebagai penyakit yang mungkin diderita. Setelah ditemukan beberapa penyakit yang muncul, akan direkomendasikan obat herbal yang sesuai untuk mengatasi penyakit-penyakit tadi.
Aplikasi ini diterapkan sebagai modul fitur tambahan pada sebuah toko online yang khusus menjual obat herbal-tradisional. Dengan adanya aplikasi ini, diharapkan pengguna aplikasi menjadi lebih waspada terhadap penyakit yang mungkin dideritanya serta memeriksakan kesehatannya untuk memperoleh kepastian. Selain itu diharapkan pembeli obat herbal-tradisional tidak salah dalam melakukan pembelian obat dikarenakan kesalahan diagnosis yang dilakukan sendiri oleh pembeli.
Gambaran mengenai aplikasi ini dapat dilihat pada Gambar 4.1 berikut ini.
Gambar 4.1 Gambaran aplikasi deteksi dini penyakit pada toko online herbal
Toko Online Obat Herbal Fitur/Aplikasi Deteksi Dini Penyakit
Pengguna
Feedback gejala
Penyakit & obat herbal
commit to user
16
4.2 Pemodelan Sistem
4.2.1 Perancangan Database
Aplikasi ini menggunakan lima tabel agar dapat bekerja dengan baik, antara lain: tabel sk_gejala, tabel sk_penyakit, tabel sk_obat, tabel sk_penyakit_gejala, serta tabel sk_penyakit_obat. Tabel sk_penyakit_gejala
tabel sk_penyakit_obat
Tabel sk_gejala berisi id gejala dan gejala/simtom. Tabel sk_penyakit berisi id penyakit dan nama penyakitnya. Tabel sk_obat berisi id obat dan nama obatnya. Tabel sk_penyakit_gejala berisi keterkaitan antara penyakit-penyakit dan gejala-gejalanya. Sedangkan tabel sk_penyakit_obat merupakaan tabel yang menggambarkan khasiat obat dan keterkaitannya dengan penyakit.
Khusus untuk tabel sk_obat, tabel ini nantinya akan dilebur dengan tabel produk yang sudah ada sebelumnya di dalam CMS toko online yang penulis gunakan. Hal ini dilakukan agar database tetap dalam bentuk normal selama proses penyesuaian dan pengaplikasian fitur deteksi dini penyakit ke dalam CMS. Kolom id_obat pada tabel sk_obat melebur dengan kolom id_produk pada tabel produk, begitupula dengan namanya.
4.2.2 Pengelompokan Gejala
Dalam kasus ini, penulis melakukan pengelompokan gejala dengan tujuan untuk meminimalisir jumlah pertanyaan yang diberikan kepada pengguna. Dengan jumlah pertanyaan yang lebih sedikit, diharapkan pengguna akan merasa lebih nyaman dalam menggunakan aplikasi ini.
Pengelompokan gejala dilakukan dengan cara sebagai berikut:
1. Untuk setiap gejala, hitung jumlah penyakit yang memiliki gejala tersebut.
2. Gejala diurutkan berdasarkan jumlah penyakit yang mana gejala tersebut muncul, diurutkan dari besar ke kecil.
commit to user
17
3. Gejala-gejala tadi dibagi ke dalam tiga kelompok, kelompok pertama adalah gejala dengan prosentase kemunculan lebih dari 15%, kelompok kedua adalah gejala dengan prosentase kemunculan antara 5% hingga 15%, sedangkan kelompok ketiga adalah gejala dengan prosentase kemunculan kurang dari 5%. Pembagian kelompok ini bersifat dinamis dan dapat berubah-ubah, tergantung dari jumlah gejala dan jumlah penyakit yang ada. Kelompok pertama dapat dianggap sebagai gejala umum karena sering muncul, sedangkan kelompok ketiga dapat dianggap sebagai gejala khusus, karena hanya muncul di satu penyakit saja.
Gambaran mengenai pengelompokan gejala ini dapat dilihat pada Tabel
4.1. Pada tabel ini ditunjukkan sepuluh gejala dengan kemunculan paling tinggi. Untuk gejala dengan urutan lebih dari kesepuluh dipastikan bahwa kemunculannya tidak lebih dari empat kali. Untuk data pengelompokan gejala selengkapnya dapat dilihat pada Lampiran B.
Tabel 4.1 Gambaran pengelompokan gejala
No
Gejala
Kemunculan Prosentase
1 Badan terasa lemah
9 27.27
2 Nafsu makan berkurang
9 27.27
3 Mudah lelah
5 Nafas terasa sesak
10 Nyeri pada perut bagian bawah
4 12.12
Kelompok gejala yang sering muncul (prosentase di atas 15%) sebanyak sembilan gejala dan akan ditanyakan terlebih dahulu kepada pengguna. Nantinya pengguna akan diminta untuk menjawab pertanyaan sebanyak tiga kali, sesuai dengan jumlah pengelompokan gejala. Feedback dari
commit to user
18
pengguna nantinya akan dibandingkan dengan gejala-gejala yang dimiliki penyakit-penyakit yang terkait dengan kelompok gejala tadi. Selanjutnya akan masuk pada proses pengeliminasian.
4.2.3 Pengeliminasian dan Penentuan Penyakit
Pengeliminasian penyakit bertujuan untuk menghilangkan penyakit yang sudah tidak mungkin lagi muncul. Dampak positifnya, jumlah gejala yang akan ditanyakan menjadi semakin sedikit pula, sehingga akan dapat lebih mengurangi jumlah pertanyaan yang harus dijawab oleh pengguna. Berikut ini adalah tahap- tahap proses pengeliminasian penyakit:
1. Transformasi biner untuk penyakit dan feedback. Feedback dari pengguna dan gejala dari penyakit ditransformasikan ke
dalam bentuk himpunan biner. Penyakit yang dibandingkan merupakan penyakit yang minimal satu dari gejalanya terdapat pada daftar gejala yang ditanyakan pada suatu tahap pemberian feedback. Misalnya sebagai berikut:
Tabel 4.2 Contoh transformasi biner untuk feedback serta penyakit asma dan influenza
Penyakit
Gejala yang ditanyakan
Tidak Tidak
Ada
Tidak Tidak Ada Tidak Asma (t)
Influenza
Tidak Tidak
Tidak Tidak Tidak
Ada
Tidak Ada Tidak Influenza (t)
Tidak Tidak Tidak Tidak
Ya Ya Tidak Feedback (t)
0 1 0 0 0 0 1 1 0 Ket: (t) merupakan hasil transformasi biner.
commit to user
19
2. Menghitung nilai similarity penyakit dengan feedback. Untuk mengetahui nilai similarity keduanya, dapat menggunakan rumus
umum Cosine Similarity (Rumus 1). Contoh perhitungan Cosine Similarity untuk asma dan feedback adalah sebagai berikut:
x = (0,1,0,0,1,0,0,1,0) Hasil biner untuk asma y
= (0,1,0,0,0,0,1,1,0) Hasil biner untuk feedback x y = (0*0)+(1*1)+(0*0)+(0*0)+(1*0)+(0*0)+(0*1)+(1*1)+(0*0)
=2 ||x|| = = 1,73 ||y|| =
= 1,73 cos(x,y) =
= 0,67
Sehingga diperoleh nilai similarity penyakit asma dengan feedback yang diberikan yaitu sebesar 0,67.
3. Menghitung nilai similarity penyakit dengan negasi feedback. Perhitungannya sama dengan contoh perhitungan pada tahap kedua,
perbedaannya adalah biner feedback dinegasikan menjadi kebalikannya, dimana nilai 1 menjadi 0, dan nilai 0 menjadi 1. Penggunaan similarity negasi ini adalah untuk meyakinkan dalam proses pengeliminasian penyakit. Logikanya, apabila similarity-nya rendah dan similarity negasinya tinggi, berarti pemberi feedback tidak menderita penyakit yang bersangkutan.
4. Mengeliminasi penyakit yang nilai similarity-nya di luar batas. Apabila nilai similarity (yang membandingkan gejala penyakit dengan
feedback ) 0,5 ke atas, maka dapat dipastikan penyakit tersebut masih memiliki peluang untuk ditemukan sebagai jawaban, sehingga penyakit ini lolos pada pengeliminasian awal dan akan diproses lagi pada tahap selanjutnya. Jika similarity positif dan similarity negasinya hampir sama, maka akan sulit untuk menentukan apakah penyakit itu lolos atau tidak. Karena itu, diambil batasan
commit to user
20
tambahan apabila nilai similarity positifnya kurang dari 0,5 dan similarity negasi tidak lebih atau sama dengan 0,1 dari similarity positifnya, maka penyakit ini juga akan lolos. Berikut ini penjelasan secara algoritmik:
Alasan penggunaan batas toleransi 0,1 ini karena ketika similarity positif sedikit di bawah 0,5 dan similarity negatifnya sedikit di atas 0,5, maka kondisi ini sebenarnya masih diragukan apakah penyakit yang masuk dalam kondisi ini harus lolos atau dieliminasi. Namun pada akhirnya penyakit dengan kondisi ini masih diberi kesempatan untuk lolos.
Eliminasi pada tahap pertama didasarkan pada nilai similarity awal yang diperoleh dari perhitungan antara penyakit dengan feedback awal, sedangkan eliminasi pada tahap kedua didasarkan pada nilai similarity kedua yang diperoleh dari perhitungan antara penyakit dengan gabungan feedback tahap pertama dan feedback tahap kedua
5. Menyiapkan pertanyaan tahap selanjutnya. Setelah meminta feedback berdasar gejala dengan kemunculan lebih
dari 15%, gejala yang ditanyakan selanjutnya merupakan gejala-gejala dari penyakit yang tidak tereliminasi pada tahap sebelumnya dengan persentase kemunculan antara 5% hingga 15%. Setelah feedback diberikan, langkah- langkah 1 hingga 4 dilakukan kembali untuk mengeliminasi lagi penyakit yang tidak mungkin diderita. Hal yang sama dilakukan hingga tahap terakhir yaitu memberikan pertanyaan berdasarkan gejala penyakit yang belum tereliminasi dengan kemunculan gejala kurang dari 5%, dimana gejala tersebut merupakan menjadi ciri khusus suatu penyakit.
6. Penentuan penyakit. Setelah tiga kali permintaan feedback dan dari seluruh penyakit yang
masih mungkin muncul sebagai jawaban, dihitung nilai similarity akhir-nya
if(sim(A)>=0,5) then A lolos; else if ((simN(A)-sim(A))<0,1) then A lolos;
else A tereliminasi;
commit to user
21
(juga menggunakan Rumus 1), yaitu similarity antara gejala penyakit tersebut dengan seluruh feedback yang telah diberikan. Penyakit yang menjadi output aplikasi merupakan penyakit dengan nilai similarity akhir lebih dari 0,5.
4.2.4 Perekomendasian Obat
Langkah-langkah dalam perekomendasian obat adalah sebagai berikut:
1. Setelah penyakit ditemukan, cari semua relasi antara penyakit yang ditemukan dengan obat yang berhubungan dengan penyakit itu, melalui tabel sk_penyakit_obat.
2. Temukan obat dengan mengelompokkan obat berdasarkan id obat-nya.
3. Rekomendasikan obat-obat tersebut disertai penyakit yang dapat disembuhkannya
4. Hasil rekomendasi obat diurutkan berdasarkan jumlah penyakit (penyakit dari hasil deteksi dini) yang dapat diobati dengan menggunakan obat tersebut.
4.3 Implementasi
Aplikasi deteksi dini penyakit ini diterapkan sebagai fitur pendukung suatu toko online obat herbal dalam bentuk modul yang ditambahkan ke dalam CMS toko online buatan Lokomedia yang berbasis PHP-MySQL. Tautan untuk fitur deteksi dini penyakit ini ditambahkan pada navigasi utama yang sudah ada pada CMS toko online Lokomedia, sehingga pengunjung dapat dengan mudah menjangkau fitur ini.
Permintaan feedback diimplementasikan dalam bentuk form, dimana setiap gejala yang ditanyakan akan terdapat dua buah radio button untuk menyatakan
aplikasi deteksi dini penyakit pada CMS toko online Lokomedia.
commit to user
22
Gambar 4.2 Hasil pengimplementasian aplikasi deteksi dini penyakit
Pada tahap awal (dari tiga tahap) permintaan feedback, ditampilkan sembilan gejala untuk dijawab apakah gejala tersebut dirasakan atau tidak. Sembilan gejala yang ditanyakan ini tidaklah statis, melainkan dapat berubah tergantung dari prosentase kemunculan gejala tersebut pada keseluruhan penyakit yang ada pada database.
Dalam penelitian ini, diambil batas prosentase kemunculan diatas 15% agar muncul pada tahap awal permintaan feedback. Apabila, misalnya, salah satu penyakit yang memiliki gejala dengan prosentase kemunculan sedikit diatas 15%, kemudian gejala tersebut dihilangkan dari penyakit tersebut, maka otomatis prosentase kemunculan gejala tersebut akan turun, sehingga gejala tersebut tidak akan muncul pada tahap awal permintaan feedback melainkan pada tahap setelahnya (jika penyakit yang berkaitan dengan gejala tersebut tidak tereliminasi). Hal yang sama juga berlaku pada tahap permintaan feedback yang kedua dan ketiga (terakhir).
Berikut ini akan diberikan contoh untuk menunjukkan bahwa gejala yang tampil pada tahap awal permintaan feedback tergantung dari prosentase
commit to user
23
kemunculan gejala tersebut. Telah diketahui bahwa salah satu gejala asma adalah batuk, dan gejala batuk ini muncul pada tahap awal permintaan feedback. Prosentase kemunculan batuk adalah 15,15% (5 kemunculan pada 33 penyakit). Kemudian akan kita hilangkan gejala batuk dari penyakit asma. Hal ini dilakukan dengan cara mengubah atau menghapus record yang menghubungkan penyakit asma dengan gejala batuk, sehingga prosentase kemunculan batuk berkurang menjadi di bawah batas 15% dan akhirnya tidak muncul pada tahap awal permintaan feedback.
Gambar 4.3 Tahap awal permintaan feedback (sebelum penghapusan record)
Jika melihat data pada database, diketahui bahwa id_penyakit dari Asma adalah 2, dan id_gejala dari Batuk adalah 8, maka pada tabel sk_penyakit_gejala record yang menghubungkan id_penyakit = 2 dan id_gejala = 8 dihapus.
commit to user
24
Gambar 4.4 Penghapusan record (id_penyakit=2 dan id_gejala=8) pada tabel sk_penyakit_gejala
Gambar 4.5 Tahap awal permintaan feedback (setelah penghapusan record)
commit to user
25
Dapat dilihat bahwa setelah penghapusan record, gejala batuk tidak lagi muncul di tahap awal permintaan feedback. Sehingga yakinlah bahwa gejala yang ditanyakan bersifat dinamis dan tergantung dari prosentase kemunculan gejala.
Contoh kasus setelah kondisi pada database dikembalikan seperti semula, dan feedback
merupakan gejala-gejala penyakit yang tidak tereliminasi pada tahap pertama dengan prosentase kemunculan antara 5% hingga 15%.
Gambar 4.6
Apabila di tahap kedua ini tidak ada gejala yang dialami, kemudian pada
maka akan diperoleh hasil akhir yaitu munculnya penyakit Asma dengan
commit to user
26
kemungkinan 89%. Dilengkapi pula dengan rekomendasi obat herbal yang cocok untuk mengobati penyakit tersebut. Output dari deteksi dini penyakit untuk kasus ini dapat dilihat pada Gambar 4.7.
Gambar 4.7 Output fitur/aplikasi deteksi dini penyakit
4.4 Pengujian
Output dari pengujian aplikasi ini adalah nilai akurasi yang menyatakan prosentase percobaan yang benar. Nilai akurasi dihitung dengan Rumus 2.
Ada empat cara pengujian pengujian dengan input yang berbeda. Pertama adalah pengujian yang dilakukan dengan pemberian feedback lengkap sesuai gejala penyakit pada
o Utomo. Pengujian kedua dilakukan dengan memberikan feedback random
commit to user
27
Pengujian ketiga dilakukan dengan memberikan feedback random dimana 40%
pemberian feedback menggunakan data real dari penderita.
4.4.1 Pengujian dengan Feedback Lengkap
Pada pengujian ini, dilakukan 33 percobaan (sesuai jumlah penyakit yang tersimpan di dalam database) dengan cara memberikan feedback sesuai dengan gejala setiap penyakit yang sedang diuji. Hasil lengkap pengujian ini dapat dilihat pada Lampiran C, yang sekaligus menunjukkan semua gejala dari setiap penyakit yang digunakan. Rangkuman hasil pengujian ini dapat dilihat pada Tabel 4.3.
Tabel 4.3 Rangkuman hasil pengujian dengan feedback lengkap Jumlah
Percobaan
Penyakit yang diuji muncul di urutan
Gagal Ditemukan
4.4.2 Pengujian dengan Feedback Random 20%
Pada pengujian ini, dilakukan 33 percobaan (sesuai jumlah penyakit) dengan memberikan feedback random. Di setiap percobaan, terlebih dahulu