59357872 Penerapan Fuzzy C Means untuk Pengelompokkan Penyakit
PROPOSAL SKRIPSI
PENERAPAN FUZZY C-MEANS
UNTUK PENGELOMPOKKAN PENYAKIT
BERDASARKAN FAKTOR USIA DAN NILAI BODY MASS
INDEX PADA RUMAH SAKIT SARI MULIA BANJARMASIN
OLEH :
BAGUS WINDHYA KUSUMA WARDANA
3101 0701 1033
PROGRAM STUDI SISTEM INFORMASI
SEKOLAH TINGGI MANAJEMEN INFORMATIKA
DAN KOMPUTER BANJARBARU
(STMIK BANJARBARU)
BANJARMASIN
2011
PROGRAM STUDI SISTEM INFORMASI
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
BANJARBARU(STMIK BANJARBARU)
PERSETUJUAN PROPOSAL SKRIPSI
Nama
: BAGUS WINDHYA KUSUMA WARDANA
NIM
: 310107011033
Program Studi
: SISTEM INFORMASI
Judul Skripsi
: PENERAPAN FUZZY C-MEANS UNTUK
PENGELOMPOKKAN PENYAKIT BERDASARKAN
FAKTOR USIA DAN NILAI BODY MASS INDEX PADA
RUMAH SAKIT SARI MULIA BANJARMASIN
2
Telah disetujui untuk diseminarkan pada Sidang Proposal Skripsi Program Studi
Sistem Informasi Sekolah Tinggi Manajemen Informatika & Komputer
Banjarbaru (STMIK BANJARBARU).
Banjarmasin, 22 April 2011
Pembimbing Utama,
Budi Rahmani, S.Pd., M.Kom.
Mengetahui :
Ketua Jurusan
Sistem Informasi,
Bahar A. Rahman, M.Kom.
3
DAFTAR ISI
Hal.
PROPOSAL SKRIPSI.........................................................................................................i
PERSETUJUAN PROPOSAL SKRIPSI............................................................................ii
DAFTAR ISI.....................................................................................................................iii
DAFTAR TABEL...............................................................................................................v
DAFTAR GAMBAR.........................................................................................................vi
BAB I PENDAHULUAN..................................................................................................1
1.1.
Latar Belakang...................................................................................................1
1.2.
Permasalahan Penelitian.....................................................................................3
1.2.1.
Identifikasi Masalah...................................................................................3
1.2.2.
Ruang Lingkup Masalah.............................................................................3
1.2.3.
Rumusan Masalah......................................................................................4
1.3.
Tujuan dan Manfaat Penelitian...........................................................................4
1.3.1.
Tujuan Penelitian........................................................................................4
1.3.2. Manfaat Penelitian............................................................................................4
BAB II LANDASAN TEORI.............................................................................................5
2.1.
Tinjauan Pustaka................................................................................................5
2.2.
Landasan Teori...................................................................................................6
2.2.1.
Penyakit......................................................................................................6
2.2.2.
Body Mass Index (BMI).............................................................................6
2.2.3.
Data Mining...............................................................................................8
2.2.4.
Fuzzy C-Means.........................................................................................11
2.2.5. Unified Modelling Language..........................................................................13
2.3.
Kerangka Pemikiran.........................................................................................14
BAB III METODE PENELITIAN...................................................................................15
3.1.
Analisa Kebutuhan...........................................................................................15
3.1.1.
3.2.
Metode Pengumpulan Data.......................................................................16
Perancangan Penelitian.....................................................................................16
3.2.1.
Sumber Data dan Variabel Penelitian........................................................16
3.2.2.
Diagram Konteks......................................................................................17
3.2.3.
Use Case Diagram....................................................................................18
3.2.4.
Sequence Diagram....................................................................................19
3
3.2.5.
Activity Diagram......................................................................................20
3.3.
Teknik Analisis Data........................................................................................21
3.4.
Jadwal Penelitian..............................................................................................30
DAFTAR PUSTAKA.......................................................................................................31
LAMPIRAN
4
DAFTAR TABEL
Ha
Tabel 2. 1 Rumus BMI.......................................................................................................7
Tabel 2. 2 kategori BMI untuk orang dewasa.....................................................................7
Tabel 2. 3 Tabel Body Mass Index dan resiko kesehatan....................................................8
YTabel 3. 1. Data penyakit pasien laki-laki.......................................................................21
Tabel 3. 2 Data penyakit pasien perempuan.....................................................................23
Tabel 3. 3. Hasil perhitungan nilai BMI pasien laki-laki..................................................25
Tabel 3. 4 Hasil perhitungan BMI pasien perempuan.......................................................27
Tabel 3. 5. Tabel Estimasi Jadwal.....................................................................................30
5
DAFTAR GAMBAR
Hal
Gambar 3. 1. Diagram Konteks........................................................................................17
Gambar 3. 2. Use Case Diagram......................................................................................18
Gambar 3. 3. Sequence Diagram Clustering Penyakit......................................................19
Gambar 3. 4. Activity Diagram........................................................................................20
6
BAB I PENDAHULUAN
1.1.
Latar Belakang
Rekam medis adalah catatan yang berisikan informasi tentang identitas
pasien, anamnesa, penentuan fisik laboratorium, diagnosa segala pelayanan dan
tindakan medik yang diberikan kepada pasien dan pengobatan baik yang dirawat
inap, rawat jalan maupun yang mendapatkan pelayanan gawat darurat. Salah
satunya berisikan informasi mengenai penyakit-penyakit yang pernah/sedang di
derita oleh pasien. Penyakit merupakan suatu keadaan abnormal dari tubuh atau
pikiran yang menyebabkan ketidaknyamanan, disfungsi atau kesukaran terhadap
orang yang dipengaruhinya. Suatu penyakit biasanya dipengaruhi oleh beberapa
faktor, diantaranya ialah usia pasien dan BMI (Body Mass Index).
Rumah Sakit Sari Mulia Banjarmasin merupakan salah satu rumah sakit
yang memiliki jumlah pasien dalam skala besar dan keaneka ragaman jenis
penyakit. Dengan jumlah pasien yang begitu banyak, maka semakin banyak kasus
pasien yang menderita penyakit yang sama berdasarkan faktor usia dan nilai bmi.
Berdasarkan pada data penyakit yang diperoleh di rumah sakit tersebut, penyakit
gagal jantung kongestif merupakan penyakit paling banyak diderita oleh pasien
yang berusia rata-rata 40 tahun ke atas dan memiliki nilai BMI diatas 27 yang
berarti pasien mengalami obesitas. Sehingga diperlukan langkah-langkah
antisipasi pengobatan dan pencegahan penyakit dalam rangka peningkatan
pelayanan kesehatan karena peningkatan pelayanan kesehatan terhadap pasien
merupakan salah satu tujuan dari program Rumah Sakit Sari Mulia Banjarmasin.
Langkah-langkah tersebut salah satunya berupa penambahan tenaga medis di
2
bidang spesialisasi tertentu, penambahan stok obat, dan melakukan penyuluhan
atau sosialisasi kepada masyarakat terhadap penyakit tertentu.
Melihat kondisi tersebut pihak rumah sakit tentunya perlu mengetahui
jenis penyakit yang paling banyak dijumpai di rumah sakit tersebut, dan jenis
penyakit apa yang paling banyak diidap oleh pasien yang berusia sekian. Dengan
mengetahui kondisi ini, pihak rumah sakit dapat mengambil tindakan kebijakan
dalam antisipasi pengobatan dan pencegahan penyakit. Untuk dapat membantu
pihak rumah sakit Sari Mulia Banjarmasin dalam memberikan informasi
mengenai data penyakit pasien berdasarkan faktor usia dan nilai BMI tentunya
diperlukan suatu metode pendukung sebagai landasan dalam pengambilan
keputusan.
Metode Clustering adalah salah satu metode dalam data mining yang dapat
diterapkan untuk membantu membangun suatu sistem sebagai penyelesaian
permasalahan tersebut. Metode ini telah banyak diterapkan untuk berbagai
keperluan dalam mengatasi masalah yang sedang dihadapi. Beberapa penelitian
diantaranya yang menerapkan metode ini adalah “Klasifikasi Kandungan Nutrisi
Bahan Pangan Menggunakan Fuzzy C-Means”, dan “Aplikasi K-Means Untuk
Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) &
Ukuran Kerangka”.
Fuzzy C-Means adalah suatu teknik pengclusteran data yang mana
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat
keanggotaan. Data-data penyakit pasien tersedia di dalam berkas rekam medis
diproses dan dianalisis untuk kemudian dilakukan pengelompokkan berdasarkan
faktor usia dan nilai BMI. Dengan menerapkan metode ini diharapkan akan
menghasilkan informasi mengenai jenis penyakit yang paling banyak diderita oleh
3
pasien yang berusia sekian tahun, dan berada pada kategori kurus, normal, atau
gemuk dilihat dari nilai BMI pasien.
Penelitian ini akan menganalisis penerapan Fuzzy C-Means untuk
pengelompokkan penyakit berdasarkan faktor usia dan nilai Body Mass Index
pada Rumah Sakit Sari Mulia Banjarmasin.
1.2.
Permasalahan Penelitian
1.2.1. Identifikasi Masalah
Berdasarkan uraian latar balakang di atas, maka identifikasi permasalahan
dalam penelitian ini yaitu belum ada penerapan algoritma fuzzy c-means dalam
kasus pengelompokkan penyakit di Rumah Sakit Sari Mulia berdasarkan faktor
usia dan nilai body mass index.
1.2.2. Ruang Lingkup Masalah
Ruang lingkup masalah dalam penelitian ini adalah sebagai berikut :
1.
Data yang digunakan pada penelitian ini adalah data penyakit yang berada
dalam rangking 5 besar terbanyak yang meliputi data nama penyakit pasien,
usia pasien, berat badan pasien dan tinggi badan pasien yang didapat pada
berkas rekam medis pasien Rumah Sakit Sari Mulia Banjarmasin dari bulan
Maret 2011 sampai bulan Mei 2011.
2.
Penelitian ini hanya mengelompokkan penyakit pasien yang di rawat nginap.
3.
Penelitian ini hanya membahas pasien yang berusia diatas 18 tahun.
4.
Pengelompokkan penyakit berdasarkan faktor usia dan nilai body mass index
menggunakan metode fuzzy c-means pada Rumah Sakit Sari Mulia
Banjarmasin.
4
1.2.3. Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah bagaimana menerapkan
metode fuzzy c-means dalam kasus pengelompokkan penyakit di Rumah Sakit
Sari Mulia Banjarmasin berdasarkan faktor usia dan nilai body mass index?
1.3.
Tujuan dan Manfaat Penelitian
1.3.1. Tujuan Penelitian
Sesuai dengan latar belakang di atas, maka penelitian yang dilakukan ini
memiliki tujuan menerapkan metode fuzzy c-means dalam kasus pengelompokkan
penyakit di Rumah Sakit Sari Mulia Banjarmasin berdasarkan faktor usia dan nilai
body mass index.
1.3.2. Manfaat Penelitian
1.
Bagi Penulis, penelitian ini berguna untuk menambah wawasan mengenai
metode fuzzy c-means beserta penerapannya dan sebagai sarana penerapan
ilmu pengetahuan yang diperoleh selama kuliah dalam realita permasalahan
yang ditemukan di lapangan.
2.
Bagi Rumah Sakit Mulia Banjarmasin, penelitian ini bermanfaat untuk
membantu bagian rekam medis dalam memperoleh informasi-informasi
strategis guna mendukung pengambilan keputusan oleh pihak manajemen
dalam antisipasi pengobatan dan pencegahan penyakit.
BAB II LANDASAN TEORI
2.1.
Tinjauan Pustaka
Penelitian mengenai pengclusteran penyakit berdasarkan usia dan body
mass index (BMI) dengan metode fuzzy c-means clustering bukanlah baru pertama
kali ini dilakukan, sudah ada penelitian terdahulu tentang penerapan metode
clustering tersebut. Penelitian terdahulu yang relevan dengan penelitian ini adalah
sebagai berikut.
Sri Kusumadewi (2007) dengan judul “Klasifikasi Kandungan Nutrisi
Bahan Pangan Menggunakan Fuzzy C-Means” meneliti tentang klasifikasi bahan
pangan berdasarkan kandungan nutrisinya. Penelitian tersebut menghasilkan 4
buah cluster : golongan hijau, golongan kuning, golongan jingga, golongan
merah.
Tedy Rismawan (2007) dengan judulnya “Aplikasi K-Means Untuk
Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) &
Ukuran Kerangka” meneliti tentang pengelompokkan mahasiswa berdasarkan
status gizi dan ukuran kerangka. Hasil penelitian tersebut diperoleh 3 kelompok :
BMI normal dan kerangka besar, BMI obesitas sedang, kerangka sedang, dan BMI
obesitas berat dan kerangka kecil.
Hasil penelitian sebelumnya dapat menjadi informasi dan acuan bagi
peneliti saat ini yang menerapkan metode yang sama. Penelitian-penelitian diatas
berbeda dengan penelitian kali ini, dimana penelitian ini menerapkan metode
fuzzy c-means untuk pengelompokkan penyakit pasien berdasarkan usia dan
golongan darah di Rumah Sakit Sari Mulia Banjarmasin.
6
2.2.
Landasan Teori
2.2.1. Penyakit
Penyakit merupakan suatu kondisi abnormal yang mempengaruhi
organisme tubuh. Hal ini sering ditafsirkan sebagai kondisi medis yang terkait
dengan spesifik gejala dan tanda-tanda. Ini mungkin disebabkan oleh faktor
eksternal, seperti penyakit menular, atau mungkin disebabkan oleh disfungsi
internal. Pada manusia, penyakit sering digunakan secara lebih luas untuk
mengacu pada setiap kondisi yang menyebabkan rasa sakit, disfungsi,
penderitaan, masalah sosial, dan/atau kematian kepada penderita, atau masalah
serupa bagi mereka yang melakukan kontak dengan orang tersebut. Dalam arti
yang lebih luas, penyakit termasuk cedera, cacat, gangguan, sindrom, dan infeksi.
Penyakit biasanya tidak hanya mempengaruhi orang-orang secara fisik, tetapi juga
secara emosional, hidup dengan menderita banyak penyakit dapat mengubah
sudut pandang seseorang terhadap kehidupan, dan kepribadian mereka.
2.2.2. Body Mass Index (BMI)
Body Mass Index (BMI) merupakan suatu pengukuran yang menunjukkan
hubungan antara berat badan dan tinggi badan. BMI lebih berhubungan dengan
lemak tubuh dibandingkan dengan indikator lainnya untuk tinggi badan dan berat
badan. Rumus atau cara menghitung BMI yaitu dengan membagi berat badan
dalam kilogram dengan kuadrat dari tinggi badan dalam meter (kg/m²).
7
Tabel 2. 1 Rumus BMI
Satuan Internasional
Satuan Imperial/wilayah
United States
Dengan batas pengelompokkan :
Tabel 2. 2 kategori BMI untuk orang dewasa
Kategori
Kurus (underweight)
Normal
Kegemukan (overweight)
Obesitas
Untuk Laki-Laki
< 17 kg/m2
17 – 23 kg/m2
23 – 27 kg/m2
> 27 kg/m2
Untuk Perempuan
< 18 kg/m2
18 – 25 kg/m2
25 – 27 kg/m2
> 27 kg/m2
Sumber : Pedoman praktis terapi gizi medis Departemen Kesehatan RI 2003
BMI dapat digunakan untuk menentukan seberapa besar seseorang dapat
terkena resiko penyakit tertentu yang disebabkan karena berat badannya.
Seseorang dikatakan obese dan membutuhkan pengobatan bila mempunyai BMI
di atas 27. Resiko penyakit yang berhubungan dengan derajat kegemukan seperti
penyakit jantung, kencing manis bahkan stroke dapat dilihat dari nilai BMI.
Berikut tabel
BMI (Body Mass Index) atau indeks massa tubuh jika
dihubungkan dengan resiko kesehatan.
Tabel 2. 3 Tabel Body Mass Index dan resiko kesehatan
8
2.2.3. Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan
penemuan di dalam database. Data mining adalah proses yang menggunakan
teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengestraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan
yang terakit dari berbagai database besar.
Menurut Gartner Group data mining adalah suatu proses menemukan
hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam
sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan
teknik pengenalan pola seperti statistik dasn matematika.
Kemajuan luar biasa yang terus berlanjut dalam bidang data mining
didorong oleh beberapa faktor, antara lain :
1.
Pertumbuhan yang cepat dalam kumpulan data.
2.
Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan
memiliki akses ke dalam database yang andal.
3.
Adanya peningkatan akses data melalui navigasi web dan intranet.
9
4.
Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam
globalisasi ekonomi.
5.
Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan
teknologi).
6.
Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan
kapasitas media penyimpanan.
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu :
1.
Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba
mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat
dalam data. Deskripsi dari pola dan kecenderungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau kecenderungan.
2.
Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target
estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun
menggunakan record lengkap yang menyediakan nilai dari variabel target
sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai
dari variabel dibuat berdasarkan nilai variabel prediksi.
3.
Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode
dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula
digunakan untuk (untuk keadaan yang tepat) prediksi.
4.
Klasifikasi
10
Dalam klasifikasi, terdapat yang variabel kategori. Sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu
pendapatan tinggi, pendapatan sedang, pendapatan rendah.
5.
Pengklusteran
Pengklusteran merupakan pengelompokkan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster
lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel
target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan
klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan
tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian
terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki
kemiripan (homogen), yang mana kemiripan record dalam satu kelompok
akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok
lain akan bernilai minimal.
6.
Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang
muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis
keranjang belanja.
2.2.4. Fuzzy C-Means
Ada beberapa algoritma pengclusteran data, salah satu diantaranya adalah
Fuzzy C-Means (FCM). FCM adalah suatu teknik pengclusteran data yang mana
11
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat
keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun
1981.
Konsep dasar FCM, pertama kali adalah menentukan pusat cluster, yang
akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat
cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan
untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat
keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa
pusat klaster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan
pada minimisasi fungsi objektif yang menggambarkan jarak dari titik data yang
diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data
tersebut.
Keluaran dari FCM bukan merupakan fuzzy inference system, namun
merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap
titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference
system.
Algoritma Fuzzy C-Means (FCM) adalah sebagai berikut :
1.
Input data yang akan dicluster X, berupa matriks berukuran n x m (n=jumlah
sampel data, m=atribut setiap data). Xij = data sampel ke-i (i=1,2,…,n),
atribut ke-j (j=1,2,…,m).
2.
Tentukan :
Jumlah cluster
= c;
Pangkat
= w;
Maksimum iterasi
= MaxIter;
12
3.
Error terkecil yang diharapkan
= ξ;
Fungsi obektif awal
= P0 = 0;
Iterasi awal
= t = 1;
Bangkitkan bilangan random µik, i=1,2,…,n; k=1,2,…,c; sebagai elemenelemen matriks partisi awal U. Hitung jumlah setiap kolom :
(2.1)
Dengan j=1,2,…,n. Hitung :
(2.2)
4.
Hitung pusat cluster ke-k: Vkj, dengan k=1,2,…c; dan j=1,2,…,m.
(2.3)
5.
Hitung fungsi objektif pada iterasi ke-t, Pt :
(2.4)
6.
Hitung perubahan matriks partisi :
(2.5)
7.
Cek kondisi berhenti :
Jika : (|Pt – Pt-1|MaxIter) maka berhenti;
Jika tidak: t=t+1, ulangi langkah ke-4.
2.2.5. Unified Modelling Language
Unified Modelling Language (UML) adalah bahasa standar yang
digunakan untuk menjelaskan dan memvisualisasikan artifak dari proses analisis
13
dan desain berorientasi obyek. UML menyediakan standar notasi dan diagram
yang bisa digunakan memodelkan suatu sistem. UML dikembangkan oleh Grady
Booch, Jim Rumbaugh dan Ivar Jacobson. UML menjadi bahasa yang bisa
digunakan untuk berkomunikasi dalam perspektif obyek antara user, developer
dan project manajer.
UML memungkinkan developer melakukan pemodelan secara visual, yaitu
penekanan pada penggambaran, bukan didominasi pada narasi. Pemodelan visual
membantu untuk menangkap struktur dan kelakuan (behavior) suatu objek,
mempermudah penggambaran interaksi antara elemen dalam system dan
mempertahankan
konsistensi
antara
design
dan
implementasi
dalam
pemrograman.
Namun karena UML hanya merupakan bahasa pemodelan, maka UML
bukanlah rujukan bagaimana melakukan analisis dan desain berorientasi objek.
Untuk mengetahui bagaimana melakukan analisis desain berorientasi obyek,
sudah terdapat beberapa metodologi yang bisa diikuti. Didalam UML terdapat 8
diagram, antara lain Use Case Diagram, Class Diagram, Sequence Diagram,
Collaboration Diagram, Statechart Diagram, Activity Diagram, Component
Diagram, dan Deployment Diagram.
2.3.
Kerangka Pemikiran
14
Gambar 2. 1. Kerangka Pemikiran
BAB III METODE PENELITIAN
3.1.
Analisa Kebutuhan
Analisa kebutuhan merupakan suatu penjelasan tentang kebutuhan dalam
penyelesaian kasus clustering dan apa saja kebutuhan sistem dalam penerapan
algoritma fuzzy c-means yang melingkupi kebutuhan perangkat keras dan
perangkat lunak, dan analisa kebutuhan data .
Rumah Sakit Sari Mulia Banjarmasin memiliki jumlah pasien dalam skala
besar dan keaneka ragaman jenis penyakit. Banyak kasus pasien yang menderita
penyakit yang sama berdasarkan faktor usia dan nilai bmi. Sebagai upaya dalam
antisipasi pengobatan dan pencegahan penyakit tentu pihak rumah sakit perlu
mengetahui penyakit apa-apa saja yang banyak dijumpai di rumah sakit tersebut.
Hal ini dapat di lakukan salah satunya dengan menerapkan Algoritma
fuzzy c-means yang bertujuan untuk membuat kelompok/cluster terhadap
informasi penyakit di Rumah Sakit Sari Mulia. Dengan adanya pengelompokkan
penyakit diharapkan pihak rumah sakit dapat mengetahui kelompok penyakit yg
paling banyak dijumpai di rumah sakit tersebut berdasarkan pada usia dan nilai
bmi pasien. Sehingga dapat membantu pihak rumah sakit dalam pengambilan
keputusan dalam hal pengobatan dan pencegahan penyakit.
Dalam penerapannya pada kasus pengelompokkan penyakit, algoritma
fuzzy c-means membutuhkan beberapa informasi yang ada di dalam database
rekam medis seperti data-data mengenai penyakit yang diidap oleh pasien, beserta
usia serta berat badan dan tinggi badan pasien tersebut.
16
3.1.1. Metode Pengumpulan Data
1. Metode Kepustakaan
Metode ini digunakan untuk mengumpulkan data-data dan rumusrumus yang diperlukan dalam kaitannya untuk menerapkan algoritma fuzzy cmeans. Hal ini dapat diperoleh dari buku-buku dan literatur lainnya.
2. Wawancara
Metode ini dilakukan dengan mangadakan tanya jawab (wawancara)
secara langsung dengan pihak-pihak yang berkaitan dengan informasi.
3. Metode observasi
Metode ini dilaksanakan dengan melakukan peninjauan langsung pada
objek penelitian serta melakukan pencatatan mengenai hal-hal dan semua
kejadian yang berhubungan dengan masalah yang diteliti. Observasi dilakukan
di Rumah Sakit Sari Mulia Banjarmasin.
3.2.
Perancangan Penelitian
3.2.1. Sumber Data dan Variabel Penelitian
Data penelitian yang digunakan adalah data sekunder yang diambil dari
Rumah Sakit Sari Mulia Banjarmasin. Variabel penelitian yang digunakan dalam
pengelompkkan dua variabel yang telah didefinisikan pada bab landasan teori.
Kedua variabel tersebut adalah sebagai berikut :
X1 = Usia pasien
X2 = Nilai BMI
17
3.2.2. Diagram Konteks
Diagram konteks merupakan gambaran umum mengenai interaksi yang
terjadi antara sistem dengan admin. Diagram konteks dari sistem ini ditunjukkan
pada gambar.
Pada diagram konteks digambarkan proses umum yang terjadi di dalam
sistem. Terdapat komponen proses cluster dan external entity admin sebagai yang
memasukkan input dan menerima output. Admin memasukkan jumlah cluster
yang diminta untuk selanjutnya di proses. Setelah melakukan proses, sistem akan
menghasilkan output berupa hasil cluster penyakit berdasarkan usia dan nilai bmi
pasien.
Gambar 3. 1. Diagram Konteks
3.2.3. Use Case Diagram
18
Use case adalah konstruksi untuk mendeskripsikan bagaimana sistem
terlihat di mata pengguna. Sasaran pemodelan use case diantaranya adalah
mendefinisikan
kebutuhan
fungsional
dan
operasional
sistem
dengan
mendefinisikan skenario penggunaan yang disepakati antara pemakai dan
pengembang (developer). Use case diagram untuk pengelompokkan penyakit
dapat dilihat pada Gambar 3.2 .
Gambar 3. 2. Use Case Diagram
3.2.4. Sequence Diagram
19
Gambar 3. 3. Sequence Diagram Clustering Penyakit
3.2.5. Activity Diagram
20
Diagram aktifitas (Activity diagram) memodelkan urutan aktifitas dalam
suatu proses. Berikut gambaran diagram aktifitas dalam pengelompokkan
penyakit.
Gambar 3. 4. Activity Diagram
3.3.
Teknik Analisis Data
21
Teknik analisis yang dipakai pada penelitian ini adalah analisis cluster
dengan metode fuzzy c-means. Analisis cluster merupakan teknik multivarian
yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan
karakteristik yang dimilikinya. Dalam hal ini ialah pengelompokkan penyakit
berdasarkan usia dan nilai bmi. Analisis cluster mengklasifikasi objek sehingga
setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam
cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal
yang tinggi dan heterogenitas eksternal yang tinggi. Fokus dari analisis cluster
adalah membandingkan objek berdasarkan set variabel, set variabel cluster adalah
suatu set variabel yang merepresentasikan karakteristik yang dipakai objek-objek.
Berikut data penyakit pasien laki-laki dan pasien perempuan beserta
atribut sebelum dilakukan perhitungan untuk mencari nilai BMI dari masingmasing data dapat dilihat pada tabel 3.1. dan tabel
Tabel 3. 1. Data penyakit pasien laki-laki
Pasie
n
ke
1
2
3
4
5
6
7
8
9
10
11
12
13
Pasie
n
ke
Penyakit
Usia
Congestive Heart Failure
58
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
62
63
53
42
70
40
65
73
42
63
32
58
Penyakit
Usia
Bb
Tb
87,0
102,
0
81,5
74,0
97,0
76,5
75,0
67,0
81,5
75,0
53,0
93,0
61,0
1,57
Bb
Tb
1,72
1,67
1,58
1,70
1,75
1,72
1,57
1,60
1,54
1,60
1,70
1,72
22
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
Pasie
n
ke
52
53
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Penyakit
Stroke Hemoragik
Stroke Hemoragik
46
36
27
26
50
50
44
50
53
22
42
36
92
60
65
56
19
81
51
39
61
66
44
25
46
59
25
23
70
51
59
55
50
75
29
45
55
70
Usia
54
73
58,0
49,0
63,0
62,0
65,0
37,0
43,0
50,0
50,5
45,0
50,0
56,0
45,0
60,0
52,0
55,0
54,0
73,0
75,0
72,0
61,5
73,0
79,0
69,0
80,0
58,0
73,0
95,0
82,5
47,0
50,0
63,5
65,0
68,0
62,0
51,0
46,0
73,5
1,78
1,88
1,70
1,70
1,78
1,61
1,58
1,62
1,70
1,70
1,68
1,73
1,63
1,77
1,68
1,70
1,73
1,68
1,67
1,70
1,67
1,65
1,69
1,76
1,67
1,52
1,72
1,76
1,57
1,70
1,72
1,65
1,60
1,57
1,64
1,72
1,64
1,58
Bb
Tb
69,5
71,0
1,66
1,57
23
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
37
49
60
55
65
62
62
57
70
58
35
64
68
30
56
63
56
70
60
52
86,0
39,0
73,5
77,0
89,0
62,0
56,0
61,0
63,0
78,0
59,0
93,0
64,0
60,5
63,0
84,0
67,0
49,0
88,5
69,5
1,70
1,47
1,63
1,63
1,65
1,49
1,79
1,67
1,79
1,56
1,58
1,68
1,56
1,58
1,52
1,69
1,61
1,67
1,51
1,64
Tabel 3. 2 Data penyakit pasien perempuan
Pasien
ke
1
2
3
4
5
6
7
8
9
10
11
12
Pasien
ke
13
14
15
16
17
Penyakit
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Penyakit
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Usia
21
54
47
56
56
68
56
54
70
50
69
60
Usia
54
22
95
33
19
berat
Tinggi
58
51
63
72
63
71,5
68
66
45
58
62
46
1,51
1,46
1,51
1,59
1,59
1,56
1,53
1,55
1,50
1,52
1,52
1,48
berat
Tinggi
40
34
42
39,5
43
1,48
1,55
1,54
1,60
1,52
24
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Pasien
ke
51
52
53
54
55
56
57
58
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Penyakit
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
18
35
60
30
36
20
64
22
38
31
51
55
21
58
43
56
65
52
86
45
63
45
100
33
73
40
70
24
51
44
60
44
83
Usia
70
52
65
45
46
56
50
60
48
40
40
37,5
39
45
40
38
41
50
53
41
50
50
51
73
60
82
74
83
75
72
59
72
73
85
75
65
71
73
67
123
75
1,62
1,60
1,48
1,48
1,62
1,60
1,55
1,55
1,63
1,70
1,64
1,66
1,67
1,68
1,73
1,68
1,52
1,68
1,59
1,66
1,67
1,65
1,63
1,64
1,68
1,73
1,67
1,61
1,58
1,53
1,44
1,72
1,67
berat
Tinggi
81
73
59
75
69
47
49
60
1,56
1,64
1,46
1,59
1,60
1,59
1,65
1,70
25
59
60
61
62
63
64
65
66
67
68
Stroke Hemoragik
Stroke Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
68
40
50
76
75
49
90
53
45
42
57
64
63
53
83
77
55
58
79
48
1,86
1,50
1,47
1,86
1,57
1,66
1,57
1,61
1,55
1,56
Ket :
Bb
: Berat badan (kg)
Tb
: Tinggi badan (m)
Data pada tabel 3.1. dan tabel 3.2. kemudian digunakan untuk menghitung
nilai BMI. Hasil dari perhitungan dapat di lihat pada tabel 3.3. dan tabel 3.4.
Tabel 3. 3. Hasil perhitungan nilai BMI pasien laki-laki
Pasie
n
Penyakit
Usia
Bmi
ke
35,295
1
Congestive Heart Failure
58
6
34,478
2
Congestive Heart Failure
62
1
29,222
3
Congestive Heart Failure
63
9
29,642
4
Congestive Heart Failure
53
7
5
Congestive Heart Failure
42 33,564
24,979
6
Congestive Heart Failure
70
6
25,351
7
Congestive Heart Failure
40
5
27,181
8
Congestive Heart Failure
65
6
Pasie
n
Penyakit
Usia
Bmi
ke
31,835
9
Congestive Heart Failure
73
9
31,624
10
Congestive Heart Failure
42
2
26
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Congestive Heart Failure
63
Congestive Heart Failure
32
Congestive Heart Failure
58
Dyspepsia
46
Dyspepsia
36
Dyspepsia
27
Dyspepsia
26
Dyspepsia
50
Dyspepsia
50
Dyspepsia
Dyspepsia
44
50
Dyspepsia
53
Dyspepsia
22
Dyspepsia
Dyspepsia
Dyspepsia
42
36
92
Dyspepsia
Dyspepsia
60
65
Dyspepsia
56
Dyspepsia
19
Hipertensi
81
Hipertensi
51
Hipertensi
39
Hipertensi
61
Hipertensi
Hipertensi
66
44
20,703
1
32,179
9
20,619
3
18,305
8
13,863
7
21,799
3
21,453
3
20,515
1
14,274
1
17,224
8
19,052
17,474
1
15,570
9
17,715
4
18,711
16,937
19,151
6
18,424
19,143
5
18,042
7
25,864
5
26,892
3
24,913
5
22,051
7
26,813
6
27,660
27
37
38
39
40
41
42
43
44
45
46
Pasie
n
ke
47
48
49
50
51
52
53
54
55
56
57
58
59
Hipertensi
25
Hipertensi
46
Hipertensi
59
Hipertensi
25
Hipertensi
23
Hipertensi
Hipertensi
Hipertensi
70
51
59
Stroke Hemoragik
55
Stroke Hemoragik
50
Penyakit
Usia
Stroke Hemoragik
75
Stroke Hemoragik
29
Stroke Hemoragik
45
Stroke Hemoragik
55
Stroke Hemoragik
70
Stroke Hemoragik
54
Stroke Hemoragik
73
Stroke Hemoragik
37
Stroke Hemoragik
49
Stroke Hemoragik
Stroke Hemoragik
60
55
Stroke Hemoragik
65
Stroke Non Hemoragik
62
1
22,275
3
28,685
1
25,103
9
24,675
5
30,668
9
33,469
9
16,263
16,901
23,324
2
25,390
6
Bmi
27,587
3
23,051
8
17,239
1
17,102
9
29,442
4
25,221
4
28,804
4
29,757
8
18,040
8
27,663
8
28,9811
32,690
5
27,926
7
28
60
61
62
63
64
65
66
67
68
69
70
71
72
73
Stroke Non Hemoragik
62
Stroke Non Hemoragik
57
Stroke Non Hemoragik
70
Stroke Non Hemoragik
Stroke Non Hemoragik
58
35
Stroke Non Hemoragik
64
Stroke Non Hemoragik
68
Stroke Non Hemoragik
Stroke Non Hemoragik
30
56
Stroke Non Hemoragik
63
Stroke Non Hemoragik
56
Stroke Non Hemoragik
70
Stroke Non Hemoragik
60
Stroke Non Hemoragik
52
17,477
6
21,872
4
19,662
3
32,051
3
23,634
32,950
7
26,298
5
24,234
9
27,268
29,410
7
25,847
8
17,569
7
38,814
1
25,840
3
Tabel 3. 4 Hasil perhitungan BMI pasien perempuan
Pasie
n
ke
1
2
3
4
5
6
7
Pasie
n
ke
8
9
10
11
12
Penyakit
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Penyakit
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Usia
21
54
47
56
56
68
56
Usia
54
70
50
69
60
Bmi
25,44
23,93
27,63
28,48
24,92
29,38
29,05
Bmi
27,47
20,00
25,27
27,01
21,00
29
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Pasie
n
ke
46
47
48
49
50
51
52
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
54
22
95
33
19
18
35
60
30
36
20
64
22
38
31
51
55
21
58
43
56
65
52
86
45
63
45
100
33
73
40
70
24
Penyakit
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Usia
51
44
60
44
83
70
52
18,39
14,15
17,71
15,43
18,73
18,40
15,63
18,26
17,12
14,86
17,58
16,65
15,82
15,43
17,30
19,71
14,88
17,93
17,72
17,04
25,86
25,97
29,05
29,27
30,12
26,89
26,45
22,21
26,77
25,86
28,40
26,89
25,08
Bmi
28,44
31,18
32,31
41,58
26,89
33,28
27,14
30
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
Hipertensi
Hipertensi
Hipertensi
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
65
45
46
56
50
60
68
40
50
76
75
49
90
53
45
42
27,68
29,67
26,95
18,59
18,00
20,76
16,48
28,44
29,15
15,32
33,67
27,94
22,31
22,38
32,88
19,72
Selanjutnya data pada Tabel 3.2. dianalisa menggunakan algoritma fuzzy
c-means yang mana tahapan algoritmanya telah disebutkan pada bab landasan
teori.
3.4.
Jadwal Penelitian
Penelitian ini akan dilaksanakan dengan mengikuti estimasi jadwal yang
telah disusun seperti pada Tabel 3.3. berikut :
Tabel 3. 5. Tabel Estimasi Jadwal
No
Kegiatan
Bulan 1
Bulan 2
Bulan 3
Bulan 4
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
31
1.
Pengumpulan Data
2.
3.
4.
Analisa Permasalahan
Penerapan Algoritma
Uji Algoritma dan
Implementasi
Pembuatan Laporan
5.
Keterangan :
: Pelaksanaan Kegiatan
DAFTAR PUSTAKA
Andaka, D. (2008, Agustus 1). Normalkah Body Mass Index Anda? Retrieved April 6,
2011, from Andaka.com: www.andaka.com/normalkah-body-mass-index-bmi-anda.php
Anonim. (2011, Maret 27). Disease. Retrieved Maret 31, 2011, from
http://en.wikipeia.org/wiki/Disease
Kusrini. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi.
32
Kusumadewi, S. (2010). Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta:
Graha Ilmu.
Kusumadewi, S. (2008). Klasifikasi Kandungan Nutrisi Bahan Pangan Menggunakan Fuzzy
C-Means. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2008 .
Luthfi, E. T. (2007, November 24). Fuzzy C-Means Untuk Clustering Data (Studi Kasus:
Data Performance Mengajar Dosen). Seminar Nasional Teknologi (SNT 2007) .
Rismawan, T., & Kusumadewi, S. (2008). Aplikasi K-Means Untuk Pengelompokkan
Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka. Seminar
Nasional Aplikasi Teknologi Informasi (SNATI) 2008 .
Sediyono, E., Widiasari, I. R., & Milasari. (2006). Penentuan Lokasi Fasilitas Gedung
Menggunakan Fuzzy C-Means (FCM). Jurnal Informatika , 155-166.
PENERAPAN FUZZY C-MEANS
UNTUK PENGELOMPOKKAN PENYAKIT
BERDASARKAN FAKTOR USIA DAN NILAI BODY MASS
INDEX PADA RUMAH SAKIT SARI MULIA BANJARMASIN
OLEH :
BAGUS WINDHYA KUSUMA WARDANA
3101 0701 1033
PROGRAM STUDI SISTEM INFORMASI
SEKOLAH TINGGI MANAJEMEN INFORMATIKA
DAN KOMPUTER BANJARBARU
(STMIK BANJARBARU)
BANJARMASIN
2011
PROGRAM STUDI SISTEM INFORMASI
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
BANJARBARU(STMIK BANJARBARU)
PERSETUJUAN PROPOSAL SKRIPSI
Nama
: BAGUS WINDHYA KUSUMA WARDANA
NIM
: 310107011033
Program Studi
: SISTEM INFORMASI
Judul Skripsi
: PENERAPAN FUZZY C-MEANS UNTUK
PENGELOMPOKKAN PENYAKIT BERDASARKAN
FAKTOR USIA DAN NILAI BODY MASS INDEX PADA
RUMAH SAKIT SARI MULIA BANJARMASIN
2
Telah disetujui untuk diseminarkan pada Sidang Proposal Skripsi Program Studi
Sistem Informasi Sekolah Tinggi Manajemen Informatika & Komputer
Banjarbaru (STMIK BANJARBARU).
Banjarmasin, 22 April 2011
Pembimbing Utama,
Budi Rahmani, S.Pd., M.Kom.
Mengetahui :
Ketua Jurusan
Sistem Informasi,
Bahar A. Rahman, M.Kom.
3
DAFTAR ISI
Hal.
PROPOSAL SKRIPSI.........................................................................................................i
PERSETUJUAN PROPOSAL SKRIPSI............................................................................ii
DAFTAR ISI.....................................................................................................................iii
DAFTAR TABEL...............................................................................................................v
DAFTAR GAMBAR.........................................................................................................vi
BAB I PENDAHULUAN..................................................................................................1
1.1.
Latar Belakang...................................................................................................1
1.2.
Permasalahan Penelitian.....................................................................................3
1.2.1.
Identifikasi Masalah...................................................................................3
1.2.2.
Ruang Lingkup Masalah.............................................................................3
1.2.3.
Rumusan Masalah......................................................................................4
1.3.
Tujuan dan Manfaat Penelitian...........................................................................4
1.3.1.
Tujuan Penelitian........................................................................................4
1.3.2. Manfaat Penelitian............................................................................................4
BAB II LANDASAN TEORI.............................................................................................5
2.1.
Tinjauan Pustaka................................................................................................5
2.2.
Landasan Teori...................................................................................................6
2.2.1.
Penyakit......................................................................................................6
2.2.2.
Body Mass Index (BMI).............................................................................6
2.2.3.
Data Mining...............................................................................................8
2.2.4.
Fuzzy C-Means.........................................................................................11
2.2.5. Unified Modelling Language..........................................................................13
2.3.
Kerangka Pemikiran.........................................................................................14
BAB III METODE PENELITIAN...................................................................................15
3.1.
Analisa Kebutuhan...........................................................................................15
3.1.1.
3.2.
Metode Pengumpulan Data.......................................................................16
Perancangan Penelitian.....................................................................................16
3.2.1.
Sumber Data dan Variabel Penelitian........................................................16
3.2.2.
Diagram Konteks......................................................................................17
3.2.3.
Use Case Diagram....................................................................................18
3.2.4.
Sequence Diagram....................................................................................19
3
3.2.5.
Activity Diagram......................................................................................20
3.3.
Teknik Analisis Data........................................................................................21
3.4.
Jadwal Penelitian..............................................................................................30
DAFTAR PUSTAKA.......................................................................................................31
LAMPIRAN
4
DAFTAR TABEL
Ha
Tabel 2. 1 Rumus BMI.......................................................................................................7
Tabel 2. 2 kategori BMI untuk orang dewasa.....................................................................7
Tabel 2. 3 Tabel Body Mass Index dan resiko kesehatan....................................................8
YTabel 3. 1. Data penyakit pasien laki-laki.......................................................................21
Tabel 3. 2 Data penyakit pasien perempuan.....................................................................23
Tabel 3. 3. Hasil perhitungan nilai BMI pasien laki-laki..................................................25
Tabel 3. 4 Hasil perhitungan BMI pasien perempuan.......................................................27
Tabel 3. 5. Tabel Estimasi Jadwal.....................................................................................30
5
DAFTAR GAMBAR
Hal
Gambar 3. 1. Diagram Konteks........................................................................................17
Gambar 3. 2. Use Case Diagram......................................................................................18
Gambar 3. 3. Sequence Diagram Clustering Penyakit......................................................19
Gambar 3. 4. Activity Diagram........................................................................................20
6
BAB I PENDAHULUAN
1.1.
Latar Belakang
Rekam medis adalah catatan yang berisikan informasi tentang identitas
pasien, anamnesa, penentuan fisik laboratorium, diagnosa segala pelayanan dan
tindakan medik yang diberikan kepada pasien dan pengobatan baik yang dirawat
inap, rawat jalan maupun yang mendapatkan pelayanan gawat darurat. Salah
satunya berisikan informasi mengenai penyakit-penyakit yang pernah/sedang di
derita oleh pasien. Penyakit merupakan suatu keadaan abnormal dari tubuh atau
pikiran yang menyebabkan ketidaknyamanan, disfungsi atau kesukaran terhadap
orang yang dipengaruhinya. Suatu penyakit biasanya dipengaruhi oleh beberapa
faktor, diantaranya ialah usia pasien dan BMI (Body Mass Index).
Rumah Sakit Sari Mulia Banjarmasin merupakan salah satu rumah sakit
yang memiliki jumlah pasien dalam skala besar dan keaneka ragaman jenis
penyakit. Dengan jumlah pasien yang begitu banyak, maka semakin banyak kasus
pasien yang menderita penyakit yang sama berdasarkan faktor usia dan nilai bmi.
Berdasarkan pada data penyakit yang diperoleh di rumah sakit tersebut, penyakit
gagal jantung kongestif merupakan penyakit paling banyak diderita oleh pasien
yang berusia rata-rata 40 tahun ke atas dan memiliki nilai BMI diatas 27 yang
berarti pasien mengalami obesitas. Sehingga diperlukan langkah-langkah
antisipasi pengobatan dan pencegahan penyakit dalam rangka peningkatan
pelayanan kesehatan karena peningkatan pelayanan kesehatan terhadap pasien
merupakan salah satu tujuan dari program Rumah Sakit Sari Mulia Banjarmasin.
Langkah-langkah tersebut salah satunya berupa penambahan tenaga medis di
2
bidang spesialisasi tertentu, penambahan stok obat, dan melakukan penyuluhan
atau sosialisasi kepada masyarakat terhadap penyakit tertentu.
Melihat kondisi tersebut pihak rumah sakit tentunya perlu mengetahui
jenis penyakit yang paling banyak dijumpai di rumah sakit tersebut, dan jenis
penyakit apa yang paling banyak diidap oleh pasien yang berusia sekian. Dengan
mengetahui kondisi ini, pihak rumah sakit dapat mengambil tindakan kebijakan
dalam antisipasi pengobatan dan pencegahan penyakit. Untuk dapat membantu
pihak rumah sakit Sari Mulia Banjarmasin dalam memberikan informasi
mengenai data penyakit pasien berdasarkan faktor usia dan nilai BMI tentunya
diperlukan suatu metode pendukung sebagai landasan dalam pengambilan
keputusan.
Metode Clustering adalah salah satu metode dalam data mining yang dapat
diterapkan untuk membantu membangun suatu sistem sebagai penyelesaian
permasalahan tersebut. Metode ini telah banyak diterapkan untuk berbagai
keperluan dalam mengatasi masalah yang sedang dihadapi. Beberapa penelitian
diantaranya yang menerapkan metode ini adalah “Klasifikasi Kandungan Nutrisi
Bahan Pangan Menggunakan Fuzzy C-Means”, dan “Aplikasi K-Means Untuk
Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) &
Ukuran Kerangka”.
Fuzzy C-Means adalah suatu teknik pengclusteran data yang mana
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat
keanggotaan. Data-data penyakit pasien tersedia di dalam berkas rekam medis
diproses dan dianalisis untuk kemudian dilakukan pengelompokkan berdasarkan
faktor usia dan nilai BMI. Dengan menerapkan metode ini diharapkan akan
menghasilkan informasi mengenai jenis penyakit yang paling banyak diderita oleh
3
pasien yang berusia sekian tahun, dan berada pada kategori kurus, normal, atau
gemuk dilihat dari nilai BMI pasien.
Penelitian ini akan menganalisis penerapan Fuzzy C-Means untuk
pengelompokkan penyakit berdasarkan faktor usia dan nilai Body Mass Index
pada Rumah Sakit Sari Mulia Banjarmasin.
1.2.
Permasalahan Penelitian
1.2.1. Identifikasi Masalah
Berdasarkan uraian latar balakang di atas, maka identifikasi permasalahan
dalam penelitian ini yaitu belum ada penerapan algoritma fuzzy c-means dalam
kasus pengelompokkan penyakit di Rumah Sakit Sari Mulia berdasarkan faktor
usia dan nilai body mass index.
1.2.2. Ruang Lingkup Masalah
Ruang lingkup masalah dalam penelitian ini adalah sebagai berikut :
1.
Data yang digunakan pada penelitian ini adalah data penyakit yang berada
dalam rangking 5 besar terbanyak yang meliputi data nama penyakit pasien,
usia pasien, berat badan pasien dan tinggi badan pasien yang didapat pada
berkas rekam medis pasien Rumah Sakit Sari Mulia Banjarmasin dari bulan
Maret 2011 sampai bulan Mei 2011.
2.
Penelitian ini hanya mengelompokkan penyakit pasien yang di rawat nginap.
3.
Penelitian ini hanya membahas pasien yang berusia diatas 18 tahun.
4.
Pengelompokkan penyakit berdasarkan faktor usia dan nilai body mass index
menggunakan metode fuzzy c-means pada Rumah Sakit Sari Mulia
Banjarmasin.
4
1.2.3. Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah bagaimana menerapkan
metode fuzzy c-means dalam kasus pengelompokkan penyakit di Rumah Sakit
Sari Mulia Banjarmasin berdasarkan faktor usia dan nilai body mass index?
1.3.
Tujuan dan Manfaat Penelitian
1.3.1. Tujuan Penelitian
Sesuai dengan latar belakang di atas, maka penelitian yang dilakukan ini
memiliki tujuan menerapkan metode fuzzy c-means dalam kasus pengelompokkan
penyakit di Rumah Sakit Sari Mulia Banjarmasin berdasarkan faktor usia dan nilai
body mass index.
1.3.2. Manfaat Penelitian
1.
Bagi Penulis, penelitian ini berguna untuk menambah wawasan mengenai
metode fuzzy c-means beserta penerapannya dan sebagai sarana penerapan
ilmu pengetahuan yang diperoleh selama kuliah dalam realita permasalahan
yang ditemukan di lapangan.
2.
Bagi Rumah Sakit Mulia Banjarmasin, penelitian ini bermanfaat untuk
membantu bagian rekam medis dalam memperoleh informasi-informasi
strategis guna mendukung pengambilan keputusan oleh pihak manajemen
dalam antisipasi pengobatan dan pencegahan penyakit.
BAB II LANDASAN TEORI
2.1.
Tinjauan Pustaka
Penelitian mengenai pengclusteran penyakit berdasarkan usia dan body
mass index (BMI) dengan metode fuzzy c-means clustering bukanlah baru pertama
kali ini dilakukan, sudah ada penelitian terdahulu tentang penerapan metode
clustering tersebut. Penelitian terdahulu yang relevan dengan penelitian ini adalah
sebagai berikut.
Sri Kusumadewi (2007) dengan judul “Klasifikasi Kandungan Nutrisi
Bahan Pangan Menggunakan Fuzzy C-Means” meneliti tentang klasifikasi bahan
pangan berdasarkan kandungan nutrisinya. Penelitian tersebut menghasilkan 4
buah cluster : golongan hijau, golongan kuning, golongan jingga, golongan
merah.
Tedy Rismawan (2007) dengan judulnya “Aplikasi K-Means Untuk
Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) &
Ukuran Kerangka” meneliti tentang pengelompokkan mahasiswa berdasarkan
status gizi dan ukuran kerangka. Hasil penelitian tersebut diperoleh 3 kelompok :
BMI normal dan kerangka besar, BMI obesitas sedang, kerangka sedang, dan BMI
obesitas berat dan kerangka kecil.
Hasil penelitian sebelumnya dapat menjadi informasi dan acuan bagi
peneliti saat ini yang menerapkan metode yang sama. Penelitian-penelitian diatas
berbeda dengan penelitian kali ini, dimana penelitian ini menerapkan metode
fuzzy c-means untuk pengelompokkan penyakit pasien berdasarkan usia dan
golongan darah di Rumah Sakit Sari Mulia Banjarmasin.
6
2.2.
Landasan Teori
2.2.1. Penyakit
Penyakit merupakan suatu kondisi abnormal yang mempengaruhi
organisme tubuh. Hal ini sering ditafsirkan sebagai kondisi medis yang terkait
dengan spesifik gejala dan tanda-tanda. Ini mungkin disebabkan oleh faktor
eksternal, seperti penyakit menular, atau mungkin disebabkan oleh disfungsi
internal. Pada manusia, penyakit sering digunakan secara lebih luas untuk
mengacu pada setiap kondisi yang menyebabkan rasa sakit, disfungsi,
penderitaan, masalah sosial, dan/atau kematian kepada penderita, atau masalah
serupa bagi mereka yang melakukan kontak dengan orang tersebut. Dalam arti
yang lebih luas, penyakit termasuk cedera, cacat, gangguan, sindrom, dan infeksi.
Penyakit biasanya tidak hanya mempengaruhi orang-orang secara fisik, tetapi juga
secara emosional, hidup dengan menderita banyak penyakit dapat mengubah
sudut pandang seseorang terhadap kehidupan, dan kepribadian mereka.
2.2.2. Body Mass Index (BMI)
Body Mass Index (BMI) merupakan suatu pengukuran yang menunjukkan
hubungan antara berat badan dan tinggi badan. BMI lebih berhubungan dengan
lemak tubuh dibandingkan dengan indikator lainnya untuk tinggi badan dan berat
badan. Rumus atau cara menghitung BMI yaitu dengan membagi berat badan
dalam kilogram dengan kuadrat dari tinggi badan dalam meter (kg/m²).
7
Tabel 2. 1 Rumus BMI
Satuan Internasional
Satuan Imperial/wilayah
United States
Dengan batas pengelompokkan :
Tabel 2. 2 kategori BMI untuk orang dewasa
Kategori
Kurus (underweight)
Normal
Kegemukan (overweight)
Obesitas
Untuk Laki-Laki
< 17 kg/m2
17 – 23 kg/m2
23 – 27 kg/m2
> 27 kg/m2
Untuk Perempuan
< 18 kg/m2
18 – 25 kg/m2
25 – 27 kg/m2
> 27 kg/m2
Sumber : Pedoman praktis terapi gizi medis Departemen Kesehatan RI 2003
BMI dapat digunakan untuk menentukan seberapa besar seseorang dapat
terkena resiko penyakit tertentu yang disebabkan karena berat badannya.
Seseorang dikatakan obese dan membutuhkan pengobatan bila mempunyai BMI
di atas 27. Resiko penyakit yang berhubungan dengan derajat kegemukan seperti
penyakit jantung, kencing manis bahkan stroke dapat dilihat dari nilai BMI.
Berikut tabel
BMI (Body Mass Index) atau indeks massa tubuh jika
dihubungkan dengan resiko kesehatan.
Tabel 2. 3 Tabel Body Mass Index dan resiko kesehatan
8
2.2.3. Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan
penemuan di dalam database. Data mining adalah proses yang menggunakan
teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengestraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan
yang terakit dari berbagai database besar.
Menurut Gartner Group data mining adalah suatu proses menemukan
hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam
sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan
teknik pengenalan pola seperti statistik dasn matematika.
Kemajuan luar biasa yang terus berlanjut dalam bidang data mining
didorong oleh beberapa faktor, antara lain :
1.
Pertumbuhan yang cepat dalam kumpulan data.
2.
Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan
memiliki akses ke dalam database yang andal.
3.
Adanya peningkatan akses data melalui navigasi web dan intranet.
9
4.
Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam
globalisasi ekonomi.
5.
Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan
teknologi).
6.
Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan
kapasitas media penyimpanan.
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu :
1.
Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba
mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat
dalam data. Deskripsi dari pola dan kecenderungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau kecenderungan.
2.
Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target
estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun
menggunakan record lengkap yang menyediakan nilai dari variabel target
sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai
dari variabel dibuat berdasarkan nilai variabel prediksi.
3.
Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode
dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula
digunakan untuk (untuk keadaan yang tepat) prediksi.
4.
Klasifikasi
10
Dalam klasifikasi, terdapat yang variabel kategori. Sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu
pendapatan tinggi, pendapatan sedang, pendapatan rendah.
5.
Pengklusteran
Pengklusteran merupakan pengelompokkan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster
lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel
target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan
klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan
tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian
terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki
kemiripan (homogen), yang mana kemiripan record dalam satu kelompok
akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok
lain akan bernilai minimal.
6.
Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang
muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis
keranjang belanja.
2.2.4. Fuzzy C-Means
Ada beberapa algoritma pengclusteran data, salah satu diantaranya adalah
Fuzzy C-Means (FCM). FCM adalah suatu teknik pengclusteran data yang mana
11
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat
keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun
1981.
Konsep dasar FCM, pertama kali adalah menentukan pusat cluster, yang
akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat
cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan
untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat
keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa
pusat klaster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan
pada minimisasi fungsi objektif yang menggambarkan jarak dari titik data yang
diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data
tersebut.
Keluaran dari FCM bukan merupakan fuzzy inference system, namun
merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap
titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference
system.
Algoritma Fuzzy C-Means (FCM) adalah sebagai berikut :
1.
Input data yang akan dicluster X, berupa matriks berukuran n x m (n=jumlah
sampel data, m=atribut setiap data). Xij = data sampel ke-i (i=1,2,…,n),
atribut ke-j (j=1,2,…,m).
2.
Tentukan :
Jumlah cluster
= c;
Pangkat
= w;
Maksimum iterasi
= MaxIter;
12
3.
Error terkecil yang diharapkan
= ξ;
Fungsi obektif awal
= P0 = 0;
Iterasi awal
= t = 1;
Bangkitkan bilangan random µik, i=1,2,…,n; k=1,2,…,c; sebagai elemenelemen matriks partisi awal U. Hitung jumlah setiap kolom :
(2.1)
Dengan j=1,2,…,n. Hitung :
(2.2)
4.
Hitung pusat cluster ke-k: Vkj, dengan k=1,2,…c; dan j=1,2,…,m.
(2.3)
5.
Hitung fungsi objektif pada iterasi ke-t, Pt :
(2.4)
6.
Hitung perubahan matriks partisi :
(2.5)
7.
Cek kondisi berhenti :
Jika : (|Pt – Pt-1|MaxIter) maka berhenti;
Jika tidak: t=t+1, ulangi langkah ke-4.
2.2.5. Unified Modelling Language
Unified Modelling Language (UML) adalah bahasa standar yang
digunakan untuk menjelaskan dan memvisualisasikan artifak dari proses analisis
13
dan desain berorientasi obyek. UML menyediakan standar notasi dan diagram
yang bisa digunakan memodelkan suatu sistem. UML dikembangkan oleh Grady
Booch, Jim Rumbaugh dan Ivar Jacobson. UML menjadi bahasa yang bisa
digunakan untuk berkomunikasi dalam perspektif obyek antara user, developer
dan project manajer.
UML memungkinkan developer melakukan pemodelan secara visual, yaitu
penekanan pada penggambaran, bukan didominasi pada narasi. Pemodelan visual
membantu untuk menangkap struktur dan kelakuan (behavior) suatu objek,
mempermudah penggambaran interaksi antara elemen dalam system dan
mempertahankan
konsistensi
antara
design
dan
implementasi
dalam
pemrograman.
Namun karena UML hanya merupakan bahasa pemodelan, maka UML
bukanlah rujukan bagaimana melakukan analisis dan desain berorientasi objek.
Untuk mengetahui bagaimana melakukan analisis desain berorientasi obyek,
sudah terdapat beberapa metodologi yang bisa diikuti. Didalam UML terdapat 8
diagram, antara lain Use Case Diagram, Class Diagram, Sequence Diagram,
Collaboration Diagram, Statechart Diagram, Activity Diagram, Component
Diagram, dan Deployment Diagram.
2.3.
Kerangka Pemikiran
14
Gambar 2. 1. Kerangka Pemikiran
BAB III METODE PENELITIAN
3.1.
Analisa Kebutuhan
Analisa kebutuhan merupakan suatu penjelasan tentang kebutuhan dalam
penyelesaian kasus clustering dan apa saja kebutuhan sistem dalam penerapan
algoritma fuzzy c-means yang melingkupi kebutuhan perangkat keras dan
perangkat lunak, dan analisa kebutuhan data .
Rumah Sakit Sari Mulia Banjarmasin memiliki jumlah pasien dalam skala
besar dan keaneka ragaman jenis penyakit. Banyak kasus pasien yang menderita
penyakit yang sama berdasarkan faktor usia dan nilai bmi. Sebagai upaya dalam
antisipasi pengobatan dan pencegahan penyakit tentu pihak rumah sakit perlu
mengetahui penyakit apa-apa saja yang banyak dijumpai di rumah sakit tersebut.
Hal ini dapat di lakukan salah satunya dengan menerapkan Algoritma
fuzzy c-means yang bertujuan untuk membuat kelompok/cluster terhadap
informasi penyakit di Rumah Sakit Sari Mulia. Dengan adanya pengelompokkan
penyakit diharapkan pihak rumah sakit dapat mengetahui kelompok penyakit yg
paling banyak dijumpai di rumah sakit tersebut berdasarkan pada usia dan nilai
bmi pasien. Sehingga dapat membantu pihak rumah sakit dalam pengambilan
keputusan dalam hal pengobatan dan pencegahan penyakit.
Dalam penerapannya pada kasus pengelompokkan penyakit, algoritma
fuzzy c-means membutuhkan beberapa informasi yang ada di dalam database
rekam medis seperti data-data mengenai penyakit yang diidap oleh pasien, beserta
usia serta berat badan dan tinggi badan pasien tersebut.
16
3.1.1. Metode Pengumpulan Data
1. Metode Kepustakaan
Metode ini digunakan untuk mengumpulkan data-data dan rumusrumus yang diperlukan dalam kaitannya untuk menerapkan algoritma fuzzy cmeans. Hal ini dapat diperoleh dari buku-buku dan literatur lainnya.
2. Wawancara
Metode ini dilakukan dengan mangadakan tanya jawab (wawancara)
secara langsung dengan pihak-pihak yang berkaitan dengan informasi.
3. Metode observasi
Metode ini dilaksanakan dengan melakukan peninjauan langsung pada
objek penelitian serta melakukan pencatatan mengenai hal-hal dan semua
kejadian yang berhubungan dengan masalah yang diteliti. Observasi dilakukan
di Rumah Sakit Sari Mulia Banjarmasin.
3.2.
Perancangan Penelitian
3.2.1. Sumber Data dan Variabel Penelitian
Data penelitian yang digunakan adalah data sekunder yang diambil dari
Rumah Sakit Sari Mulia Banjarmasin. Variabel penelitian yang digunakan dalam
pengelompkkan dua variabel yang telah didefinisikan pada bab landasan teori.
Kedua variabel tersebut adalah sebagai berikut :
X1 = Usia pasien
X2 = Nilai BMI
17
3.2.2. Diagram Konteks
Diagram konteks merupakan gambaran umum mengenai interaksi yang
terjadi antara sistem dengan admin. Diagram konteks dari sistem ini ditunjukkan
pada gambar.
Pada diagram konteks digambarkan proses umum yang terjadi di dalam
sistem. Terdapat komponen proses cluster dan external entity admin sebagai yang
memasukkan input dan menerima output. Admin memasukkan jumlah cluster
yang diminta untuk selanjutnya di proses. Setelah melakukan proses, sistem akan
menghasilkan output berupa hasil cluster penyakit berdasarkan usia dan nilai bmi
pasien.
Gambar 3. 1. Diagram Konteks
3.2.3. Use Case Diagram
18
Use case adalah konstruksi untuk mendeskripsikan bagaimana sistem
terlihat di mata pengguna. Sasaran pemodelan use case diantaranya adalah
mendefinisikan
kebutuhan
fungsional
dan
operasional
sistem
dengan
mendefinisikan skenario penggunaan yang disepakati antara pemakai dan
pengembang (developer). Use case diagram untuk pengelompokkan penyakit
dapat dilihat pada Gambar 3.2 .
Gambar 3. 2. Use Case Diagram
3.2.4. Sequence Diagram
19
Gambar 3. 3. Sequence Diagram Clustering Penyakit
3.2.5. Activity Diagram
20
Diagram aktifitas (Activity diagram) memodelkan urutan aktifitas dalam
suatu proses. Berikut gambaran diagram aktifitas dalam pengelompokkan
penyakit.
Gambar 3. 4. Activity Diagram
3.3.
Teknik Analisis Data
21
Teknik analisis yang dipakai pada penelitian ini adalah analisis cluster
dengan metode fuzzy c-means. Analisis cluster merupakan teknik multivarian
yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan
karakteristik yang dimilikinya. Dalam hal ini ialah pengelompokkan penyakit
berdasarkan usia dan nilai bmi. Analisis cluster mengklasifikasi objek sehingga
setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam
cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal
yang tinggi dan heterogenitas eksternal yang tinggi. Fokus dari analisis cluster
adalah membandingkan objek berdasarkan set variabel, set variabel cluster adalah
suatu set variabel yang merepresentasikan karakteristik yang dipakai objek-objek.
Berikut data penyakit pasien laki-laki dan pasien perempuan beserta
atribut sebelum dilakukan perhitungan untuk mencari nilai BMI dari masingmasing data dapat dilihat pada tabel 3.1. dan tabel
Tabel 3. 1. Data penyakit pasien laki-laki
Pasie
n
ke
1
2
3
4
5
6
7
8
9
10
11
12
13
Pasie
n
ke
Penyakit
Usia
Congestive Heart Failure
58
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
62
63
53
42
70
40
65
73
42
63
32
58
Penyakit
Usia
Bb
Tb
87,0
102,
0
81,5
74,0
97,0
76,5
75,0
67,0
81,5
75,0
53,0
93,0
61,0
1,57
Bb
Tb
1,72
1,67
1,58
1,70
1,75
1,72
1,57
1,60
1,54
1,60
1,70
1,72
22
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
Pasie
n
ke
52
53
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Penyakit
Stroke Hemoragik
Stroke Hemoragik
46
36
27
26
50
50
44
50
53
22
42
36
92
60
65
56
19
81
51
39
61
66
44
25
46
59
25
23
70
51
59
55
50
75
29
45
55
70
Usia
54
73
58,0
49,0
63,0
62,0
65,0
37,0
43,0
50,0
50,5
45,0
50,0
56,0
45,0
60,0
52,0
55,0
54,0
73,0
75,0
72,0
61,5
73,0
79,0
69,0
80,0
58,0
73,0
95,0
82,5
47,0
50,0
63,5
65,0
68,0
62,0
51,0
46,0
73,5
1,78
1,88
1,70
1,70
1,78
1,61
1,58
1,62
1,70
1,70
1,68
1,73
1,63
1,77
1,68
1,70
1,73
1,68
1,67
1,70
1,67
1,65
1,69
1,76
1,67
1,52
1,72
1,76
1,57
1,70
1,72
1,65
1,60
1,57
1,64
1,72
1,64
1,58
Bb
Tb
69,5
71,0
1,66
1,57
23
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
37
49
60
55
65
62
62
57
70
58
35
64
68
30
56
63
56
70
60
52
86,0
39,0
73,5
77,0
89,0
62,0
56,0
61,0
63,0
78,0
59,0
93,0
64,0
60,5
63,0
84,0
67,0
49,0
88,5
69,5
1,70
1,47
1,63
1,63
1,65
1,49
1,79
1,67
1,79
1,56
1,58
1,68
1,56
1,58
1,52
1,69
1,61
1,67
1,51
1,64
Tabel 3. 2 Data penyakit pasien perempuan
Pasien
ke
1
2
3
4
5
6
7
8
9
10
11
12
Pasien
ke
13
14
15
16
17
Penyakit
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Penyakit
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Usia
21
54
47
56
56
68
56
54
70
50
69
60
Usia
54
22
95
33
19
berat
Tinggi
58
51
63
72
63
71,5
68
66
45
58
62
46
1,51
1,46
1,51
1,59
1,59
1,56
1,53
1,55
1,50
1,52
1,52
1,48
berat
Tinggi
40
34
42
39,5
43
1,48
1,55
1,54
1,60
1,52
24
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Pasien
ke
51
52
53
54
55
56
57
58
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Penyakit
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
18
35
60
30
36
20
64
22
38
31
51
55
21
58
43
56
65
52
86
45
63
45
100
33
73
40
70
24
51
44
60
44
83
Usia
70
52
65
45
46
56
50
60
48
40
40
37,5
39
45
40
38
41
50
53
41
50
50
51
73
60
82
74
83
75
72
59
72
73
85
75
65
71
73
67
123
75
1,62
1,60
1,48
1,48
1,62
1,60
1,55
1,55
1,63
1,70
1,64
1,66
1,67
1,68
1,73
1,68
1,52
1,68
1,59
1,66
1,67
1,65
1,63
1,64
1,68
1,73
1,67
1,61
1,58
1,53
1,44
1,72
1,67
berat
Tinggi
81
73
59
75
69
47
49
60
1,56
1,64
1,46
1,59
1,60
1,59
1,65
1,70
25
59
60
61
62
63
64
65
66
67
68
Stroke Hemoragik
Stroke Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
68
40
50
76
75
49
90
53
45
42
57
64
63
53
83
77
55
58
79
48
1,86
1,50
1,47
1,86
1,57
1,66
1,57
1,61
1,55
1,56
Ket :
Bb
: Berat badan (kg)
Tb
: Tinggi badan (m)
Data pada tabel 3.1. dan tabel 3.2. kemudian digunakan untuk menghitung
nilai BMI. Hasil dari perhitungan dapat di lihat pada tabel 3.3. dan tabel 3.4.
Tabel 3. 3. Hasil perhitungan nilai BMI pasien laki-laki
Pasie
n
Penyakit
Usia
Bmi
ke
35,295
1
Congestive Heart Failure
58
6
34,478
2
Congestive Heart Failure
62
1
29,222
3
Congestive Heart Failure
63
9
29,642
4
Congestive Heart Failure
53
7
5
Congestive Heart Failure
42 33,564
24,979
6
Congestive Heart Failure
70
6
25,351
7
Congestive Heart Failure
40
5
27,181
8
Congestive Heart Failure
65
6
Pasie
n
Penyakit
Usia
Bmi
ke
31,835
9
Congestive Heart Failure
73
9
31,624
10
Congestive Heart Failure
42
2
26
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Congestive Heart Failure
63
Congestive Heart Failure
32
Congestive Heart Failure
58
Dyspepsia
46
Dyspepsia
36
Dyspepsia
27
Dyspepsia
26
Dyspepsia
50
Dyspepsia
50
Dyspepsia
Dyspepsia
44
50
Dyspepsia
53
Dyspepsia
22
Dyspepsia
Dyspepsia
Dyspepsia
42
36
92
Dyspepsia
Dyspepsia
60
65
Dyspepsia
56
Dyspepsia
19
Hipertensi
81
Hipertensi
51
Hipertensi
39
Hipertensi
61
Hipertensi
Hipertensi
66
44
20,703
1
32,179
9
20,619
3
18,305
8
13,863
7
21,799
3
21,453
3
20,515
1
14,274
1
17,224
8
19,052
17,474
1
15,570
9
17,715
4
18,711
16,937
19,151
6
18,424
19,143
5
18,042
7
25,864
5
26,892
3
24,913
5
22,051
7
26,813
6
27,660
27
37
38
39
40
41
42
43
44
45
46
Pasie
n
ke
47
48
49
50
51
52
53
54
55
56
57
58
59
Hipertensi
25
Hipertensi
46
Hipertensi
59
Hipertensi
25
Hipertensi
23
Hipertensi
Hipertensi
Hipertensi
70
51
59
Stroke Hemoragik
55
Stroke Hemoragik
50
Penyakit
Usia
Stroke Hemoragik
75
Stroke Hemoragik
29
Stroke Hemoragik
45
Stroke Hemoragik
55
Stroke Hemoragik
70
Stroke Hemoragik
54
Stroke Hemoragik
73
Stroke Hemoragik
37
Stroke Hemoragik
49
Stroke Hemoragik
Stroke Hemoragik
60
55
Stroke Hemoragik
65
Stroke Non Hemoragik
62
1
22,275
3
28,685
1
25,103
9
24,675
5
30,668
9
33,469
9
16,263
16,901
23,324
2
25,390
6
Bmi
27,587
3
23,051
8
17,239
1
17,102
9
29,442
4
25,221
4
28,804
4
29,757
8
18,040
8
27,663
8
28,9811
32,690
5
27,926
7
28
60
61
62
63
64
65
66
67
68
69
70
71
72
73
Stroke Non Hemoragik
62
Stroke Non Hemoragik
57
Stroke Non Hemoragik
70
Stroke Non Hemoragik
Stroke Non Hemoragik
58
35
Stroke Non Hemoragik
64
Stroke Non Hemoragik
68
Stroke Non Hemoragik
Stroke Non Hemoragik
30
56
Stroke Non Hemoragik
63
Stroke Non Hemoragik
56
Stroke Non Hemoragik
70
Stroke Non Hemoragik
60
Stroke Non Hemoragik
52
17,477
6
21,872
4
19,662
3
32,051
3
23,634
32,950
7
26,298
5
24,234
9
27,268
29,410
7
25,847
8
17,569
7
38,814
1
25,840
3
Tabel 3. 4 Hasil perhitungan BMI pasien perempuan
Pasie
n
ke
1
2
3
4
5
6
7
Pasie
n
ke
8
9
10
11
12
Penyakit
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Penyakit
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Congestive Heart Failure
Usia
21
54
47
56
56
68
56
Usia
54
70
50
69
60
Bmi
25,44
23,93
27,63
28,48
24,92
29,38
29,05
Bmi
27,47
20,00
25,27
27,01
21,00
29
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Pasie
n
ke
46
47
48
49
50
51
52
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Dyspepsia
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
54
22
95
33
19
18
35
60
30
36
20
64
22
38
31
51
55
21
58
43
56
65
52
86
45
63
45
100
33
73
40
70
24
Penyakit
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Hipertensi
Usia
51
44
60
44
83
70
52
18,39
14,15
17,71
15,43
18,73
18,40
15,63
18,26
17,12
14,86
17,58
16,65
15,82
15,43
17,30
19,71
14,88
17,93
17,72
17,04
25,86
25,97
29,05
29,27
30,12
26,89
26,45
22,21
26,77
25,86
28,40
26,89
25,08
Bmi
28,44
31,18
32,31
41,58
26,89
33,28
27,14
30
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
Hipertensi
Hipertensi
Hipertensi
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
Stroke Non Hemoragik
65
45
46
56
50
60
68
40
50
76
75
49
90
53
45
42
27,68
29,67
26,95
18,59
18,00
20,76
16,48
28,44
29,15
15,32
33,67
27,94
22,31
22,38
32,88
19,72
Selanjutnya data pada Tabel 3.2. dianalisa menggunakan algoritma fuzzy
c-means yang mana tahapan algoritmanya telah disebutkan pada bab landasan
teori.
3.4.
Jadwal Penelitian
Penelitian ini akan dilaksanakan dengan mengikuti estimasi jadwal yang
telah disusun seperti pada Tabel 3.3. berikut :
Tabel 3. 5. Tabel Estimasi Jadwal
No
Kegiatan
Bulan 1
Bulan 2
Bulan 3
Bulan 4
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
31
1.
Pengumpulan Data
2.
3.
4.
Analisa Permasalahan
Penerapan Algoritma
Uji Algoritma dan
Implementasi
Pembuatan Laporan
5.
Keterangan :
: Pelaksanaan Kegiatan
DAFTAR PUSTAKA
Andaka, D. (2008, Agustus 1). Normalkah Body Mass Index Anda? Retrieved April 6,
2011, from Andaka.com: www.andaka.com/normalkah-body-mass-index-bmi-anda.php
Anonim. (2011, Maret 27). Disease. Retrieved Maret 31, 2011, from
http://en.wikipeia.org/wiki/Disease
Kusrini. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi.
32
Kusumadewi, S. (2010). Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta:
Graha Ilmu.
Kusumadewi, S. (2008). Klasifikasi Kandungan Nutrisi Bahan Pangan Menggunakan Fuzzy
C-Means. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2008 .
Luthfi, E. T. (2007, November 24). Fuzzy C-Means Untuk Clustering Data (Studi Kasus:
Data Performance Mengajar Dosen). Seminar Nasional Teknologi (SNT 2007) .
Rismawan, T., & Kusumadewi, S. (2008). Aplikasi K-Means Untuk Pengelompokkan
Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka. Seminar
Nasional Aplikasi Teknologi Informasi (SNATI) 2008 .
Sediyono, E., Widiasari, I. R., & Milasari. (2006). Penentuan Lokasi Fasilitas Gedung
Menggunakan Fuzzy C-Means (FCM). Jurnal Informatika , 155-166.