Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor TCS3200 Dan MQ135 dengan Metode Naive Bayes

  Vol. 1, No. 5, Mei 2017, hlm. 436-444 http://j-ptiik.ub.ac.id

  

Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada

Urin Berbasis Sensor TCS3200 Dan MQ135 dengan Metode Naive Bayes

_{1 2 3} Rint Zata Amani , Rizal Maulana , Dahnial Syauqy

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya ₁

  

Abstrak

  Dehidrasi merupakan kondisi ketika jaringan tubuh manusia kehilangan cairan secara tidak normal dan hal ini sangat sering disepelekan sehingga terkadang untuk kondisi dehidrasi yang cukup berat dapat menyebabkan kematian. Namun untuk saat ini pendeteksian dehidrasi hanya berdasarkan pada analisa tim kesehatan dengan beberapa tanda klinis penyebab dehidrasi. Dari permasalahan tesebut, diperlukan adanya penelitian yang terkait dengan sistem otomatisasi untuk mendeteksi tingkatan dehidrasi yang dapat digunakan orang awam, sehingga dapat mengurangi jumlah penderita dehidrasi yang tidak tertangani karena tidak mengetahui gejala dehidrasi sejak awal. Pada penelitian ini parameter-parameter yang digunakan untuk melakukan perbandingan tingkatan dehidrasi adalah warna dan kadar amonia pada urin manusia. Penggunaan parameter urin sebagai obyek penelitian dikarenakan kondisi urin mencerminkan kondisi cairan yang ada pada tubuh manusia. Proses penentuan tingkatan dehidrasi melalui warna dan kadar amonia urin diperoleh dari nilai hasil pembacaan sensor warna TCS3200 dan sensor gas MQ135 oleh mikrokontroler Arduino Uno dengan menggunakan metode Naive Bayes. Metode Naive Bayes dipilih sebagai salah satu teknik untuk pengambilan keputusan jenis tingkatan dehidrasi, karena metode ini merupakan salah satu metode klasifikasi yang cukup baik dimana kelas penggolongan jenis tingkatan dehidrasi telah diketahui sejak awal. Dari hasil beberapa pengujian yang dilakukan diketahui persentase error pembacaan sensor warna TCS3200 adalah sebesar 2,70% dan nilai korelasi pembacaan sensor gas MQ135 dengan tegangan keluarannya sebesar 99,81%. Selanjutnya pada pengujian sistem menggunakan metode Naive Bayes dengan jumlah data latih sebanyak 46 data dan data uji sebanyak 23 data, diperoleh akurasi sebesar 95,65% dengan waktu komputasi rata-rata selama 0,69 detik.

  Kata kunci: dehidrasi, urin, klasifikasi, Naive Bayes

Abstract

  

Dehydration is a condition when human body tissue’s loss of fluid abnormally and this condition often

underestimated by common people, so in case on serious level illness of dehydration will causes death.

However nowadays to detect dehydration still according to analysis from health team by some clinical

sign that cause dehydration. From this problem, it is needed a research about automatic system to detect

dehydration level that can use by common peop le, so can decrease amount of dehydration’s patient that

untreated since begining. On this research, the parameters were used to compare dehydration’s level

are color and level of ammonia in human urine. The reason of using urine as research object is because

urine condition reflect fluid condition in human body. Process to determine dehydration’s level from

color and level of ammonia in human urine is perform with read data color sensor TCS3200 and gas

sensor MQ135 by Arduino Uno Microcontroler with Naive Bayes method. Naive Bayes method is

selected as a technique to make a decision of dehydrations level because this method was one of

classification method that good, which the classification classes of dehdydration level were already

known since begining. From some testing result, it has known that the error percentage of color sensor

TCS3200 on read the color object was 2,70% and the corelation value of gas sensor MQ135 reading

with out voltage of sensor was 99,81%. And then on system testing by Naive Bayes method with amount

of training data was 46 data and testing data as many as 23 data, the accuration reached 95,65% with

average computation time was 0,69 second.

  Keywords: dehydration, urine, classification, Naive Bayes Fakultas Ilmu Komputer Universitas Brawijaya

  

436

1. PENDAHULUAN

  Istilah dehidrasi sebenarnya sudah tak asing lagi, namun kondisi ini sering disepelekan. Padahal dalam kenyataannya dehidrasi merupakan kondisi yang cukup berbahaya, dimana pada tingkatan dehidrasi berat dapat menyebabkan kematian. Besarnya tingkat keparahan akibat dari dehidrasi tentunya dipengaruhi seberapa besar tingkat dehidrasi yang dialami. Terlihat dari studi terkini 46,1 persen orang Indonesia mengalami dehidrasi ringan terutama remaja (Kompas, 2009). Data lain menyebutkan bahwa penyebab utama dehidrasi adalah diare yang merupakan faktor penyebab tingkat kematian anak di dunia sejumlah 1,5 juta anak meninggal. Di negara maju, dehidrasi mempunyai kemungkinan lebih kecil menyebabkan kematian, tetapi dehidrasi menyebabkan morbiditas / kesakitan yang signifikan. Di Amerika Serikat setiap tahunnya terdapat 200.000 pasien dirawat di rumah sakit, dan 300 pasien meninggal yang merupakan anak-anak dibawah 5 tahun (Freedman & Paik, 2008). Berdasarkan data tersebut dapat dikatakan masalah dehidrasi semacam ini tidak boleh dibiarkan bergitu saja. Penyebab mengapa kejadian dehidrasi mencapai angka yang cukup tinggi adalah karena sulitnya mengetahui gejala dehidrasi bagi orang awam.

  Melihat pentingnya masalah dehidrasi, organisasi kesehatan dunia yakni WHO telah membuat penilaian derajat dehidrasi berdasarkan empat parameter penilaian gejala klinik yaitu keadaan umum, mata, rasa haus dan penilaian turgor (tekanan elastisitas kulit), sehingga memudahkan orang awam dalam memahami gejala dehidrasi. Selanjutnya menurut Eri Laksana terdapat empat tanda klinis dehidrasi yakni jumlah defisit cairan, status

  hemodinamik , kondisi jaringan tubuh, dan

  kondisi urin. Jumlah dan kualitas urin serta tingkat kesadaran merupakan tolok ukur dalam penilaian dehidrasi. Namun dalam melakukan penilaian terhadap parameter-parameter tersebut masih subjektif, sehingga hasil penilaian derajat dehidrasi antara tiap orang dapat berbeda.

  Kondisi urin dalam tubuh dapat diketahui dari warna, kejernihan dan bau. Urin memilki tingkatan warna yang berbeda dipengaruhi oleh tingkat konsumsi cairan yang di minum. Konsumsi cairan yang banyak akan menghasilkan warna urin yang bening dan cerah, sebaliknya kekurangan cairan akan menyebabkan warna urin menjadi pekat.

  Adapun bau urin dipengaruhi oleh kandungan amonia, dimana kadar amonia dalam urin sebanding dengan jumlah konsumsi cairan. Berdasarkan uraian masalah serta fakta terkait dehidrasi yang disebutkan diatas, diperlukan suatu alat yang dapat mendeteksi dini tingkat dehidrasi secara otomatis dan objektif melalui warna dan kadar amonia dalam urin.

  Penelitian terkait pendeteksian dehidrasi telah dilakukan dengan judul Pengembangan Alat Deteksi Tingkat Dehidrasi Berdasarkan Warna Urin Menggunakan LED dan Fotodioda dimana pembacaan warna urin dilihat dari karakteristik tegangan keluaran dari fotodioda (Latif, 2016). Namun dari penelitian tersebut mempunyai kekurangan untuk dapat membaca warna urin dengan tepat, karena hanya membaca nilai tegangan keluaran dari fotodioda. Oleh karena itu pada penelitian ini digunakan sensor khusus untuk membaca warna dari urin yaitu menggunakan sensor TCS3200. Sensor TCS3200 adalah IC pengkonversi warna cahaya menjadi nilai frekuensi dan sensor ini memiliki fasilitas untuk merekam hingga 25 data warna berbeda (Chairunnas & Sugianto, 2013). Selanjutnya dalam pendeteksian gas amonia (NH3) dapat menggunakan sensor Gas MQ135 seperti pada penelitian berjudul Pemanfaatan Sensor Gas MQ135 untuk Pendeteksi Gas Amonia (NH3) pada Kotoran Ayam Berbasis Arduino Uno (Hasanudin, 2015).

  Dalam penentuan tingkat dehidrasi, diperlukan metode yang tepat untuk melakukan klasifikasi. Metode Naive Bayes merupakan metode klasifikasi yang sangat efektif dan efisien karena dalam melakukan klasifikasi

  Naive Bayes dapat bekerja secara independen

  pada setiap fitur-fitur objek yang akan dilakukan klasifikasi (Astuti, 2016). Berlatarbelakang hal tersebut, penulis bermaksud melakukan penelitian yang berjudul “Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor TCS3200 dan MQ135 dengan Metode Naive Bayes

  ”. Sehingga dengan adanya penelitian ini, diharapkan dapat mempermudah proses pendeteksian dehidrasi secara lebih awal sebelum adanya diagnosa dari dokter.

2. PERANCANGAN DAN

  IMPLEMENTASI

  2.1 Gambaran Umum Sistem Gambar 1. Diagram Blok Sistem

  Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia Berbasis Sensor TCS3200 dan MQ135 dengan Metode Naive

  Bayes merupakan suatu sistem yang dapat

  menentukan tingkatan dehidrasi seseorang dengan parameter berupa warna dan kandungan amonia dalam urin. Adapun nilai dari warna urin ini akan dibaca dengan sensor warna TCS3200, sedangkan kadar gas amonia dalam urin akan dibaca dengan sensor gas MQ135 sesuai yang ditunjukkan padadiatas. Berdasarkan nilai dari kedua parameter tersebut maka dapat dilakukan klasifikasi hasilnya dengan menggunakan metode Naive Bayes. Sistem ini membantu menyelesaikan permasalahan penentuan tingkat dehidrasi yang dilakukan secara manual, dimana selama ini faktor penentu tingkat dehidasi hanya dilakukan berdasarkan tanda-tanda klinis yang ada, dan hal itu menyebabkan tingkat objektifitas yang rendah. Penggunaan metode Naive Bayes pada sistem ini dikarenakan dalam melakukan klasifikasi, sudah diketahui terlebih dahulu jenis klasifikasi yang akan ditentukan yakni dehidrasi ringan, dehidrasi sedang dan dehidrasi berat. Selain itu metode Naive Bayes menjadi metode yang tepat karena dapat menghasilkan tingkat akurasi yang tinggi sesuai dengan jumlah peluang fakta yanng dianggap benar berdasarkan data yang sebenarnya atau yang disebut dengan data latih. Semakin banyak jumlah data latih yang benar, maka tingkat keakuratan sistem akan semakin tinggi. Hasil dari pengolahan sistem ini akan secara otomatis ditampilkan pada layar LCD 16x2.

  2.2 Perancangan Sistem Gambar 2. Desain Prototype Alat Pendeteksi Dehidrasi

  Dalam pembuatan suatu alat otomatisasi diperlukan suatu bentuk prototype alat yang akan diimplementasikan. Dalam melakukan desain prototype dari sistem pendeteksi dehidrasi ini perlu diperhatikan peletakkan tiap- tiap komponen serta ukuran alat yang akan dikembangkan. Pembuatan desain sistem dirancang menggunakan aplikasi CorelDraw untuk menggambarkan bentuk prototype yakni berupa kotak hitam untuk menghindari interferensi cahaya yang dapat mempengaruhi pembacaan sensor warna TCS3200. Selain itu Peletakkan sensor gas MQ135 dibuat demikian agar dapat membaca nilai gas amonia dari urin secara langsung, dimana wadah kaca tempat menampung urin adalah wadah tanpa tutup. Perancangan prototype sistem ditunjukkan pada

  merupakan gambaran skematik elektronik perangkat keras yang akan diimplementasikan, komponen utama yang digunakan untuk membuat sistem diantaranya adalah Arduino Uno sebagai otak utama dari sistem, sensor warna TC3200, sensor gas MQ135, LCD 16x2, push button, dan resistor sebagai komponen untuk rangkaian pembagi tegangan yang akan diterapkan dalam penggunaan sensor MQ135 dan push button.

  Gambar 3. Diagram Skematik Sistem Pada dasarnya mikrokontroler akan melakukan pembacaan nilai sensor secara terus menerus, ketika Arduino diaktifkan. Berdasarkan diagram alir pada terlihat bahwa sistem dimulai dengan melakaukan inisialisasi pin dari masing-masing sensor pada arduino IDE yang bertujuan untuk membedakan input dan output yang akan dibaca oleh masing-masing sensor. Selanjutnya saat nilai masing-masing sensor sudah dapat dibaca oleh mikrokontroler maka dilakukan proses pengecekan penekanan push button. Apabila terjadi penekanan push button, nilai sensor terakhir yang terbaca akan digunakan untuk perhitungan Naive Bayes dalam menentukan jenis Dehidrasi berdasarkan urin yang di uji.

  Gambar 5. Diagram alir perancangan klasifikasi Naive Bayes

  Selanjutnya setelah melakukan perancangan untuk pengambilan data dari sensor, maka dilakukan perancangan untuk metode klasifikasinya yaitu perancangan algoritma Naive Bayes seperti yang ditunjukkan pada Penjelasan masing- masing fungsi pada algoritma Naive Bayes adalah sebagai berikut:

  Gambar 4. Diagram alir perancangan pengambilan data sensor Gambar 6. Diagram alir fungsi ProbPrior() Tahap pertama yang dilakukan dalam

  Rumus perhitungan Gaussian

  mengkasifikasikan dehidrasi dengan metode

  (1) ( = | = )

  2 ( − )

  Naive Bayes adalah menghitung nilai prior dari −

  2

  1

  2

  masing kelas dehidrasi. Nilai prior merupakan

  =

  2 √2

  nilai peluang terjadinya suatu kelas dengan cara membagi banyaknya data dalam suatu kelas

  Rumus perhitungan mean dan standar

  (dalam sistem ini terdapat 3 kelas yaitu dehidrasi

  deviasi

  ringan, sedang dan berat) dengan jumlah

  ∑ (2) =1

  keseluruhan data yang ada. Data yang dilakukan ̅ = perhitungan nilai prior adalah data latih.

  (3)

  2 ∑ (

  =1 − ̅) = √ − 1

  Keterangan : ( = | = ) : Peluang gaussian ̅ : nilai rata-rata (mean) : nilai standar deviasi : jumlah data

  : data ke-i

  e : nilai eksponen (2,718282) Gambar 7. Digram alir fungsi

  Gaussian()

  Tahap kedua yaitu untuk menentukan nilai peluang dari masing-masing fitur. Terdapat 4 fitur yang digunakan dalam sistem ini yaitu 3 fitur dari pembacaan sensor warna TCS3200 (fitur R, fitur G dan fitur B) serta 1 fitur lainnya dari pembacaan sensor MQ135 yaitu nilai PPM amonia dari urin. Namun sebelum dapat menentukan nilai peluang dari masing-masing fitur, terlebih dahulu harus dilakukan perhitungan mean dan standar deviasi dari data latih menggunakan Persamaan dan Gambar 8. Diagram alir fungsi PersamaanPada sistem ini, data latih yang ProbPosterior() berupa nilai mean dan standar deviasi disimpan

  Tahap selanjutnya adalah menentukan nilai pada pemrograman mikrokontroler untuk dari peluang posterior, peluang posterior yaitu mepermudah dalam mengakses nilai dari data peluang untuk menentukan besarnya peluang latih saat sistem dijalankan. Selanjut perhitungan masing-masing kelas akan terjadi ketika adanya

  Gaussian dilakukan dengan menggunakan masukan dari tiap fitur. Pada sistem ini yaitu Persamaan seperti yang ditunjukkan pada untuk menentukan besarnya peluang masing- dimana nilai x adalah nilai fitur dari masing jenis dehidrasi akan terjadi ketika adanya pembacaan sensor. pembacaan nilai fitur R, fitur G, fitur B dan fitur PPM. Prosesnya yaitu dengan melakukan perkalian antara hasil dari fungsi ProbPrior() pada Corel PHOTO-PAINT,

  Eyedropper tool

  dengan fungsi Gaussian(). dimana warna yang diuji menggunakan fitur Tahap akhir dalam pengkasifikasian dengan Eyedropper tool tersebut didapatkan dari ini adalah menentukan nilai pengambilan gambar urin yang diujikan. Hasil

  Naive Bayes

  peluang posterior yang tertinggi dengan cara pengujian masing-masing alat ukur tesebut membandingkan satu sama lain antar peluang ditunjukkan pada

  . Jenis dehidrasi dengan nilai peluang

  posterior Tabel 1. Hasil pembacaan warna urin posterior paling tinggi merupakan hasil yang melalui sensor TCS3200 klasifikasi dehidrasi yang dideteksi oleh sistem. Peng Pembacaan Sensor ujian

2.3 Implementasi Sistem R G B HEX ke-

  Setelah tahap perancangan selesai 1 109 93 80 #6D5D50 dilakukan, selanjutnya tahap implementasi. Pada

  2

  87

  68 62 #57443E tahap ini dijelaskan hasil implementasi baik dari 3 109

  93 84 #6D5D54

  prototype sistem maupun hasil implementasi

  rangkaian elektronik yang ditunjukkan pada 4 114

  89 80 #725950

  5

  87

  72 71 #574847 6 118 110 96 #766E60 7 118 102 90 #76665A 8 123 110 93 #7B6E5D

  Tabel 2. Hasil pembacaan warna urin melalui Eyedropper tool Corel PHOTO- PAINT Eyedropper tool Corel

  Peng Gambar 9. Implementasi prototype PHOTO-PAINT ujian sistem ke- R G B HEX

  Implementasi rangkaian elektronik sistem 1 117 75 35 #754B23 pendeteksi dehidrasi ini diterapkan pada PCB

  2

  87

  44 9 #572C09 dan kabel jumper yang dapat disolder sehingga 3 109

  71 26 #6D471A dapat mengkoneksikan antar pin dari masing- 4 116

  68 22 #744416 masing komponen.

  5

  89

  31 11 #591F0B 6 125 93 44 #7D5D2C 7 120 81 24 #785118 8 128 90 28 #805A1C

  Setelah nilai RGB dari masing-masing sensor maupun alat ukur diperoleh, selanjutnya

  (a) (b)

  mengubah nilai RGB tersbut menjadi pembacan

  Gambar 10. Implementasi rangkaian sensor

  warna dalam format HEX, sehingga

  (a) TCS3200, (b) MQ135

  memudahkan untuk melakukan perhitungan selisih error antar kedua alat ukur pembacaan

3. PENGUJIAN DAN ANALISIS

  warna. Kemudian setelah didapatkan selisih

  error masing-masing pengujian dapat dilakukan

3.1 Pengujian sensor TCS3200 dan MQ135

  perhitungan persentase error dari pembacaan Sensor warna TC3200 adalah sensor utama sensor menggunakan Persamaan dalam sistem ini yang berfungsi untuk membaca

  (4)

  nilai RGB warna dari urin yanga dideteksi. Pada

  ℎ

  pengujian sensor warna ini akan dilakukan

  = × 100%

  dengan melakukan pembacaan dari berberapa urin yang berbeda dengan menggunakan sensor Adapun hasil perhitungan error pada warna TC3200 kemudian nilainya akan pengujian terhadap sensor TCS3200 dibandingkan dengan alat ukur warna berupa ditunujukkan padaberikut ini.

  Tabel 3. Hasil perhitungan error pembacaan

  3.2 Pengujian tampilan LCD 16x2 sensor TCS3200 Tabel 4. Hasil pengujian tampilan LCD 16x2 Peng Selisih Error N Kondi Persentase ujian Gambar Keterangan

error o si

  HEX DEC ke-

  Proses 1 #7EDD3 519635 6,76%

  monitoring

  2 #1835 6197 0,11% warna urin dengan nilai 3 #163A 5690 0,08% R=215, 4 #

  1EAC 6 125638 1,65% G=161 dan

  Monito

  5 #1D6C4 120516 2,06% 1 B=124.

  ring

  6 #6EECC 454348 5,53% Proses 7 #1EAC4 125636 1,59% monitoring tingkat 8 #4EBBF 322495 3,83% amonia urin

  Rata-rata 2,70% dengan nilai PPM=0,07. Pada menunjukkan grafik

  Jika user hubungan antara nilai pembacaan PPM gas Pering tidak amonia dari urin dan nilai tegangan keluaran atan menekan sensor sebanyak 23 kali percobaan. Grafik peneka 2 tombol tersebut sesuai dengan karateristik sensor gas nan

  trigger

  MQ135, terlihat pada gambar tersebut nilai = tombol

  0,2504

  muncul merupakan model regresi power 1,2234

  tigger peringatan.

  antara kedua variabel tersebut, sedangkan nilai

  2

  = 0,9981 disebut sebagai koefisien Pendeteksian determinasi yang berarti variabel PPM amonia jenis dipengaruhi oleh variabel Vout sebesar 99,81%. Dehidrasi

  Adapun 0,19% sisanya untuk konsentrasi Ringan amonia dipengaruhi variabel lain.

  Pendeteksian Proses jenis

  3 klasifi Dehidrasi kasi Sedang Pendeteksian jenis Dehidrasi

  Gambar 11. Hasil pengujian korelasi

  Berat

  pembacaan sensor MQ135 dengan tegangan keluaran sensor

  Sesuai dengan yang ditunjukkan padterlihat bahwa LCD 16x2 yang diterapkan sebagai output sistem dapat menampilkan kondisi yang sesuai dengan yang telah dirancang dan diimplementasikan.

  3.3 Pengujian Akurasi Metode Naive Bayes

  Pengujian dilakukan dengan menggunakan 69 data set yang terbagi menjadi 46 data latih dan 23 data uji. Pengujian ini dimaksudkan untuk mengukur tingkat akurasi sistem pendeteksi dehidrasi dengan menggunakan metode Naive

  Bayes yang telah diimplementasikan. Pengujian

  2. Pada penelitian ini telah dibuat sistem otomatisasi untuk mendeteksi jenis dehidrasi berdasarkan warna dan kadar amonia pada urin dengan menggunakan metode Naive Bayes. Dimana baik semua komponen alat yang digunakan maupun metode Naive Bayes yang diterapkan dapat berjalan sesuai dengan yang diinginkan, terbukti dengan sistem dapat mengklasifikasikan jenis dehidrasi menjadi dehidrasi ringan, dehidrasi sedang dan dehidrasi berat.

  Asmadi. (2008). Teknik Prosedural

  Dipetik Agustus 28, 2016, dari https://www.arduino.cc/en/Main/Ardui noBoardUno

  SKRIPSI, Institut Pertanian Bogor, Ilmu Komputer, Bogor. Amstrong, L. E. (2000). Assess Your Hydration Status. Amstrong, W. J. (1998). Air Kehidupan. Jakarta: Gramedia Pustaka Utama. Arduino. (2016). Arduino Uno Atmega328P.

  Adhieputra, D. A. (2010). Pemilihan Data Training untuk Meningkatkan Kinerja Voting Feature Interval 5 (VFI 5).

  5. DAFTAR PUSTAKA

  4. Performansi Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia Pada Urin dengan Metode Naive Bayes mempunyai nilai kecepatan waktu pemrosesan rata-rata sebesar 0,69 detik dari 23 kali pengujian.

  sebanyak 46 data dan data uji sebanyak 23 data adalah senilai 95,65%.

  Bayes yang diuji dengan jumlah data latih

  3. Akurasi yang diperoleh Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin dengan Metode Naive

  Selanjutnya sensor gas MQ135 yang diletakkan tepat diatas wadah berisi urin dapat membaca kadar amonia dari urin dengan baik karena fungsionalitas sensor yang diterapkan sesuai dengan karakteristik pada datasheet sensor MQ135, dimana nilai pembacaan sensor berbanding lurus dengan tegangan keluaran yang dihasilkan yaitu semakin tinggi nilai tegangan keluaran sensor maka semakin tinggi nilai pembacaan sensor yang ditunjukkan nilai korelasi antara kedua variabel tersebut sebesar 99,81%.

  akurasi ini dilakukan dengan membandingkan hasil klasifikasi sistem yang sesuai dengan status klasifikasi pada data uji yang sebenarnya. Hasil pengujian akurasi sistem ini ditunjukkan pada

  sehingga dapat dikatakan sensor bekerja dengan baik karena dapat membaca perubahan warna yang berbeda dengan perubahan nilai yang kecil sekalipun.

  error yang kecil yakni sebesar 2,70%

  Sensor warna TCS3200 yang ditempatkan tepat dibawah wadah urin dapat membaca nilai RGB warna dari urin dengan rata-rata

  Berdasarkan hasil pengujian yang telah dilakukan pada penelitian ini maka dapat ditarik kesimpulan sebagai berikut : 1.

  Gambar 12. Hasil pengujian waktu komputasi sistem 4. KESIMPULAN

  Pada pengujian ini dilakukan pengujian sebanyak 23 kali dengan memperhatikan waktu komputasi yang dibutuhkan sistem ini untuk melakukan klasifikasi jenis dehidrasi sesuai yang diinginkan.menunjukkan hasil pengukuran waktu komputasi yang dilakukan sesuai dengan skenario pengujian. Berdasarkan hasil pengujian tersebut diperoleh rata-rata waktu komputasi yang diperlukan sistem untuk melakukan klasifikasi jenis dehidrasi adalah sebesar 696,73 ms.

  22 Persentase akurasi 95,65%

  23 Jumlah data hasil klasifikasi sistem yang sesuai

  Jumlah data uji

  Tabel 5. Hasil pengujian sistem pendeteksi dehidrasi dengan metode Naive Bayes

3.4 Pengujian Waktu Komputasi Sistem

  Kepeawatan: Konsep dan Aplikasi Kebutuhan Dasar Klien. Jakarta: Salemba Medika. Dipetik Mei 6, 2016, dari http://booksgoogle.com

  Urine menggunakan LED dan Fotodioda. SKIPSI, Universitas Islam Negeri Sunan Kalijaga, Fisika, Yogyakarta.

  Diambil kembali dari Vishay Website: www.vishay.com William, G. (2011). Dahsyatnya Terapi Urine.

  Vishay. (2016, Oktober 27). LCD-016M002B.

  TAOS. (2009, July). TCS3200, TCS3210 Programmable Color Light-To- Frequency Converter. Texas: The Lumenology Company. Diambil kembali dari www.taosinc.com

  Sari, R. A. (2016). Implementasi Metode Support Vector Machine untuk Rekomendasi Pemilihan Terapi Dehidrasi Pada Anak. SKRIPSI, Universitas Bawijaya, Teknik Informatika, Malang.

  Potensi Urin Manusia Hasil Composting Toilet Dalam Sistem Ecological Sanitation (ECOSAN). ITS, Teknik Lingkungan, Surabaya.

  Leksana, E. (2015). Strategi Terapi Cairan pada Dehidrasi. Semarang. MQ135_Datasheet. (2016). MQ-135 Gas Sensor. Technical Data. Rofiqoh, Y. L., & Soedjono, E. S. (2016). Studi

  Latif, N. (2016). Pengembangan Alat Deteksi Tingkat Dehidrasi berdasarkan Warna

  Astuti, E. H. (2016). Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke menggunakan Metode Naive Bayes.

  Kompas. (2009). 46 persen Penduduk Indonesia Dehidrasi. Dipetik Mei 6, 2016, dari http://health.kompas.com/read/2009/10/ 22/16081725/46.persen.Penduduk.Indo nesia.Dehidrasi

  Hasanudin, F. (2015). Pemanfaatan Sensor Gas MQ135 untuk Pendeteksi Gas Amonia (NH3) pada Kotoran Ayam Berbasis Arduino Uno. Tugas Akhir, Universitas Gadjah Mada, D3 Teknik Elektro, Yogyakarta.

  Freedman, B. S., & Paik, S. M. (2008). Pediatric Dehydration on Assessment and Oral Rehydration Theraphy. Pediatric Emergency Medicine Report, Ontario.

  Pendeteksi Warna Berbasis Mikrokontroler. SKRIPSI, Universitas Pakuan, Ilmu Komputer, Bogor.

  Machine Learning. London: Cambridge University Press. Chairunnas, A., & Sugianto, H. (2013). Robot

  SKRIPSI, Universitas Brawijaya, Teknik Informatika, Malang. Baber, D. (2010). Bayesian Reasoning and

  Jakarta: Berlian Media.