Implementasi dan Analisis Hasil
4.2 Perancangan Fuzzy C- Means
Data yang digunakan dalam penelitian ini adalah data hasil diagnosa akhir dan data laboratorium pasien hepatitis yang diperoleh dari Rekam Medis Rumah Sakit Panti Rapih.Data diberikan dalam bentuk manual, yaitu berupa map yang berisi lembaran data pasien, baik hasil pencatatan anamnesa/ gejala penyakit dan hasil laboratorium serta data
diagnosa keperawatan yang mana pasien telah dirawat inap.Peneliti melakukan pencatatan data laboratorium pasien dalam format ekstensi xls.
4.2.1 Pembersihan Data
Pembersihan Data (data cleaning) merupakan tahap awal dalam proses penambangan data. Pada data anamnesisdan data laboratorium yang diperoleh terdapat beberapa data yang tidak lengkap, seperti misalnya ada beberapa pasien yang tidak menjalani pemeriksaan laboratorium sehingga tidak didapat data laborataoriumnya dan terdapat juga pasien yang menjalani pemeriksaan laboratorium yang tidak menyeluruh sehingga menyebabkan data tidak lengkap.Data yang tidak lengkap tersebut kemudian dibuang sehingga diperoleh 110 data laboratorium dan 110 data anamnesis.
4.2.2 Normalisasi data laboratorium
Pada data hasil pemeriksaan laboratorium didapat nilai hasil pemeriksaan yang mempunyai satuan yang berbeda – beda. Hal ini disebabkan karena alat pemeriksaanyang digunakan untuk memeriksa penyakit hepatitis berbeda antara pasien satu dengan pasien yang lain sehingga menyebabkan rentang nilai normal yang berbeda.Perbedaan jenis kelamin juga berpengaruh pada rentang nilai normal pemeriksaan laboratorium.Data pemeriksaan laboratorium dinormalisasi dengan menggunakan nilai rentang normal dari pemeriksaan laboratorium sesuai dengan jenis alat yang digunakan dan jenis kelamin pasien.
4.2.3 PCA ( Principal Component Analysis)
PCA merupakan salah satu dari metode dimensional reduction yang digunakan untuk menyederhanakan variabel.Pada penelitian ini, data yang diolah dengan menggunakan metode PCA adalah data anamnesa yang mempunyai 26 variabel.
Data anamnesa ini akan diolah dengan bantuan SPSS 17untuk mereduksi variabel bebas yang berkorelasi tinggi sehingga dapat diketahui variabel mana saja yang dianggap layak untuk dimasukkan ke analisis berikutnya.
Langkah – langkah yang dilakukan dalam prosedur PCA dengan menggunakan SPSS 17 pada data anamnesa pasien penyakit hepatitis adalah sebagai berikut :
a. Barlett Test
Tabel 4.3: KMO and Bartlett;s Test
.236 Approx. Chi-Square 1168.660 df 325 Sig. .000
KMO and Bartlett's Test Kaiser-Meyer-Olkin
Bartlett's Test of Sphericity
Barlett Test merupakan tes statistik untuk menguji apakah betul variabel-variabel bebas yang dilibatkan berkorelasi.
Ho :Tidak ada korelasi antarvariabel bebas
H1 :Ada korelasi antarvariabel bebas
Kriteria uji dengan melihat p-value (signifikansi) : Terima Ho jika Sig. > 0,05 atau tolak Ho jika Sig. < 0,05. Pada tabel 4.3 di atas dapat dilihat bahwa nilai Chi-Square adalah 1168.660, dengan derajat bebas sebesar 325, dan p-value (sig) sebesar 0,000. Karena p-value (0,000) < 0,05 maka Ho di tolak. Artinya, benar-benar terdapat korelasi antarvariabel bebas
b. Communalities Tabel 4.4: Communalities Initial Extraction Pegal 1.000 .715 NyeriSend i 1.000 .867 Norm aloto t 1.000 .912 Linulinu 1.000 .709 Muntah 1.000 .700 Diare 1.000 .721 Kem bung 1.000 .610 m ual 1.000 .641 nps k 1.000 .665 nm b 1.000 .654
Communalities menunjukkan berapa varians yang dapat dijelaskan oleh factor yang diekstrak (faktor yang terbentuk).Cara memperolehnya adalah dengan mengkuadratkan nilai korelasi yang terdapat pada tabel 4.6Component Matrix.Setiap variabel berkorelasi dengan faktor-faktor yang terbentuk.Misalkan untuk variabel pegal diperoleh nilai sebesar 0.715. Hal ini berarti sekitar 71,5% variabel pegal dapat dijelaskan oleh faktor yang terbentuk. Untuk variabel nyeri sendi, diperoleh nilai sebesar 0,867. Hal ini berarti sekitar 86,7% variabel nyeri sendi dapat dijelaskan oleh faktor yang terbentuk.
c. Total Variance Explained
Tabel 4.5: Total Variance Explained
Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % 1 2.978 11.454 11.454 2.978 11.454 11.454 2 2.414 9.284 20.739 2.414 9.284 20.739 3 2.255 8.672 29.410 2.255 8.672 29.410 4 1.692 6.508 35.919 1.692 6.508 35.919 5 1.551 5.967 41.885 1.551 5.967 41.885 6 1.450 5.578 47.464 1.450 5.578 47.464 7 1.320 5.077 52.540 1.320 5.077 52.540 8 1.168 4.493 57.033 1.168 4.493 57.033 9 1.121 4.313 61.346 1.121 4.313 61.346 10 1.070 4.115 65.461 1.070 4.115 65.461 11 1.028 3.954 69.415 1.028 3.954 69.415 12 .987 3.796 73.211 13 .927 3.564 76.775 Compone nt Initial Eigenvalues
Extraction Sums of Squared Loadings
Kemampuan setiap factor mewakili variabel-variabel yang dianalisis ditunjukkan oleh besarnya varians yang dijelaskan, yang disebut dengan
eigenvalue.Varians yang dimaksud adalah varians variabel-variabel yang sudah distandardisasi.Dengan standardisasi, nilai rata-rata setiap variabel menjadi nol dan variansnya menjadi satu.Karena varians setiap variabel adalah satu, maka varians totalnya ada 26 karena dalam kasus ini ada 26 variabel bebas.
Eigenvalues menunjukkan kepentingan relatif masing-masing factor dalam menghitung varians ketiga variabel yang dianalisis. Susunan eigenvalues selalu diurutkan dari yang terbesar sampai ke yang terkecil, dengan kriteria bahwa angka
eigenvalues di bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk Dari tabel 4.5 di atas terlihat bahwa hanya 11 factor yang terbentuk, karena
angka eigenvalues memiliki nilai di atas 1. Sehingga proses factoring seharusnya berhenti pada 11 faktor saja. Faktor 1 memiliki eigenvalue sebesar 2,978 artinya faktor 1 ini dapat menjelaskan 2,978 atau 11,454% dari total communalities
d. Component Matrix
Tabel 4.6: Conponent Matrix
1 2 3 4 5 6 7 8 9 10 11 Pegal -.144 .369 -.204 -.207 .430 .414 -.277 .022 .128 -.148 -.049 NyeriSendi .022 .724 .000 .022 -.174 -.292 .377 .212 .114 -.109 -.124 Normalotot -.037 -.834 .193 -.077 -.121 -.236 -.231 -.114 -.102 .112 .112 Linulinu .274 .087 -.131 .376 -.006 .507 .239 -.208 -.226 .237 -.057 Muntah .148 .102 .459 -.145 -.181 .076 .170 .156 .406 -.045 .422 Diare .080 .040 .112 -.727 -.254 .126 .037 -.074 -.101 .208 -.175 Kembung -.229 -.086 .042 -.225 .421 -.013 .317 -.246 .156 .061 .363 mual .065 -.226 .237 .423 -.093 .206 .262 .438 .042 .194 -.009 Component
Tabel ini berisikan factor loading (nilai korelasi) antara variabel-variabel analisis dengan faktor yang terbentuk.Berdasarkan tabel 4.6 di atas, terlihat bahwa ada 11 faktor yang terbentuk dari 26 variabel.Hal ini menunjukkan bahwa 11 factor adalah jumlah yang paling optimal untuk mereduksi ketiga variabel bebas tersebut.
e. Component Score Coefficient Matrix
Setelah mendapatkan faktor yang terbentuk melalui proses reduksi, maka perlu dicari persamannya. Dengan persaman tersebut, dapat diperoleh skor setiap faktor secara manual.Persamaan yang dibuat mirip dengan regresi linier berganda, hanya dalam persamaan faktornya tidak terdapat konstanta.Skor-skor faktor yang dihasilkan dapat digunakan untuk menggantikan skor-skor pada varibel bebas yang asli. Hasil skor faktor yang diperoleh ditunjukkan pada tabel 4.7 dan hasilComponent Score Coefficient Matrix ditunjukkan pada tabel 4.8 dibawah ini :
Tabel 4.7: Score Faktor FC1 FC2 FC3 FC4 FC5 FC6 FC7 FC8 FC9 FC10 FC11 -0.0649 -0.11 1.665 0.12 0.4 0.1013 -0.13 0.183 1.005 0.48 -0 1.07655 0.051 1.419 0.55 -0.4 0.3197 -0.46 -0.21 0.129 0.51 0.22 -1.04707 -0.9 1.1 0.21 0.03 -1.239 1.115 -1.97 1.861 2.49 -0.5 -1.16246 -0.99 0.862 0.17 0.35 0.6079 0.022 1.279 0.035 -0.53 0.26 1.11325 0.918 0.687 0.71 0.04 -0.571 0.845 0.457 0.124 -1.12 0.35 0.83123 -0.55 0.624 0.09 0.65 -0.531 0.143 -0.76 0.512 -0 0.54 0.98196 -0.05 1.311 0.73 0.47 -0.469 -0.81 -0.63 -0.78 0.31 -0.5 -1.40938 -0.44 0.474 0.17 -0.8 -0.249 -0.57 0.108 -0.47 -0.18 -0.8
Tabel 4.8: Component Score Coefficient Matrix
1 2 3 4 5 6 7 8 9 10 11 Pegal -.048 .153 -.091 -.122 .277 .285 -.210 .018 .114 -.138 -.048 NyeriSendi .007 .300 .000 .013 -.112 -.201 .286 .181 .101 -.102 -.120 Normalotot -.012 -.345 .086 -.046 -.078 -.163 -.175 -.097 -.091 .105 .109 Linulinu .092 .036 -.058 .222 -.004 .350 .181 -.178 -.201 .222 -.056 Muntah .050 .042 .203 -.086 -.116 .052 .129 .134 .362 -.042 .410 Diare .027 .017 .050 -.430 -.164 .087 .028 -.063 -.090 .194 -.170 Kembung -.077 -.036 .018 -.133 .271 -.009 .240 -.210 .139 .057 .353 Component
4.2.4Membentuk derajat Keanggotaan ( Matriks Uik)
Langkah pertama dalam perhitungan Fuzzy C-Means (FCM) adalah membentuk matriks derajat keanggotaan awal atau matriks partisi awal Uik.Matrik partisi Uik mempunyai komponen i= banyaknya data, k = banyaknya cluster. Matrik ini random dengan kisaran nilai 0 sampai 1. Pembentukan matrik Uik ini dilakukan dengan menggunakan fungsi seperti tabel 4.9
Tabel 4.9: Fungsi FFCM_InitV
function V = FFCM_InitV (c, p) V = rand(c, p);
col_sum = sum(V);
Matriks Uik yang terbentuk dari fungsi FFCM_initV disimpan ke dalam hepatitis.mat.Jika dijumlahkan maka nilai perbaris dari matriks Uik yang terbentuk tidak lebih dari 1. Setelah nilai matriks partisi awal disimpan maka proses FCM dilakukan pertama kali dengan memilih data yang akan diolah, kemudian data tersebut akan dihitung dengan menggunakan fungsi FFCM yang terdapat pada halaman lampiran. Perhitungan FCM ini akan dilakukan berulang kali untuk memperbaiki lokasi pusat cluster. Langkah iterative ini akan dilakukan berdasarkan minimisasi fungsi objektif.