SISTEM PENDUKUNG KEPUTUSAN PENENTUAN STADIUM
PENYAKIT TUBERKULOSIS (TB PARU) MENGGUNAKAN
METODE FUZZY SUGENO
SKRIPSI
BERLIAN GAUS
081402012
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN STADIUM PENYAKIT TUBERKULOSIS (TB PARU) MENGGUNAKAN
METODE FUZZY SUGENO
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
BERLIAN GAUS 081402012
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : SISTEM PENDUKUNG KEPUTUSAN
PENENTUAN STADIUM PENYAKIT TUBERKULOSIS (TB PARU)
MENGGUNAKAN
METODE FUZZY SUGENO
Kategori : SKRIPSI
Nama : BERLIAN GAUS
Nomor Induk Mahasiswa : 081402012
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Februari 2013 Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Erna Budiarti Nababan Syahril Efendi S.Si.M.IT NIP 198603032010121001 NIP 19671110 1996021001
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
SISTEM PENGAMBILAN KEPUTUSAN PENENTUAN STADIUM PENYAKIT TUBERKULOSIS (TPARU) MENGGUNAKAN METODE FUZZY SUGENO
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja keras saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Februari 2013
PENGHARGAAN
Puji syukur hanya kepada Allah SWT yang telah memberikan rahmat dan keridhoanNya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada Bapak Syahril Efendi S.Si.M.IT dan Ibu Dr. Erna Budhiarti Nababan, MIT selaku pembimbing pada penyelesaian skripsi ini dan telah memberikan panduan dengan penuh kepercayaan kepada penulis untuk menyempurnakan kajian ini. Ucapan terima kasih juga penulis tujukan kepada Bapak Sajadin Sembiring, S.Si, M.Comp.Sc dan Ibu Sarah Purnamawati, St.M.Sc yang telah bersedia menjadi dosen pembanding. Penulis juga menyampaikan ucapan teriama kasih kepada Dosen-Dosen Teknologi Informasi atas panduan ringkas, padat dan professional yang telah diberikan kepada penulis agar dapat menyelesaikan tugas ini. Ucapakan terima kasih juga ditujukan kepada Ketua dan sekretaris Program Studi Teknologi Informasi, Prof Dr. Opim Salim Sitompul, M.Sc dan Drs. Sawaluddin, M.IT, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen dan pegawai pada Program Studi Teknologi Informasi FMIPA USU.
ABSTRAK
Selama ini pengambilan Keputusan untuk penentuan stadium penyakit Tuberkulosis (TB Paru) sering mengalami keterlambatan terutama di daerah yang minim fasilitas, sehingga tidak dapat dipastikan tingkat stadium penyakit yang diderita oleh pasien dan tidak bisa diberikan pengobatan yang tepat. Dalam skripsi ini penulis menerapkan metode Sugeno yang diimplementasikan untuk membuat Sistem Pendukung Keputusan Penentuan Stadium Penyakit TB Paru guna membantu pasien dalam melaksanakan diagnosa penentuan stadium penyakit TB Paru yang dideritanya berdasarkan nilai-nilai keanggotaan. Dengan pengimplementasian metode ini didapatkan hasil stadium penyakit TB Paru yaitu satidium 1, stadium 2, stadium3 dan stadium 4 pada pasien.
ABSTRACT
During the time taking a decision to know about Tuberculosis disease staging often delayed especially in the minimum facilities area. So it can’t conviced the level of patient stage and it can’t give the right medicine. In this research, the writer applied about Sugeno’s method which implementation to make the Decision Support System of Tuberculosis disease stage for help the patient to do the certain of tuberculosis disease stage that is concider based on the member’s value. So that, by implementation method later, it can give the certain diagnosis to the patient that is first stadium, second stadium, third stadium and fourth stadium.
DAFTAR ISI
Halaman
Persetujuan ... ii
Pernyataan ... iii
Penghargaan ... iv
Abstrak ...v
Abstract ... vi
Daftar Isi ... vii
Daftar Tabel ... ix
Daftar Gambar ...x
BAB 1 Pendahuluan ...1
1.1 Latar Belakang ...1
1.2 Rumusan Masalah ...2
1.3 Batasan Masalah ...2
1.4 Tujuan Penelitian ...3
1.5 Manfaat Penelitian ...3
1.6 Metode Penelitian...4
1.7 Sistematika Penulisan ...5
BAB 2 Landasan Teori ...6
2.1 Sistem Pendukung Keputusan (SPK) ...6
2.1.1 Karakteristik Sistem Pendukung Keputusan ...7
2.1.2 Komponen-Komponen Sistem Pendukung Keputusan ...9
2.1.2.1 Subsistem Manajemen Database ... 10
2.1.2.2 Subsistem Manajemen Basis Model ... 10
2.1.2.3 Subsistem Perangkat Lunak Penyelenggara Dialog ... 11
2.2 Logika Fuzzy ... 12
2.2.1 Himpunan Fuzzy ... 13
2.2.2 Fungsi Keanggotaan ... 15
2.2.3 Operasi Himpunan Fuzzy ... 16
2.2.4 Himpunan Inferensi Fuzzy ... 17
2.2.5 Metode Sugeno ... 17
2.3 Tuberkulosis (TB Paru) ... 20
2.3.1. Epidemiologi Tuberkulosis di Indonesia ... 21
2.3.2 Langkah-Langkah Penegakan Diagnosis ... 22
2.4 Penelitian Sebelumnya ... 26
BAB 3 Analisis dan Perancangan Sistem ... 30
3.1 Identifikasi Masalah ... 30
3.2 Data yang Digunakan ... 31
3.3 Metode Sugeno dalam Perancangan Sistem Penentuan Stadium Penyakit TB Paru ... 31
3.4 Perancangan Inferensi Fuzzy ... 35
3.6. Metodologi Fuzzy Sugeno Dalam Penentuan Stadium Penyakit
Tuberkulosis ... 46
3.7 Perancangan sistem ... 47
3.7.1 Diagram Aliran Data ... 48
3.7.2 Kamus Data ... 56
3.7.3 Perancangan Menu Sistem ... 59
3.7.4. Perancangan Antarmuka ... 59
BAB 4 Implementasi dan Pengujian Sistem ... 63
4.1. Implemetasi Sistem ... 63
4.1.1 Spesifikasi Peragkat Keras dan Perangkat Lunak yang Digunakan ... 63
4.1.2 Implementasi Perancangan Antarmuka ... 64
4.2. Pengujian Sistem ... 69
4.2.1 Rencana Pengujian Sistem ... 69
4.2.2. Kasus dan Hasil Pengujian Sistem ... 70
4.2.3. Pengujian Kinerja Sistem ... 76
BAB 5 Kesimpulan dan Saran... 81
5.1 Kesimpulan ... 81
5.2 Saran ... 81
DAFTAR TABEL
Halaman
Tabel 2.1 Operasi- Operasi Dasar Dalam Himpunan Fuzzy ... 16
Tabel 2.2 Survei Prevalensi TB Paru ... 22
Tabel 2.3 Penelitian Pendukung Keputusan Menggunakan Teknik Fuzzy ... 26
Tabel 3.1 Batasan Nilai Normal Variabel ... 35
Tabel 3.2 Aturan-Aturan Penentuan Stadium Tuberkulosis ... 45
Tabel 3.3 Kamus Data Admin ... 56
Tabel 3.4 Kamus Data Pasien ... 57
Tabel 3.5 Kamus Data Variable ... 58
Tabel 3.6 Kamus Data Normalisasi ... 58
Tabel 4.1 Rencana Pengujian ... 70
Tabel 4.2 Hasil Pengujian ... 71
Tabel 4.3 Perihtungan Derajat Keanggotaan Variable Uji ... 76
DAFTAR GAMBAR
Halaman
Gambar 2.1 Representasi kurva trapesium ... 15
Gambar 2.2 Representasi kurva bahu ... 16
Gambar 2.3 TBK Tingkat Minimal ... 24
Gambar 2.4 TBK Tingkat sedang ... 24
Gambar 3.1 Algoritma Metode Sugeno ... 31
Gambar 3.3 Fungsi Keanggotaan Himpunan Fuzzy pada Variable LED Laki-laki ... 38
Gambar 3.4 Fungsi Keanggotaan Himpunan Fuzzy pada Variable LED Perempuan .. 39
Gambar 3.5 Fungsi Keanggotaan Himpunan Fuzzy pada Variable Sputum ... 40
Gambar 3.6 Fungsi Keanggotaan Himpunan Fuzzy pada Variable Leukosit ... 42
Gambar 3.7 Fungsi Keanggotaan Himpunan Fuzzy pada Variable Limfosit ... 43
Gambar 3.8 Fungsi Keanggotaan Himpunan Fuzzy pada Variable Foto Torax ... 44
Gambar 3.9 Metodologi Fuzzy Sugeno ... 47
Gambar 3.10 Diagram Konteks DFD ... 48
Gambar 3.11 DFD Level 1 ... 50
Gambar 3.12 DFD Level 1 Proses 2 ... 52
Gambar 3.13 DFD Level 1 Proses 3 ... 53
Gambar 3.14 DFD Level 1 Proses 4 ... 55
Gambar 3.15 Struktur Menu Sistem ... 59
Gambar 3.17 Form Menu Utama ... 60
Gambar 3.18 Form Input Data Pasien ... 61
Gambar 3.19 Form Input Data User sistem/Admin... 61
Gambar 3.20 Form Input Data Hasil Pemeriksaan ... 62
Gambar 4.2 Form Menu Utama ... 65
Gambar 4.3 Tampilan Submenu Normalisasi ... 65
Gambar 4.4 Tampilan Submenu Tambah User System/Admin ... 66
Gambar 4.5 Tampilan Submenu Edit/hapus User System/Admin ... 66
Gambar 4.6 Tampilan Submenu Ganti Password ... 67
Gambar 4.7 Tampilan Form Input Data Pasien... 67
Gambar 4.8 Tampilan Menu Input Data Pemeriksaan ... 68
Gambar 4.9 Tampilan Form Hasil Pemeriksaan ... 68
ABSTRAK
Selama ini pengambilan Keputusan untuk penentuan stadium penyakit Tuberkulosis (TB Paru) sering mengalami keterlambatan terutama di daerah yang minim fasilitas, sehingga tidak dapat dipastikan tingkat stadium penyakit yang diderita oleh pasien dan tidak bisa diberikan pengobatan yang tepat. Dalam skripsi ini penulis menerapkan metode Sugeno yang diimplementasikan untuk membuat Sistem Pendukung Keputusan Penentuan Stadium Penyakit TB Paru guna membantu pasien dalam melaksanakan diagnosa penentuan stadium penyakit TB Paru yang dideritanya berdasarkan nilai-nilai keanggotaan. Dengan pengimplementasian metode ini didapatkan hasil stadium penyakit TB Paru yaitu satidium 1, stadium 2, stadium3 dan stadium 4 pada pasien.
ABSTRACT
During the time taking a decision to know about Tuberculosis disease staging often delayed especially in the minimum facilities area. So it can’t conviced the level of patient stage and it can’t give the right medicine. In this research, the writer applied about Sugeno’s method which implementation to make the Decision Support System of Tuberculosis disease stage for help the patient to do the certain of tuberculosis disease stage that is concider based on the member’s value. So that, by implementation method later, it can give the certain diagnosis to the patient that is first stadium, second stadium, third stadium and fourth stadium.
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Teknologi informasi merupakan salah satu bagian penting untuk mengatasi (sebagian) masalah derasnya arus informasi. Di Indonesia pemerintah sudah mulai memanfaatkan teknologi informasi untuk meningkatkan efisiensi kinerja lembaga-lembaga negara. Beberapa daerah sudah memakai sistem terintegrasi untuk menjalankan fungsi-fungsi yang ada dalam pemerintahan, seperti pendaftaran penduduk (KTP), pengurusan pajak, pengurusan SIM dan lain sebagainya.
Ada beberapa metode yang dikenal dan telah diimplementasikan dalam beberapa penelitian sistem pengambilan keputusan dalam mendiagnosis penyakit, diantaranya: Metode Analitic Hierarcy Proses (Wulandari, 2006); Metode Fuzzy Mamdani (Yogawati, 2011); Metode Topsis (Setiyani, 2011). Dari berbagai macam metode ini didapatkan hasil yang berbeda-beda sesuai dengan data yang diteliti.
Pada skripsi ini penulis mencoba melakukan sebuah sistem pendukung keputusan untuk penentuan stadium penyakit TB Paru dengan menggunakan metode Sugeno. Alasan penulis menggunakan metode Sugeno karena penulis tertarik dengan
metode ini yang telah banyak diterapkan dalam kasus sistem pendukung keputusan dalam berbagai kasus seperti pendukung keputusan diagnosa penyakit diabetes melitus menggunakan metode Sugeno (Tampubolon, 2010); Aplikasi diagnosa gizi pada balita serta kandungan kalori yang diperlukan guna mendapatkan gizi seimbang menggunakan metode Fuzzy Sugeno (Prasetio, 2011). Metode sugeno juga lebih fleksibel sehingga cocok dalam pendukung keputusan (Sari, 2010).
1.2 Rumusan Masalah
Kurangnya fasilitas yang memadai dan dokter ahli yang tidak selalu di tempat sering kali membuat penentuan stadium penyakit TB Paru terlambat, sehingga tidak dapat dipastikan stadium penyakit TB Paru yang diderita pasien dan tidak bisa diberikan pengobatan secara tepat. Oleh karena itu diperlukan suatu sistem pendukung keputusan yang dapat membantu petugas puskesmas dalam memberikan dignosa stadium pada pasien.
1.3 Batasan Masalah
1. Perancangan sistem pendukung keputusan penyakit TB Paru menggunakan Fuzzy Sugeno.
2. Penentuan stadium penyakit TB Paru yang dilakukan hanya untuk orang dewasa.
3. Data yang digunakan diambil dari salah satu Rumah Sakit di daerah Tapanuli Selatan.
4. Sistem yang dibuat hanya untuk penentuan stadium penyakit TB Paru yang diderita pasien.
5. Variable yang digunakan berupa: Batuk, Laju Endapan Darah, Limosit, Leukosit, Sputum dan Foto Torax.
1.4 Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah untuk membuat suatu sistem pendukung keputusan menggunakan metode Sugeno yang dapat membantu pasien dalam menentukan stadium penyakit TB Paru yang dideritanya.
1.5 Manfaat Penelitian
Manfaat penelitian ini adalah sebagai berikut:
1. Dapat digunakan sebagai alat bantu untuk memberikan diagnosa penentuan stadium penyakit TB Paru yang diderita pasien.
1.6 Metode Penelitian
Tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut:
a. Studi Literatur
Tahapan ini dilakukan dengan memepelajari sumber-sumber seperti buku-buku, referensi yang berkaitan dengan skripsi ini.
b. Pengumpulan Data
Pada tahap ini data diambil dari salah satu Rumah Sakit di daerah Tapanuli Selatan.
c. Analisis Data
Tahapan ini dilakukan dengan menganalisis data yang diperlukan sistem dan gambaran komponen-komponen sistem baik berupa DFD, flowchart, masukan dan keluaran sistem
d. Perancangan Sistem
Pada tahapan ini dilakukan perancangan flowchart kurva yang akan dipergunakan dalam metode fuzzy, perancangan inferensi fuzzy, perancangan basis pengetahuan dan perancangan form.
e. Implementasi Sistem Penetuan Penyakit TB Paru
Pada tahap ini dilakukan penerapan rancangan yang dilakukan dalam suatu program.
f. Pengujian Sistem
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:
Bab 1 Pendahuluan
Bab ini menjelaskan mengenai latarbelakang pemilihan judul skripsi “Sistem Pendukung Keputusan Penentuan Stadium Penyakit Tuberkulosis (TB Paru) menggunakan Metode Fuzzy Sugeno”, rumrusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian dan sistematika penulisan.
Bab 2 Landasan Teori
Bab ini membahas mengenai teori penunjang yang berhungan dengan penerapan metode Sugeno pada Sistem Pendukung Keputusan Penentuan Stadium Panyakit Tuberkulosis (TB Paru).
Bab 3 Analisis dan Perancangan Sistem
Bab ini secara garis besar membahas analisis metode Sugeno pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.
Bab 4 Implementasi dan Pengujian
Bab ini akan dijelaskan tentang proses pengimplementasian metode Sugeno pada sistem, sesuai perancangan sistem yang telah dilakukan di Bab 3 serta melakukan pengujian sistem yang telah dibangun.
Bab 5 Kesimpulan dan Saran
BAB 2
LANDASAN TEORI
Bab ini membahas teori penunjang yang berhubungan dengan penerapan metode Sugeno pada sistem Penentuan Stadium Penyakit Tuberkulosis.
2.1 Sistem Pendukung Keputusan (SPK)
Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS) pertama sekali diperkenalkan pada awal tahun 1970-an oleh Michael S.Scoot Martoon dengan istilah Manager Decision Support System. Martoon mendefenisikan DSS sebagai “sistem berbasis komputer interaktif yang membantu para pengambilan keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah yang tidak terstruktur”.
Menurut Alter, SPK merupakan sistem informasi interaktif yang menyediakan informasi pemodelan dan pemanipulasian data. Sistem digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara past bagaimana keputusan seharusnya dibuat.
Aplikasi SPK menggunakan data, memberikan antarmuka pengguna yang mudah dan dapat mengggabungkan pemikiran pengambil keputusan. DSS lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitik dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas. DSS tidak dimaksudkan untuk mengoptimasikan pengambilan keputusan tetapi memberikan perangkat interaktif yang memungkinkan pengambil keputusan untuk melakukan berbagai analisis menggunakan model-model yang tersedia.
2.1.1 Karakteristik Sistem Pendukung Keputusan
Pada dasaranya SPK merupakan pengembangan lebih lanjut dari Sistem Informasi Manajemen Terkomputasi (Computerized Manajement Information System), yang dirancang sedemikian rupa sehingga bersifat interaktif ini dimaksudkan untuk memudahkan integrasi antara berbagai komponen dalam proses pendukung keputusan seperti prosedur, kebijakan, teknik analisis serta pengalaman dan wawasan manajerial guna suatu kerangka keputusan yang bersifat fleksibel.
Menurut Turban (2005), tujuan dari DSS adalah sebagai berikut:
1. Membantu dalam pengambilan keputusan atas masalah yang tidak terstruktur. 2. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan
untuk menggantikan fungsi manajer.
3. Meningkatkan efektivitas keputusan yang diambil lebih daripada perbaikan efisiensinya.
4. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah. 5. Peningkatan produktivitas.
6. Dukungan kualitas. 7. Berdaya saing.
Aplikasi SPK yang dikembangkan untuk mendukung solusi atas masalah menajemen spesifik yang tidak terstruktur memiliki ciri-ciri SPK yang dirumuskan oleh Kusrini (2007) adalah sebagai berikut:
1. SPK ditujukan untuk membantu keputusan-keputusan yang kurang terstruktur. 2. SPK merupakan gabungan antara kumpulan-kumpulan model kualitatif dan
kumpulan data.
3. SPK bersifat luwes dan dsapat menyesuaikan dengan perubahan-perubahan yang terjadi.
Berdasarkan ciri-ciri di atas, maka kita mendapatkan beberapa karakteristik yang membedakan SPK dengan sistem informasi lain yaitu:
1. Sistem pendukung keputusan dirancang untuk membantu pengambil keputusan dalam memecahkan masalah yang sifatnya semi terstruktur atau tidak terstruktur dengan menambahkan kebijaksanaan manusia dan informasi komputerisasi.
2. Proses pengolahannya, sistem pendukung keputusan mengkombinasikan pengguna model-model analisis dengan teknik pemasukan data konvensional serta fungsi-fungsi pencari atau pemeriksa informasi.
3. Sistem pendukung keputusan dapat digunakan atau dioperasikan dengan mudah oleh orang-orang yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi. Pendekatan yang digunakan biasanya model interaktif. 4. Sistem pendukung keputusan dirancang dengan menekankan pada aspek
fleksibilitas serta kemempuan adpatasi yang tinggi sehingga mudah disesuaikan dengan berbagai perubahan lingkungan yang terjadi dan kebutuhan pengguna.
Sistem pendukung keputusan memberikan manfaat atau keuntungan bagi pemakainya, keuntungan yang dimaksud diantaranya adalah sebagai berikut:
2. Sistem pendukung keputusan membantu pengambil keputusan dalam hal penghematan waktu yang dibutuhkan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur.
3. Sistem pendukung keputusan dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan.
4. Walaupun suatu sistem pendukung keputusan, mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh pengambil keputusan dalam memahami persoalannya, namun ia dapat menjadi stimulan bagi pendukung keputusan dan memahami persoalannya. Hal ini dikarenakan sistem penduklung keputusan mampu menyajikan alternatif.
Pada saat ini SPK telah banyak diterapkan dalam berbagai bidang seperti kedokteran komputer, ekonomi dan lain-lain. Salah satunya adalah SPK penanganan kesehatan balita. Penanganan kesehatan balita merupakan salah satu hal yang patut dijadikan perhatian lebih, sehingga dapat mengurangi resiko tidak optimalnya penanganan kesehatan balita pada instansi yang terkait. Sistem pendukung keputusan penanganan kesehatan balita sangat tepat diterapkan untuk penanganan masalah yang membutuhkan penyelesaian mandiri dari komputer untuk pemrosesan data balita dengan perhitungan yang cepat dan akurat. Dengan menggunakan penalaran logika fuzzy Mamdani dalam pemrosesan data input dan output, serta informasi pendukung
berupa grafik sangat mendukung dalam pengambilan keputusan penanganan kesehatan balita di suatu wilayah (Ayuningtiyas et al, 2007).
2.1.2 Komponen-Komponen Sistem Pendukung Keputusan
SPK dapat terdiri dari tiga subsistem utama yang menentukan kapabilitas teknis SPK yaitu sebagai berikut:
1. Subsistem Manajemen Database (Database Management Subsystem) 2. Subsistem Manajemen Basis Model (Model Base Management Subsystem) 3. Subsistem Perangkat Lunak Penyelenggara Dialog (Dialog Generation and
2.1.2.1 Subsistem Manajemen Database
Ada beberapa perbedaan antara database untuk SPK dan non-SPK. Pertama, sumber data untuk SPK lebih kaya dari pada non-SPK dimana data harus berasal dari luar dan dari dalam karena proses pendukung keputusan.
Perbedaan lain adalah proses pendukung dan ekstraksi data dari sumber data yang sangat besar. SPK membutuhkan proses ekstraksi dan DBMS yang dalam pengelolaannya harus cukup fleksibel untuk memungkinkan penambahan dan pengurangan secara cepat.
Dalam hal ini, kemampuan yang dibutuhkan dari manajemen database dapat diringkas, sebagai berikut:
a. Kemampuan untuk mengkombinasikan berbagai variasi data melalui pendukung dan ekstraksi data.
b. Kemampuan untuk menambahkan sumber data secara cepat dan mudah. c. Kemampuan untuk menggambarkan struktur data logikal sesuai dengan
pengertian pemakai sehingga pemakai mengetahui apa yang tersedia dan dapat menentukan kebutuhan penambahan dan pengurangan.
d. Kemampuan untuk menangani data secara personal sehingga pemakai dapat mencoba berbagai alternatif pertimbangan personal.
e. Kemampuan untuk mengelola berbagai variasi data.
2.1.2.2 Subsistem Manajemen Basis Model
Salah satu persoalan yang berkaitan dengan model adalah bahwa penyusunan model sering kali terikat pada struktur model yang mengasumsikan adanya masukan yang benar dan cara keluaran yang tepat. Sementara itu, model cenderung tidak mencukupi karena adanya kesulitan mengembangkan model yang terintegrasi untuk menangani sekumpulan keputusan yang saling bergantungan. Cara penanganan persoalan ini dengan menggunakan koleksi berbagai model yang terpisah, dimana setiap model digunakan untuk menangani bagian yang berbeda dari masalah yang dihadapi. Komunikasi antara berbagai model digunakan untuk menangani bagian yang berbeda dari masalah tersebut. Komunikasi antarmodel yang saling berhubungan diserahkan kepada pengambil keputusan sebagai proses intelektual dan manual.
Salah satu pandangan yang lebih optimistis, berharap untuk bisa menambahkan model-model ke dalam sistem informasi dengan database sebagai mekanisme integrasi dan komunikasi di antara mereka. Kemampuan yang dimiliki subsistem basis model meliputi hal-hal sebagai berikut:
a. Kemampuan untuk menciptakan model-model baru secara cepat dan mudah. b. Kemampuan untuk mengakses dan mengintegrasikan model-model keputusan. c. Kemampuan untuk mengelola basis model dengan fungsi manajemen yang
analog dan manajemen database (seperti mekanisme untuk menyimpan, membuat dialog, menghubungkan, dan mengakses model).
2.1.2.3 Subsistem Perangkat Lunak Penyelenggara Dialog
Fleksibilitas dan kekuatan krateristik SPK timbul dari kemampuan interaksi antara sistem dan pemakai yang dinemakan subsistem dialog, bennet mendefenisikan pemakai, terminal, dan sistem perangkat lunak sebagai komponen-komponen dari siste dialog sehingga subsistem dialog terbagi menjadi bagian sebagai berikut:
2. Bahasa tampilan dan presentasi, meliputi apa yang harus diketahui oleh pemakai. Bahasa tampilan meliputi pilihan-pilihan seperti printer, tampilan layar, grafik, warna, plotter, keluaran suara dan sebagainya.
3. Basis pengetahuan, meliputi hal yang harus diketahui pemakai agar pemakai sistem bisa efektif. Basis pengetahuan bisa berada dalam pikiran pemakai, pada kartu referensi atau petunjuk, dalam buku manual, dan sebagainya
Kombinasi dari aturan-aturan di atas terdiri dari apa yang disebut gaya dialog seperti pendekatan tanya jawab, bahasa perintah, menu-menu, dan mengisi tempat kosong.
Kemampuan yang harus dimiliki oleh SPK untuk mendukung dialog pemakai atau sistem meliputi hal-hal sebagai berikut:
1. Kemampuan untuk menangani berbagai variasi dialog, bahkan mungkin untuk mengkombinasi berbagai gaya dialog sesuai dengan pilihan pemakai.
2. Kemampuan untuk mengkombinasikan tindakan pemakai dengan berbagai peralatan masukan.
3. Kemampuan untuk menampilkan data dengan berbagai variasi format dan peralatan keluaran.
4. Kemampuan untuk memeberikan dukungan yang fleksibel untuk mengetahui basis pengetahuan pemakai.
2.2 Logika Fuzzy
Konsep logika fuzzy pertama sekali diperkenalkan oleh profesor Lotfi A. Zadeh dari Universitas California pada bulan juni 1965. Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan antara 0 dan 1. Dalam logika fuzzy, nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar sampai dengan
Alasan mengapa mennggunakan logika fuzzy antara lain:
1. Konsep penalaran logika fuzzy mudah dimengerti, konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi nonlinear yang sangat kompleks. 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman
para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasrakan pada bahasa alami.
2.2.1 Himpunan Fuzzy
Pada himpunan fuzzy (crisp), nilai keanggotaan suatu objek x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan yaitu sebagai berikut:
1. Satu (1) yang berarti bahwa suatu objek menjadi anggota dalam suatu himpunan atau.
2. Nol (0), yang berarti bahwa suatu objek tidak menjadi anggota dalam suatu himpunan (Kusumadewi et al, 2004). Misalkan variabel umur dibagi 3 kategori sebagai berikut:
MUDA : umur < 35 tahun PAROBAYA : 35 ≤ umur ≤ 55 tahun TUA : umur > 55 tahun
Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA ( µMUDA
[34thn] = 1). Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan
Adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat berdasarkan nilai keanggotaannya. Himpunan fuzzy memiliki 2 atribut yakni sebagai berikut:
a. Linguistik adalah penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. Suatu variabel linguistik adalah sebuah variabel yang memiliki nilai berupa kata-kata dalam bahasa alamiah. Setiap variabel linguistik berkaitan dengan sebuah fungsi keanggotaan (Kusumadewi, 2004). Seperti: MUDA, PAROBAYA, TUA. b. Numeris adalah suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti: 35, 55, dsb.
Dalam membangun sistem fuzzy, ada hal-hal yang terdapat dalam sistem fuzzy tersebut yaitu sebagai berikut:
1. Varioable fuzzy merupakan variable yang dibahas dalam suatu sistem fuzzy seperti umur, temperatur, permintaan dan sebagainya.
2. Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy. Contoh: variable umur, terbagi atas 3 himpunan fuzzy, yaitu MUDA, PAROBAYA, TUA.
3. Semesta pembicaraan adalah kesluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semestya pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta tidak dibatasi batas atasnya. Contoh: semesta pembicaraan untuk variable umur: [0 40]
2.2.2 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah kurva yang mendefinisikan bagaimana masing-masing titik dalam ruang input dipetakan ke dalam nilai keanggotaan (derajat keanggotaan) antara 0 dan 1. Fungsi keanggotaan µ memetakan
elemen x dari himpunan semesta X, ke sebuah bilangan µ[x], yang menentukan
derajat keanggotaan dari elemen dalam himpunan fuzzy A.
A = {(x, µ[x] ) | x∈ X}
Kisaran nilai fungsi keanggotaan yang paling umum digunakan adalah interval [0,1]. Dalam hal ini, masing-masing fungsi keanggotaan memetakan elemen-elemen dari himpunan semesta X yang diberikan, yang selalu merupakan suatu himpunan tegas ke dalam bilangan nyata dalam interval [0,1] (Arhami, 2005). Ada beberapa fungsi yang digunakan yaitu sebagai berikut:
1. Representasi Kurva Trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 (Kusumadewi, 2004).
Fungsi keanggotaan:
[ ] =
⎩ ⎪ ⎨ ⎪
⎧0 ; ; ≤ ≤ ≤≥
1 ; ≤ ≤
; ≤ ≤
(2.1)
y 1
derajat
keanggotaan
µ[x]
0 x
a b c d
domain
1. Representasi Kurva Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar (Kusumadewi, 2004).
y
1
derajat
keanggotaan
µ[x]
0 x
Gambar 2.2 Representasi kurva bahu
2.2.3 Operasi Himpunan Fuzzy
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan yang dikenal dengan nama fire strength atau − predikat.
Ada tiga operasi dasar dalam himpunan fuzzy, yaitu complement, irisan (intersection) dan gabungan (union) (Arhami, 2005).
Tabel 2.1 Operasi- Operasi Dasar Dalam Himpunan Fuzzy
Operasi Fungsi Keanggotaan Complement µA’[x]= 1- µA[x]
2.2.4 Himpunan Inferensi Fuzzy
Sistem inferensi fuzzy merupakan kerangka komputasi berdasarkan teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy (Kusumadewi, 2004).
2.2.5 Metode Sugeno
Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Michio Sugeno mengusulkan penggunaan singleton sebagai fungsi keanggotaan dari konsekuen. Singleton adalah sebuah himpunan fuzzy dengan fungsi keanggotaan yang pada titik tertentu mempunyai sebuah nilai dan 0 di luar titik tersebut. Ada 2 model fuzzy metode Sugeno yaitu sebagai berikut:
a. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy Sugeno Orde Nol adalah:
IF (x1 is A1) o (x2 is A2) o (x3 is A3) o… o (xN is AN) THEN z=k (2.2)
dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan k adalah suatu konstanta sebagai konsekuen.
b. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah:
IF (x1 is A1) o… o (xN is AN) THEN z = p1*x1+… + pN*xN+q (2.3)
Berdasarkan model fuzzy tersebut, ada tahapan-tahapan dalam metode Sugeno yaitu sebagai berikut:
a. Pembentukan himpunan Fuzzy
Pada tahapan ini variabel input dari sistem fuzzy ditransfer ke dalam himpunan fuzzy untuk dapat digunakan dalam perhitungan nilai kebenaran dari premis pada setiap aturan dalam basis pengetahuan. Dengan demikian tahap ini mengambil nilai-nilai tegas dan menentukan derajat di mana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai.
b. Aplikasi fungsi implikasi
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah sebagai berikut:
IF x is A THEN y is B (2.4)
dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut sebagai antesenden sedangkan proposisi yang mengikuti THEN disebut konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy seperti,
IF(x1 is A1) o (x2 is A2) o (x3 is A3) o…o (xN is AN) THEN y is B (2.5)
dengan o adalah operator (misal: OR atau AND).
Secara umum fungsi implikasi yang dapat digunakan yaitu sebagai berikut: Min (minimum)
Fungsi ini akan memotong output himpunan fuzzy. Dot (product)
Fungsi ini akan menskala output himpunan fuzzy.
c. Defuzzifikasi ( Defuzzification )
Input dari proses defuzzifikasi adalah himpunan fuzzy yang dihasilkan dari proses komposisi dan output adalah sebuah nilai. Untuk aturan IF-THEN fuzzy dalam persamaan RU(k) = IF x1 is A1k and… and xn is Ank THEN y is Bk, dimana A1k dan Bk berturut-turut adalah himpunan fuzzy dalam Ui R (U dan V adalah domain fisik), i = 1, 2, … , n dan x = (x1, x2, … , xn) U dan y V berturut-turut adalah variabel input dan output (linguistik) dari sistem fuzzy (Li, 2006).
Defuzzifier pada persamaan di atas didefenisikan sebagai suatu pemetaan dari himpunan fuzzy Bk dalam V R (yang merupakan output dari inferensi fuzzy) ke titik tegas y* V (Arhami, 2005).
Pada metode Sugeno defuzzification dilakukan dengan perhitungan Weight Average (WA):
α1z1 + α2z2 + α3 z3 +… + αnzn
WA = (2.6) α1 + α2 + α3 +… + αn
dengan αn : nilai predikat aturan ke-n
zn : indeks nilai output (konstanta) ke-n
tinggi badan, suhu tubuh, tujuan diet, aktivitas dan intensitas penyakit; serta 1 variabel crisp, yaitu jenis kelamin. Aturan fuzzy berbentuk IF anteseden THEN konsekuen, menggunakan konsekuen berupa persamaan linear dari variabel-variabel inputnya (Kusumadewi, 2008).
2.3 Tuberkulosis (TB Paru)
Tuberkulosis adalah suatu penyakit infeksi kronik yang sudah sangat lama dikenal pada manusia, misalnya dia dihubungkan dengan tempat tinggal didaerah urban, lingkungan padat, dibuktikan dengan adanya penemuan kerusakan tulang vertebrata torak yang khas TB Paru dari kerangka yang digali di Heidelberg dari kuburan zaman neoletikum, begitu juga penemuan yang berasal dari mumi dan ukuran dinding piramid di Mesir Kuno pada tahun 2000-4000 SM. Hipokrates telah memperkenalkan teminologi phthisis yang diangkat dari bahasa Yunani yang menggambarkan tampilan TB Paru ini.
Literatur arab: Al Razi (850-953M) dan Ibnu Sina (980-1037M) menyatakan adanya kavitas pada paru-paru dan hubungannya dengan lesi di kulit. Pencegahannya dengan memakan makanan bergizi, menghirup udara yang bersih dan kemungkinan (prognosis) dapat sembuh dari penyakit ini. Disebutkan juga TB Paru sering didapat pada usia muda (18-30thn) dengan tanda-tanda badan kurus dan dada yang kecil.
Setelah itu pada tahun 1882 Robert Koch menemukan kuman penyebabnya TB Paru ini, yakni semacam bakteri berbentuk batang dan dari sinilah diagnosis secara mikrobakterium dimulai dan penatalaksanaannya lebih terarah. Apalagi pada tahun 1896 Rontgen menemukan sinar X sebagai alat bantu menegakkan diagnosis yang lebih tepat.
Pada tahun 1892 Robert Koch mengidentifikasikan basil tahan asam M.tuberkulosis untuk pertama kali sebagai bakteri penyebab TB Paru ini. Beliau mendemonstrasikan bahwa basil ini bisa dipindahkan kepada binatang yang rentan, yang akan memenuhi kriteria postulat Koch yang merupakan prinsip utama dari patogenis mikrobial. Selanjutnya beliau menggambarkan suatu percobaan yang memakai guinea pig, untuk memastikan observasinya yang pertama yang menggambarkan bahwa imunitas didapat mengikuti infeksi primer sebagai suatu fenomena Koch. Konsep ini pada imunitas yang didapat (acquired immunity) diperlihatkan dengan pengembangan vaksin TB Paru, satu vaksin yang sangat sukses, yaitu vaksin Bacillus Calmatte Guerin oleh Albert Calmatte Guerin di Institute Pasteur Perancis dan diberikan pertama kali pada manusi tahun 1921.
2.3.1. Epidemiologi Tuberkulosis di Indonesia
Tabel 2.2 Survei Prevalensi TB Paru
Prevalensi TB Paru diantara Tahun 1979-1982 di 15 Provinsi di Indonesia
Tahun
survei
Provinsi Jumlah penduduk
Thn 1982 (juta)
Prevalensi positif hapusan
BTA Sputum (%)
1979 Jawa Tengah 26,2 0,13
1980 Bali 2,7 0,08
1980 DKI Jaya 7,0 0,16
1980 DI Yogyakarta 2,8 0,31
1980 Jawa Timur 30,0 0,34
1980 Sumtera Utara 8,8 0,53
1980 Sulawesi Selatan 6,2 0,45
1980 Sulawesi Selatan 4,9 0,42
1980 Jawa Barat 28,9 0,31
1980 Kalimantan Barat 2,6 0,14
1980 Sumatera Barat 3,5 0,38
1981 Aceh 2,7 0,15
1981 Kalimantan Timur 1,3 1,52
1981 Sulawesi Utara 2,2 0,30
1982 Nusa Tenggara Timur 2,8 0,74
Modifikasi dari Adiatama: Rata-rata prevalensi TB pada 15 provinsi: 0,29 %, prevalensi tertinggi ada di NTT 0,47 % yang terendah di Bali 0,08 %. Pada tahun 1990 prevalensi dijakarta 0,16 %.
2.3.2 Langkah-Langkah Penegakan Diagnosis
Untuk menegakkan diagnosis, pasien terlebih dahulu melakukan beberapa pemeriksaan, diantaranya adalah sebagai berikut:
1. Pemeriksaan Klinis
diperiksa lebih lanjut guna mendeteksi adanya Tuberkulosis Paru (WHO) pada pasien tersebut.
2. Pemeriksaan radiologis
Pemeriksaan radiologi dapat memperkuat dugaan adanya penyakit tuberkulosis paru lebih dini. Gambaran kelainan padiologi paru karena proses tuberkulosis sudah tampak lebih dahulu kira- kira 2-3 tahun sebelum ada gejala klinik. Pada awal penyakit saat lesi masih merupakan sarang-sarang pneumonia, gambaran radiologis berupa bercak-bercak seperti awan dan dengan batas-batas yang tidak tegas. Bila lesi sudah diliputi jaringan ikat maka bayangan terlihat berupa bulatan dengan batas yang tegas. Lesi ini dikenal sebagai tuberculoma.
Pada kavitas bayangannya berupa cincin yang mula-mula berdinding tipis. Lama-lama dinding akan menebal. Bila terjadi fibrosis bayangan yang bergaris-garis, akan timbul bayangan dengan bercak-bercak padat dengan densitas tinggi.
Menurut American Thoratic Society dan National Tuberculosis Association luasnya proses yang tampak pada foto torax dapat dibagi sebagai berikut:
1. Lesi minimal (minimal lession)
Bila proses tuberkulosis paru mengenai sebagian kecil dari satu atau dua paru dengan luas tidk lebih dengan volume paru yang terletak diatas condrosternal junction dari iga kedua dan prosesus spinosus dari vertebrata torakalis IV atau korpus vertebrata V dan tidak dijumpai kavitas
2. Lesi sedang (moderatly anvanced lession)
paru dan proses ini dapot/tidak disertai kavitas. Bila disertai kavitas maka luas (diameter) semua kavitas tidak boleh lebih 4cm.
3. Lesi Luas (far advanced)
Kelainan lebih luas dari lesi sedang.
Berikut ini adalah skema klasifikasi American Tuberculosis Assosciation:
[image:37.612.164.490.236.373.2]Gambar 2.3 TBK Tingkat Minimal
Gambar 2.4 TBK Tingkat sedang
[image:37.612.154.490.419.535.2]3. Pemeriksaan laboratorium
Pemeriksaan laboratorium yang dilakukan adalah sebagi berikut:
1. Laju Endapan Darah (LED)
Laju Endapan Darah sering meningkat pada proses aktif, tetapi laju endapan darah normal tidak akan mengesampingkan proses tuberkulosis aktif.
2. Leukosit dan limfosit
Leukosit pada penderita TB Paru sering meningkat dan limfosit menurun
3. Test Sputum (dahak)
Dahak merupakan material yang paling penting dan harus diperiksa karena hasil pemeriksaan mikroskopis dahak dapat membantu menegakkan diagnosis, terutama pada dahak yang patomogenesis. Pemeriksaan mikroskopis dahak dapat membantu menemukan etiologi. Khusus pada tuberkulosis paru, dahak yang mengandung basil tahan asam merupakan satu-satunya penegakan diagnosis yang dipakai dalam program pemberantasan penyakit tuberkulosis paru.
Dahak awalnya bersifat mukoid dan keluar dalm jumlah sedikit, kemudian berubah rulen/kuning hijau sampai purulen dan kemudian berubah menjadi kental bila sudah terjadi pengejuan dan perlunakan. Jarang berbau busuk, kecuali bila ada infeksi anaerob. Pemeriksaan mikroskopis ini dapat melihat adanya basil tahan asam, dimana dibutuhkan paling sedikit 500 batang kuman per ml sputum untuk mendapatkan kepositifan. Pewarnaan yang umum dipakai adalah pewarnaan Zielh Nielsen dan pewarnaan Kinyoun Gabbett. Interpretasi pemeriksaan mikroskopis dibaca denga skala UIATLD (Interpretasi Against Tuberculosis and Lung Disease).
2.4 Penelitian Sebelumnya
[image:39.612.126.522.234.716.2]Beberapa penelitian untuk pendukung keputusan menggunakan teknik fuzzy dilakukan oleh Suwandi (2011), Solikin (2011), Iswari (2005), Simorangkir (2011), Sari (2010), Rahman (2011), Harmoko (2012), Mariyansari (2011). Secara ringkas dapat dilihat dalam Tabel 2.3 di bawah ini:
Tabel 2.3 Penelitian Pendukung Keputusan Menggunakan Teknik Fuzzy No. Judul /Tahun Peneliti Kelebihan/Kekurangan
1. Aplikasi sistem Inferensi
Fuzzy Metode Sugeno dalam
Memeperkirakan Produksi
Air Mineral dalam Kemasan.
2011
Suwandi, Mohammad
Isa Irawan, Imam
Mukhlash
Kelebihan: sistem yang dibuat
dapat memperkirakan jumlah
produksi dan membuat simulasi
model FIS metode Sugeno
menggunakan matlab.
Kekurangan: parameter yang
digunakan masih sedikit dan
disarankan untuk mengkaji lebih
dalam parameter-parameter yang
berpengaruh terhadap jumlah
permintaan.
2. Aplikasi Logika Fuzzy
dalam Optimasi Produksi
Barang Menggunakan
Metode Mamdani dan
Metode Sugeno. 2011
Fajar Solikin,
Caturiyati, Hartono
Kelebihan: -
Kekerangan: variable yang
digunakan hanya 2 yaitu
permintaan barang dan persediaan
barang.
3. Alat Bantu Sistem Inferensi
Fuzzy Metode Sugeno Orde
Satu. 2005
Lizda Iswari dan
Fathul Wahid
Kelebihan: pengujian sistem
dilakukan terhadap 2 buah sistem
operasi, yaitu: red Hat 9.0 dan
windows 98. Hasil pengujian
menunjukkan sistem dapat
menjalankan semua fungsi program
dengan baik. sehingga dapat
disimpulkan bahwa sistem inferensi
fuzzy metode Sugeno merupakan
No. Judul /Tahun Peneliti Kelebihan/Kekurangan Kekurangan: kamampuan sistem
hanya dapat menerima satu kata
(string) penamaan variable 1.
Pemakaian array statis, sistem
hanya menyediakan 100 fuzzy set,
yaitu hanya mampu membangun
sistem dengan jumlah data variable
input, fungsi output dan aturan
maksimal 100 buah. Antarmuka
sistem hanya berbasiskan mode
teks, sehingga kurang user
friendlydibanding sistem berbasis
GUI. Pengelolaan data masukan
hanya ditujukan kepada data
bilangan (baik integer atau
float/red), sistem tidak memproses
data masukan string/character.
4. Implementasi Sistem
Pendukung Keputusan
Investasi Perumahan dengan
Metode Sugeno (orde nol).
2011
Sabrina Pratiwi
Simorangkir
Kelebihan:-
Kekurangan: variable yang
digunakan masih sedikit dan
sisarankan menambah variable lain
seperti kondisi lingkungan dan
sarana transportasi.
5. Prediksi Cuaca Berbasis
Logika Fuzzy untuk
Rekomendasi Penerbangan
di Bandar Udara Haji
Fisabilillah. 2008
Nur Endah Sari, Dr.
Edi Sukirman, S.Si.,
MM.
Kelebihan:-
Kekurangan: variable yang
digunakan masih terlalu sedikit,
perlu ditambahkan variable yang
lain yang mempengaruhi jarak
pandang dan angin buritan seperti
keadaan cuaca berupa kabut,
halimun, udara kabur, dan arah
angin untuk mendapatkan nilai
keakuratan yang lebih baik untuk
rekomendasi kelayakan
penerbangan.
No. Judul /Tahun Peneliti Kelebihan/Kekurangan Tsukamoto (Logika Fuzzy)
dalam Sistem Pendukung
Keputusan untuk
Menentukan Jumlah
Produksi Barang
Berdasarkan Data
Persediaan dan Jumlah
Permintaan. 2011
Rahman
7. Prototipe Model Prediksi
Peluang Kejadian Hujan
Menggunakan Metode Fuzzy
Lojic Tipe Mamdani dan
Sugeno. 2012
Iis Widya Harmoko,
Najori AZ
Kelebihan: teknik pemodelan
prediksi cuaca yang digunakan
adalah FIS (fuzzy Inference system).
Model FIS menghasilkan
persentase kesalahan yang lebih
rendah dibandingkan dengan
regresi. Dari salah satu
perbandingan tersebut dapat
disimpulkan bahwa metode fuzzy
dapat memebrikan hasil yang sama
seperti pada model yang digunakan
sebelumnya yaiotu regresi. Namun
metode ini memeiliki keuntungan
dalam analisis untuk memahami
dan berinteraksi dengan model yang
menggunakan aturan fuzzy
Kekurangan: -
8. Estimasi Penjualan Suku
Cadang Mobil
Menggunakan Fuzzy Sugeno
Nurina Mariyansari,
Arna Friza, Dwi
Kurnia Basuki
Kelebihan: sistem yang dibuat
dapat membantu perusahaan dalam
membuat keputusan untuk
menentukan jumlah barang yang
harus dibeli (meramalkan) setiap
bulan agar persediaan barang
digudang tetap stabil
Kekurangan: variable yang
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini secara garis besar membahas analisis metode Sugeno pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.
3.1 Identifikasi Masalah
3.2 Data yang Digunakan
Data yang digunakan dalam penelitian ini adalah data hasil pemeriksaan pasien penyakit TB Paru yang diambil dari salah satu Rumah Sakit daerah Tapanuli Selatan. Jumlah data yang diambil mulai dari tahun 2008-2012. Data dikelompokkan per variable agar diagnosis dapat dilakukan dengan lebih mudah.
3.3 Metode Sugeno dalam Perancangan Sistem Penentuan Stadium Penyakit TB Paru
Penentuan Stadium Penyakit TB Paru ini menggunakan metode sugeno, dapat dilihat pada pada Gambar 3.1 sebagai berikut:
[image:44.612.264.387.349.692.2]Tahapan-tahapan pada Gambar 3.1 Algoritma Metode Sugeno dapat dijelaskan sebagai berikut:
1. Input data hasil pemeriksaan kedalam database SQL Server 2008. Data pemeriksaan yang digunakan merupakan variable himpunan fuzzy. Variable yang digunakan adalah Batuk (BT), Laju Endapan Darah (LED), Leukosist (LK), Limfosit (LF), Sputum (SP), Foto Torax (FT)
2. Menentukan himpunan derajat keanggotaan himpunan fuzzy. Dalam sistem, setiap variable himpunan fuzzy ditentukan derajat keanggotaannya (µ) untuk setiap atrribut linguistiknya, dimana derajat keanggotaan tersebut menjadi nilai dalam himpunan fuzzy.
Pengklasifikasian attribut lingusitik variable yang dibuat, berdasarkan konsultasi dengan pakar. Contohnya pada variable Batuk (BT), nilai normal yang dimiliki adalah 7-21 hari.
Dengan demikian variable ini bisa dibagi menjadi 4 kelompok atau atrribut linguistik yaitu Sebentar, Sedang, Lama, dan Sangat Lama. Himpunan fuzzy rendah akan memiliki domain [6, 10] dengan derajat keanggotaan rendah tertinggi (=1) terletak pada nilai ke 6. Apabila batuk semakin kurang dari 6 hari maka kondisi semakin mendekati sangat sebentar, dan keluar dari semesta pembicaraan data penelitian. Namun apabila batuk semakin melebihi 6 hari, maka kondisi batuk akan semakin mendekati sedang. Himpunan fuzzy rendah direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat keanggotaan semakin tinggi apabila batuk semakin mendekati 6 hari. Fungsi keanggotaan rendah seperti terlihat pada persamaan berikut ini:
µ
sebentar [ ] =1 ≤6 ; 6≤ ≤10
0; ≥10
Himpunan fuzzy sedang akan memiliki domain [6,18], dengan derajat keanggotaan sedang tertinggi (=1), terletak pada nilai 13. Apabila batuk semakin kurang dari 14 dan mendekati 6 maka kondisi batu semakin sebentar, sehingga derajat keanggotaannya pada himpunan sedang akan semakin berkurang sedangkan derajat keanggotaannya pada himpunan sebentar akan semakin bertambah. Namun apabila batuk semakin mendekati tinggi. himpunan fuzzy sedang direpresentasikan dengan fungsi keanggotaan fuzzy segitiga dengan derajat keanggotaan semakin tinggi apabila batuk semakin mendekati 14. Fungsi keanggotaan untuk himpunan sedang seperti terlihat pada persamaan berikut ini:
µ
sedang [ ] =⎩ ⎪ ⎨ ⎪
⎧ 0 ; ≤6 ; 6 ≤ ≤10
1; 10≤ ≤14
; 14 ≤ ≤18
0 ≥18
(3.2)
Himpunan fuzzy lama akan memiliki domain [13,26], dengan derajat keanggotaan lama tertinggi (=1) terletak pada nilai 22, apabila batuk semakin kurang dari 22 dan mendekati 15, maka kondisi batuk sudah menjadi sedang, sehingga derajat keanggotaannya pada himpunan lama akan semakin berkurang sedangkan derajat keanggotaan nya pada himpunan sedang akan bertambah. Namun apabila batuk makin melebihi 22 maka kondisi sudah semakin mendekati lama. Himpunan fuzzy lama direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat keanggotaan semakin lama apabila mendekati 26 hari. Fungsi keanggotaan untuk himpunan lama seperti terlihat pada persamaan dibawah ini.
µ
lama [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤14 ; 14 ≤ ≤18
1; 18 ≤ ≤22
; 22 ≤ ≤26
0; ≥26
Himpunan fuzzy sangat lama akan memiliki domain [22,26], dengan derajat keanggotaan sangat lama tertinggi (=1) terletak pada nilai 25. Apabila batuk semakin berkurang dari 26 hari dan mendekati 22 hari, maka kondisi batuk menjadi lama, sehingga derajat keanggotaannya pada himpunan sangat lama akan semakin berkurang sedangkan derajat keanggotaannya pada himpunan lama akan semakin bertambah. Namun apabila batuk makin melebihi 26 hari, maka kondisi batuk sudah semakin melebihi sangat lama dan keluar dari pembicaraan data penelitian. Himpunan fuzzy sangat lama direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat keanggotaan semakin lama apabila batuk semakin mendekati 26 hari. Fungsi keanggotaan himpunan sangat lama seerti terlihat pada persamaan berikut ini:
µ
sangat lama [ ] =0 ; ≤22
; 22≤ ≤26
1; ≥26
(3.4)
3. Menentukan predikat aturan . Variable-variabel yang telah dimasukkan kedalam himpunan fuzzy, dibentuk menjadi aturan-aturan yang diperoleh dengan mengkombinasikan setiap variable dengan variable yang lain dengan attribut linguistik masing-masing. Aturan- aturan yang telah diperoleh akan dihitung nilai predikatnya dengan proses implikasi. Proses implikasi yang digunakan dalam metode Sugeno adalah operasi Min, dimana nilai minimum dari derajat keanggotaan veriabel yang satu dengan yang lainnya yang telah dikombinsaikan yang akan diambil.
4. Defuzzifikasi. Nilai defuzzifikasi dapat ditentukan dengan menghitung semua aturan yang telah dilakukan. Defuzzifikasi diperoleh dengan perhitungan Weight Avarage
α1z1 + α2z2 + α3 z3 +… + αnzn
5. Hasil Analisis
Hasil analisis adalah berupa keputusan yang diperoleh dengan mencari nilai kedekatan antara hasil defuzzifikasi dengan index output. Hasil analisis ini yang akan jadi penentu stadium penyakit TB Paru pada pasien.
3.4 Perancangan Inferensi Fuzzy
[image:48.612.188.459.414.634.2]Inferensi fuzzy adalah proses pemetaan masukan yang diberikan ke bagian keluaran. Dalam perancangan inferensi fuzzy langkah pertama adalah pembentukan himpunan fuzzy. Himpunan fuzzy merupakan suatu group yang mewakili suatu kondisi tertentu dalam suatu variable fuzzy. Variable fuzzy itu sendiri adalah variable yang hendak dibahas dalam sistem. Dalam Penentuan Stadium Penyakit Tuberkulosis ini, variable yang digunakan adalah variable yang didapat dari pemeriksaan pasien sebagai input. Adapun nilai-nilai perancangan yang ada pada sistem ini dapat dilihat pada Tabel 3.1 yakni sebagai berikut :
Tabel 3.1 Batasan Nilai Normal Variabel No Variabel Fuzzy Nilai Normal
1. Batuk 7-21 hari
2. Laju Endapan Darah -laki-laki
-wanita
0-10 mm/jam 0-20 mm/jam
3. Sputum 1-100 lapangan pandang
4. Leukosit 4000-10.000 sel/mm
5. Limfosit 1000-15.000 sel/mm
6 Foto Torax 150-300
Perancangan variable fuzzy dalam himpunan fuzzy, dalam Sistem Pendukung Keputusan untuk Penentuan Stadium Penyakit Tuberkulosis adalah sebagi berikut:
a. Batuk (BT)
Variable BT dibagi menjadi 4 kelompok atau atribut linguistik yaitu sebentar, sedang, lama dan sangat lama. Dari pembagian itu dapat ditentukan fungsi keanggotaan dari himpunan fuzzy sebentar, sedang, lama dan sangat lama untuk variabel BT secara terpisah:
µ
sebentar [ ] =1 ; ≤6 ; 6≤ ≤10
0; ≥10
( 3.6)
µ
sedang [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤6 ; 6 ≤ ≤10
1; 10 ≤ ≤14
; 14≤ ≤18
0; ≥18
( 3.7)
µ
lama [ ] = ⎩ ⎪ ⎨ ⎪⎧0 ; ≤14 ; 14 ≤ ≤18
1; 18≤ ≤22
; 22≤ ≤26 0; ≥26
( 3.8)
µ
sangat lama [ ] =0 ; ≤22
; 22≤ ≤26
1; ≥26
( 3.9)
Gambar 3.2 Fungsi Keanggotaan Himpunan Fuzzy pada Variable Batuk
b. Laju Endapan Darah (LED)
Variable Laju Endapan Darah dbagi menjadi dua bagian yaitu Laju Endapan Darah pada laki-laki dan Laju Endapan darah pada Wanita. Pada laki-laki dibagi menjadi 4 kelompok atau attribut linguistik, yaitu rendah, sedang, tinggi dan sangat tinggi. Dari pembagian itu dapat ditentukan fungsi keanggotaan dari himpunan fuzzy rendah, sedang, tinggi dan sangat tinggi untuk variable LED secara terpisah sebagai berikut:
µ
rendah [ ] =1 ; ≤2
; 2 ≤ ≤4
0; ≥4
( 3.10)
µ
sedang [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ; 2 ≤ ≤≤24
1; 4≤ ≤6
; 6 ≤ ≤8
0; ≥8
( 3.11)
µ
tinggi [ ] = ⎩ ⎪ ⎨ ⎪⎧0 ; ; 6≤ ≤≤68
1; 8≤ ≤10
; 10≤ ≤12
0; ≥12
µ
sangat tinggi[ ]
=0 ; ≤10 −10
2 ; 10 ≤ ≤ 12
1; ≥12
( 3.13)
adapun fungsi keanggotaan variable Laju Endapan Darah laki-laki dapat dilihat pada Gambar 3.3 sebagai berikut:
Gambar 3.3 Fungsi Keanggotaan Himpunan Fuzzy pada Variable LED Laki-laki
Laju Endapan Darah pada wanita dibagi menjadi 4 kelompok atau attribut linguistik yaitu rendah, sedang, tinggi dan sangat tinggi. Dari pembagian itu dapat ditentukan fungsi keanggotaan dari himpunan fuzzy rendah, sedang, tinggi dan sangat tinggi untuk variable LED secara terpisah sebagai berikut:
µ
r endah [ ] =1 ; ≤4
; 4≤ ≤8
0; ≥8
( 3.14)
µ
sedang [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤4 ; 4≤ ≤8
1; 8≤ ≤12
; 12≤ ≤16
0; ≥16
µ
tinggi [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤12 ; 12≤ ≤16
1; 16≤ ≤20
; 20 ≤ ≤24
0; ≥24
( 3.16)
µ
sangat tinggi [ ] =0 ; ≤20
; 24≤ ≤24
1; ≥24
( 3.17)
Adapun fungsi keanggotaan variable Laju Endapan Darah Perempuan dapat dilihat pada Gambar 3.4 sebagai berikut:
Gambar 3.4 Fungsi Keanggotaan Himpunan Fuzzy pada Variable LED Perempuan
c. Sputum (SP)
Variable Sputum diabgai menjadi 4 bagian kelompok atau attribut linguistik yaitu positif 1, positif 1, positif 2 dan positif 3. Dari pembagian itu dapat ditentukan fungsi keanggotaan dari himpunan fuzzy positif 1, positif 1, positif 2 dan positif 3 untuk variable SP secara terpisah sebagai berikut
µ
positif 1 [ ] =1 ; ≤20
; 20 ≤ ≤40
0; ≥40
µ
positi f 1 [ ] =⎩ ⎪ ⎨ ⎪
⎧ 0 ; ≤20 ; 20≤ ≤40
1; 40≤ ≤60
; 60≤ ≤80
0; ≥80
( 3.19)
µ
positif 2 [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤60 ; 60 ≤ ≤80
1; 80 ≤ ≤100
; 100≤ ≤120
0; ≥120
( 3.20)
µ
positi f 3[ ] =0 ; ≤100
; 100≤ ≤120
1; ≥120
( 3.21)
[image:53.612.200.522.75.373.2]Adapun fungsi keanggotaan variable Sputum dapat dilihat pada Gambar 3.5 sebagai berikut:
d. Lekosit (LK)
Variable Leukosit dibagi menjadi 4 kelompok atau attribut linguistik yaitu rendah, sedang, tinggi dan sangat tinggi. dari pembagian itu dapat ditentukan fungsi keanggotaan dari himpunan fuzzy rendah, sedang, dan tinggi dan sangat tinggi untuk variable LS secara terpisah sebagai berikut:
µ
rendah [ ] =1 ; ≤4000
; 4000≤ ≤5000
0; ≥5000
( 3.22)
µ
sedang [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤4000
; 4000≤ ≤5000
1; 5000≤ ≤6000
; 6000≤ ≤7000
0; ≥7000
( 3.23)
µ
ti nggi[ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ; 6000≤ ≤≤60007000
1; 7000≤ ≤8000
; 8000 ≤ ≤9000
0; ≥9000
( 3.24)
µ
sangat tinngi[ ] =0 ; ≤8000
; 8000≤ ≤10000
1; ≥10000
( 3.25)
Gambar 3.6 Fungsi Keanggotaan Himpunan Fuzzy pada Variable Leukosit
e. Limfosit (LF)
Variabel limfosit dibagi menjadi 4 kelompok atau attribut linguistik yaitu rendah, sedang, tinggi dan sangat tinggi. Dari pembagian itu dapat ditentukan fungsi keanggotaan dari himpunan fuzzy rendah, sedang, tinggi, dan sangat tinggi untuk LS secara terpisah sebagai berikut sebagai berikut:
µ
r endah [ ] =1 ; ≤1000
; 1000≤ ≤4000
0; ≥4000
( 3.26)
µ
sedang [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤1000 ; 1000 ≤ ≤4000
1; 4000 ≤ ≤7000
; 7000≤ ≤10000
0; ≥10000
( 3.27)
µ
tinggi[ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤7000 ; 7000≤ ≤10000
1; 10000≤ ≤13000
; 12000 ≤ ≤16000
0; ≥16000
( 3.28)
µ
sangat tinngi[ ] =0 ; ≤13000
; 16000≤ ≤16000
1; ≥16000
Adapun fungsi keanggotaan variable Limfosit dapat dilihat pada Gambar 3.7 sebagai berikut:
Gambar 3.7 Fungsi Keanggotaan Himpunan Fuzzy pada Variable Limfosit
f. Foto Torax (FT)
Variable FT dibagi menjadi 4 kelompok attribut linguistik yaitu rminimal, minimal, sedang, lanjut. Dari pembagian itu dapat ditentukan fungsi ekanggotaan dari himpunan fuzzy minimal, sedang dan lanjut untuk variable FT secara terpisah
µ
mi nimal [ ] =1 ; ≤150
; 150≤ ≤180
0; ≥180
( 3.30)
µ
mi nimal [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤150 ; 150≤ ≤180
1 180≤ ≤210 ; 210≤ ≤240
0; ≥240
( 3.31)
µ
sedang [ ] =⎩ ⎪ ⎨ ⎪
⎧0 ; ≤210 ; 210 ≤ ≤240
1; 240≤ ≤270
; 270 ≤ ≤300
0; ≥300
µ
lanjut [ ] =0 ; ≤270
; 270≤ ≤300
1; ≥300
( 3.33)
Adapun fungsi keanggotaan variable Foto Torax dapat dilihat pada Gambar 3.8 sebagai berikut:
Gambar 3.8 Fungsi Keanggotaan Himpunan Fuzzy pada Variable Foto Torax
3.5 Perancangan Basis Pengetahuan
Tabel 3.2 Aturan-Aturan Penentuan Stadium Tuberkulosis
Kode Predikat IF Aturan THEN Kategori
P1 IF BT lama and LED tinggi THEN Stadium 3
P2 IF BT lama and SP possitif 2 THEN Stadium 3
P3 IF BT lama and LK tinggi THEN Stadium 3
Kode Predikat IF Aturan THEN Kategori
P31 IF FT minimal and LF sangat tinggi THEN Stadium 1 P32 IF LF sangat tinggi and SP positif 1 THEN Stadium 4 P33 IF FT minimal and SP positif 1 THEN Stadium 2 P34 IF FT sedang and SP positif 2 THEN Stadium 2 P35 IF FT lanjut and SP positif 3 THEN Stadium 2 P36 IF FT lanjut and SP positif 1 THEN Stadium 4 P37 IF FT lanjut and SP positif 2 THEN Stadium 3
P38 IF FT minimal SP positif 2 THEN Stadium 1
P39 IF FT minimal and SP positif 3 THEN Stadium 1 P40 IF FT sedang and SP positif 1 THEN Stadium 4 P41 IF FT sedang and SP positif 3 THEN Stadium 1 P42 IF BT sebentar and FT minimal THEN Stadium 1
P43 IF BT sedang dan FT sedang THEN Stadium 2
P44 IF BT lama and FT lanjut THEN Stadium 2
P45 IF BT sangat lama and FT lanjut THEN Stadium 2 P46 IF BT sangat lama and FT sedang THEN Stadium 3 P47 IF LK sangat tinggi and FT lanjut THEN Stadium 2 P48 F LF sangat tinggi and FT lanjut THEN Stadium 2 P49 IF LED sangat tinggi and FT sedang THEN Stadium 3 P50 IF LED rendah and FT lanjut THEN Stadium 1
3.6. Metodologi FuzzySugeno Dalam Penentuan Stadium Penyakit Tuberkulosis
Gambar 3.9 Metodologi FuzzySugeno
3.7 Perancangan sistem
3.7.1 Diagram Aliran Data
Diagram Aliran Data/Data Flow Diagram (DFD) adalah alat yang biasa dipakai untuk mendokumentasikan proses dalam sistem atau sebuah teknis grafis yang menggambarkan aliran informasi dan transformasi yang diaplikasikan pada saat data bergerak dari input menjadi output (Simorangkir,2011). Gambar 3.10 berikut ini akan menggambarkan diagram aliran data dari sistem yang akan dibuat.
Gambar 3.10 Diagram Konteks DFD
Berikut ini adalah penjelasan proses DFD level 0 Sistem Pendukung Keputusan untuk Penentuan Stadium Penyakit Tuberkulosis menggunakan Metode Sugeno sebagai berikut:
a. Proses
Nama Proses : Sistem Pendukung Keputusan untuk Penentuan Stadium Penyakit Tuberkulosis Menggunakan Metode Sugeno.
Keterangan : Proses penegakan diagnosis penyakit Tuberkulosis berdasarkan pemeriksaan terhadap pasien yang diproses dengan menggunakan metode Sugeno.
b. Arus data (user/pasien)
Input : - Data user berupa id user, nama, status user.
-Data pasien berupa id pasien, nama, jenis kelamin, tempat lahir, tanggal lahir, umur, alamat, berat badan, dan tinggi badan.
Pemeriksaan laboratorium: cek sputum, LED, leukosit, dan limfosit.
Pemeriksaan radiologi: foto torax pada pasien.
Output : Hasil data jenis stadium, data gejala dan laporan hasil analisis.
Arus data 2 (admin)
Input : - Data user berup
