A. Latar Belakang
Dalam buku Psikologi Abnormal oleh G.C.Davidson dkk, pada tahun 2000, depresi adalah sinonim dengan perasaan sedih, murung, kesal, tidak bahagia, dan menderita. Orang pada umumnya menggunakan istilah depresi untuk merujuk pada keadaan yang melibatkan kesedihan, rasa kesal, rasa tidak punya harga diri, tidak bertenaga, dan lain-lain.
Menurut data dari WHO (World Health Organization) pada tahun 1993, kurang lebih 18% penduduk dunia pernah mengalami gangguan kesehatan dengan keluhan yang sedemikian hebatnya sehingga menyebabkan tekanan jiwa bagi penderitanya (Lanywati, 2001). Pada tahun 2020 depresi akan jadi beban global sebagai penyakit kedua di dunia setelah penyakit jantung.
Di dalam perkembangan komputer, para ahli komputer mencoba membangun suatu sistem komputer yang dapat membantu proses pengolahan data, sehingga dapat mengurangi resiko kesalahan yang dapat terjadi karena beberapa kekurangan yang dimiliki oleh manusia. Sistem inilah yang dikenal dengan istilah data mining.
Peneliti tertarik untuk merancang suatu aplikasi pengolahan data yang digunakan untuk mengklasifikasikan gejala depresi. Untuk mengolah data gejala depresi, aplikasi dibangun menggunakan metode
K-Nearest Neighbor (KNN). KNN merupakan salah satu metode untuk mengambil keputusan yang menggunakan algoritma pembelajaran terawasi dimana hasil dari data masukan yang baru diklasifikasi berdasarkan jarak terdekat dalam data pelatihan. Aplikasi juga dibangun menggunakan bahasa pemrograman desktop java dan menggunakan basis data Microsoft Excel.
B. Rumusan Masalah
Berdasarkan uraian latar belakang masalah di atas dan melihat bahwa begitu penting kesehatan bagi manusia dapat dirumuskan yaitu, bagaimana membuat aplikasi yang dapat mengklasifikasikan gejala depresi menggunakan metode K-Nearest Neighbor .
C. Ruang Lingkup Masalah
Ruang lingkup dari penelitian dan pembuatan aplikasi ini adalah: 1. Aplikasi yang akan dibuat dibatasi pada analisis dan olah data
yang sudah tersedia sebagai data pelatihan.
2. Basis data yang digunakan dalam aplikasi yang akan dibuat menggunakan pengolah data Microsoft Office Excel 2007.
4. Metode data mining yang digunakan dalam aplikasi ini yaitu metode Klasifikasi K-Nearest Neighbor (KNN).
D. Tujuan Penelitian
Dari perumusan masalah diatas peneliti bertujuan untuk membuat sebuah aplikasi yang dapat mengolah data menjadi sebuah sistem pendukung keputusan yang dapat mengklasifikasikan gejala depresi dan insomnia.
E. Tinjauan Pustaka
Dari penelitian yang dilakukan oleh Andreas Pamungkas dan Hastin Nur Al-Fatah berjudul Clustering terhadap Indeks Prestasi Mahasiswa STMIK Akakom, telah dilakukan pembangunan suatu aplikasi
clustering data menggunakan metode K-Means. Didalam aplikasi tersebut dimasukkan suatu pola dari data yang diamati ke kelas pola yang belum diketahui dengan sifat tanpa arahan (unsupervised). Objek dari penelitian tersebut menggunakan indeks prestasi mahasiswa STMIK Akakaom Yogyakarta.
F. Dasar Teori
1. Data mining
1.1 Pengertian Data mining
Data mining merupakan salah satu cabang ilmu komputer yang masih baru, ada ahli yang menempatkan data mining sebagai bidang ilmu database, kecerdasan buatan dan statistik. Ada pula pihak yang berpendapat data mining tidak lebih dari machine learning atau analaisa statistik yang berjalan di atas database.
Alasan memilih data mining disbanding analisis data secara tradisional adalah :
a. Data mining mampu menangani jumlah data kecil sampai data yang berukuran terabyte,
b. Mampu menangani data dengan kompleksitas yang tinggi, misalnya data stream, data sensor, data spasial, teks data web, dan lain-lain,
c. Mampu menangani data yang mempunyai banyak dimensi, yaitu puluhan sampai ribuan dimensi.
1.2 Klasifikasi Metode K-Nearest Neighbor (KNN)
titik query, akan ditemukan sejumlah K objek atau (titik training) yang paling dekat dengan query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari K objek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru.
KNN memiliki beberapa kelebihan yaitu bahwa dia tangguh terhadap training data yang noisy dan efektif apabila training
data-nya besar. Sedangkan kelemahan dari KNN adalah perlu menentukan nilai dari parameter K (jumlah dari tetangga terdekat). Pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik, dan biaya komputasi yang tinggi karena diperlukan jarak dari tiap query instance pada keseluruhan
training sample.
1.3 Algoritma KNN
Metode KNN ini memiliki algoritma yang tidak sulit. Algoritma metode ini adalah sebagai berikut.
1. Tentukan parameter K (jumlah tetangga terdekat).
2. Hitung jarak antara data yang akan dievaluasi dengan semua data pelatihan.
3. Urutkan jarak yang terbentuk (urut naik) dan tentkan jarak terdekat sampai urutan ke-K.
4. Pasangkan kelas (c) yang berkesuaian.
5. Carilah jumlah kelas dari tetangga yang terdekat tersebut, dan tetapkan kelas tersebut sebagai kelas data yang dievaluasi.
Metode ini juga mempunyai rumus. Rumus Metode K-Nearest Neighbor(KNN) adalah.
Keterangan:
X1 = data contoh X2 = data uji
i = variabel data d = jarak p = dimensi data
2. Gejala Depresi
2.1 Pengertian Depresi
kepribadian (Splitting of personality), perilaku dapat terganggu tetapi dalam batas-batas normal (Hawari Dadang, 2006).
Selain itu depresi dapat juga diartikan sebagai salah satu bentuk gangguan kejiwaan pada alam perasaan (afektif mood), yang ditandai dengan kemurungan, kelesuan, ketidakgairahan hidup, perasaan tidak berguna, putus asa dan lain sebagainya.
Depresi adalah suatu gangguan perasaan hati dengan ciri sedih, merasa sendirian, rendah diri, putus asa, biasanya disertai tanda–tanda retardasi psikomotor atau kadang-kadang agitasi, menarik diri dan terdapat gangguan vegetatif seperti insomnia dan
anoreksia (Kaplan Sadock,2003).
Bermacam-macam gangguan psikiatrik, dapat dialami penderita stroke, hal ini sudah lama diketahui oleh para ahli. Emil Kraeplin mengatakan bahwa penyakit serebrovaskuler bisa menyertai gangguan manik depresif (Bipolar I) atau menyebabkan keadaan depresi (Kaplan Sadock,2003).
2.2 Ukuran Skala Depresi
HDRS atau Hamilton Rating Scale for Depression merupakan salah satu dari berbagai intrumen untuk menilai depresi. Penelitian yang membandingkan HDRS dengan skor depresi lain didapatkan konsistensi. Reliabilitas antara pemeriksa pada umumnya cukup tinggi. Demikian juga halnya reliabilitas oleh satu pemeriksa yang dilakukan pada waktu yang berbeda (Riwanti,2006).
Adapun untuk mengukur tingkat depresi seseorang menggunakan Hamilton Rating Scale for Depression. Cara penilaian masing-masing gejala adalah sebagai berikut (A.Aziz,2007) :
0 : Tidak ada (tidak ada gejala sama sekali) 1 : Ringan (satu gejala dari pilihan yang ada) 2 : Sedang (separuh dari gejala yang ada)
3 : Berat (lebih dari separuh dari gejala yang ada) 4 : Sangat berat (semua gejala ada)
Untuk penilaian skornya yaitu (A.Aziz,2007) : Kurang dari 17 : tidak ada depresi 18 – 24 : depresi ringan 25 – 34 : depresi sedang 35 – 51 : depresi berat
52 – 68 : depresi berat sekali
yang menggambarkan 21 kategori sikap dan gejala depresi, yaitu : sedih, pesimis,merasa gagal, merasa tidak puas, merasa bersalah, merasa dihukum, perasaan benci pada diri sendiri, menyalahkan diri sendiri, kecenderungan bunuh diri, menangis, mudah tersinggung, manarik diri dari hubungan sosial, tidak mampu mengambil keputusan, merasa dirinya tidak menarik secara fisik, tidak mampu melaksanakan aktivitas, gangguan tidur, merasa lelah, kehilangan selera makan, penurunan berat badan, preokupasi somatic dan kehilangan libido seks (Lestari, 2003).
G. Analisa Kebutuhan
Aplikasi yang akan dibangun menggunakan kebutuhan data yang meliputi input, proses, dan output, serta kebutuhan perangkat keras dan peragkat lunak.
1. Kebutuhan data
1.1 Input berupa data–data statistik gejala depresi untuk sumber
basisdata pelatihan dan kuisoner gejala depresi metode BDI dan HDRS untuk masukan perhitungan atau data baru.
1.2 Proses berupa proses perhitungan metode K-NN dari data input pengguna dan database gejala depresi yang ada dalam aplikasi. 1.3 Output meliputi hasil perhitungan berupa keputusan tingkat
depresi pengguna dan data baru inputan pengguna.
2. Kebutuhan Perangkat Keras : 2.1 Netbook dengan spesifikasi :
a. Prosessor Intel Pentium Core DuoTM 1.6 GHZ b. Harddisk berkapasitas 60 GB
c. Monitor LCD 15" d. RAM 1,5 Gb e. Mouse Optical
3. Kebutuhan Perangkat Lunak:
3.1 Sistem Operasi Windows XP SP3
H. Pemodelan yang Digunakan
Pada aplikasi yang akan dibangun menggunakan Unified Modeling Language (UML) yaitu bahasa spesifikasi standar untuk mendokumentasikan, menspesifikasikan dan membangun sistem perangkat lunak. UML menggambarkan himpunan yanng terstruktur dan teknik untuk pemodelan desain program berorientasi objek (OOP) serta aplikasinya.
Pada aplikasi hanya terdiri dari satu macam actor yakni pengguna yang dapat melakukan berbagai macam fungsi yang disediakan oleh aplikasi. Diagram Use Case untuk pengguna ditunjukkan pada gambar 1 dibawah.
Gambar 1. Diagram Use Case
Melihat hasil perhitungan Mengisi kuesioner
<<include>>
Menambah database gejala depresi Melihat database gejala depresi
<<extend>> Pengguna
I. Daftar Pustaka
Anonim, 2012. BDI (The Beck Depression Inventory) Test.
http://xaesar.files.wordpress.com/2011/03/soal-bdi.doc . diakses pada November 2011.
Anton, S., 2007, K-Nearest Neighbor. http://asnugroho.
wordpress.com/2007/01/26/k-nearest-neighbor-classifier/, diakses pada Januari 2012.
Fikri, Rijalul., Ipam, F.A. dan Prakoso, Imam., 2005,
Pemrograman JAVA, Yogyakarta : Penerbit Andi.
Itje Sela, Enny. 2012. Diktat Kuliah : Data Mining. Yogyakarta : STMIK Akakom.
Munawar. 2005 . Pemodelan Visual dengan UML . Yogyakarta : Penerbit Graha Ilmu.
Riyanto, dkk. 2008. Pengembangan Aplikasi Manajemen Database dengan Java 2 (SE/ME/EE). Yogyakarta : Penerbit Gava Media.
Suparyanto. 2012. Konsep Depresi. http://dr-suparyanto.blogspot.com/2012/02/konsep-depresi.html, diakses pada 20 Februari 2012.
Full Document and source code email to [email protected]
