Sistem Untuk Deteksi Penyakit Stroke Menggunakan Metode Analytical Hierarchy Process dan Weighted Product

(1)

Fakultas Ilmu Komputer

Universitas Brawijaya

2182

Sistem Untuk Deteksi Penyakit Stroke Menggunakan Metode

Analytical

Hierarchy Process

dan

Weighted Product

Ibrahim Kusuma1_{, Arief Andy Soebroto}2_{, Dian Eka Ratnawati}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : kusumaibrahim@gmail.com1_{, ariefas@ub.ac.id}2 _{, dian_ilkom@ub.ac.id}3

Abstrak

Penyakit stroke merupakan sebuah penyakit yang disebabkan karena tersumbatnya darah di dalam otak atau pecahnya pembuluh darah dalam otak, sehingga otak kekurangan nutrisi dan oksigen akibatnya otak mengalami kelumpuhan saraf. Stroke merupakan salah satu jenis penyakit yang mematikan cukup tinggi ketiga setelah penyakit jantung dan penyakit kanker di Negara maju. Pada data Sount East Asian

Medical Information Center (SEAMIC) diketahui paling tinggi di negara Indonesia. Hal ini menyebabkan

penyakit ini harus diwaspadai. Dokter terkadang mengalami kesulitan untuk melakukan deteksi penyakit stroke karena adanya permasalahan yang semi tersruktur. Kendala tersebut dapat diatasi dengan sebuah

sistem yaitu Sistem Pendukung Keputusan menggunakan metode Analytical Hierarchy Process dan

Weighted Product. Metode Analytical Hierarchy Process digunakan untuk mencari bobot prioritas dan

metode Weighted Product digunakan untuk pengambilan keputusan dan perangkingan. Hasil dari

pengujian fungsionalitas sistem adalah 100%. Sedangkan untuk pengujian akurasi sistem memiliki tingkat akurasi sebesar 73,8%.

Kata kunci : analytical hierarchy process, sistem pendukung keputusan, stroke, weighted product

Abstract

Stroke is a disease caused by blockage of blood in the brain or rupture of blood vessels in the brain, resulting in brain nerve palsy. Stroke is one type of diseases that kill high enough third after heart disease and cancer in developed countries. The data of East Asian Medical Information Center (SEAMIC) is the highest in Indonesia. This causes the disease to be wary of. Doctors sometimes have difficulty to perform stroke disease detection due to a semi-structured problem. These constraints can be overcome by a system that is Decision Support System using the method of Analytical Hierarchy Process and Weighted Product. Analytical Hierarchy Process method is used to find the priority weight and Weighted Product method used for decision making and ranking. The result of system functionality testing is 100%. As for the system accuracy testing has an accuracy of 73.8%.

Keywords: analytical hierarchy process, decision support system, stroke, weighted product

1. PENDAHULUAN

Penyakit stroke merupakan sebuah penyakit yang disebabkan karena tersumbatnya darah di dalam otak atau pecahnya pembuluh darah dalam otak, sehingga otak kekurangan nutrisi

dan oksigen akibatnya otak mengalami

kelumpuhan saraf. Stroke merupakan salah satu jenis penyakit yang mematikan yang cukup tinggi ketiga setelah penyakit jantung dan

penyakit kanker di Negara maju (Irfan, 2012).

Pada data Sount East Asian Medical Information

Center (SEAMIC) diketahui paling tinggi di

negara Indonesia (Dinata, 2012). Hal ini menyebabkan penyakit ini sangat diwaspadai. Hanya saja belum banyak fasilitas yang mendukung semua kalangan untuk memprediksi

datangnya stroke. Keterbatasan tersebut

(2)

Fakultas Ilmu Komputer, Universitas Brawijaya

faktor pertama adalah faktor resiko yang tidak dapat diubah faktor-faktor tersebut adalah jenis kelamin, usia dan riwayat keluarga. Faktor kedua adalah faktor resiko yang dapat diubah seperti diabetes, hipertensi, merokok dan aktifitas olah raga. Adanya faktor-faktor penyebab stroke dapat dilakukan deteksi sejak dini untuk mencegah terjadinya stroke (Prastiti, 2015).

Dokter terkadang mengalami kesulitan untuk melakukan deteksi penyakit stroke karena adanya permasalahan yang semi tersruktur. Permasalahan semi tersruktur yaitu adanya pola yang perlu proses analisis secara lebih rinci. Kendala tersebut dapat diatasi dengan sebuah sistem yaitu Sistem Pendukung Keputusan

dengan metode Analytical Hierarchy Process

dan Weighted Product. Metode AHP metode

yang cukup baik untuk memecahkan sebuah masalah yang kompleks. AHP dapat mengurangi masalah multikriteria menjadi sebuah bentuk yang lebih terstruktur dan mudah dipahami. Selain itu AHP dapat memecahkan masalah yang bersifat kualitatif dan kuantitatif karena masukan AHP menggunakan pengetahuan yang dibuat oleh manusia oleh karena itu AHP mampu membuat sebuah pendekatan baik. Sedangkan untuk metode WP metode ini dapat

menyelesaikan sebuah masalah Multikriteria

Decision Making (MCDM). Karena itu, penulis

mecoba sebuah penelitian dengan

menggabungkan kedua metode AHP dan WP untuk deteksi stroke. Metode AHP untuk mendapatkan bobot prioritas dari tiap kriteria dan WP untuk menghasilkan diagnosis penyakit stroke dengan

memperhatikan bobot kriteria sehingga

mendapatkan hasil preferensi yang terbaik. Hal ini diperkuat dengan beberapa referensi yang digunakan (Makkasau, 2012).

Pada beberapa referensi SPK dengan metode AHP dan WP mampu mengambil keputusan dengan cukup baik. Penelitian oleh Astrid Affira Saprida pada tahun 2015 yang berjudul Penerapan Metode AHP dan WP untuk

Penerimaan Siswa Baru, menyatakan bahwa

sistem penerimaan siswa baru di SDN Sukabumi 2 Probolinggo memiliki masalah mengenai aspek penilaian, selain itu terdapat perbedaan pendapat antar tiap kriteria dalam proses

pengambilan keputusan penerimaan siswa yang akan diterima. Dari permasalahan tersebut, peneliti menggunakan metode AHP dan WP yang dianggap mampu memenuhi proses penerimaan siswa yang efektif. Pada penelitian tersebut terdapat 147 data calon siswa dengan tujuh kriteria. Hasil pengujian sistem tersebut mendapat hasil akurasi sebesar 96,88% (Saprida, 2015).

Penelitian kedua dilakukan oleh Rizki

Ramadhan mahasiswa Informatika Universitas Brawijaya pada tahun 2016. Penelitian tersebut berjudul Sistem Deteksi Demam Berdarah Menggunakan Metode AHP dan WP. Pada penelitian tersebut menggunakan inputan sebanyak 14 kriteria. Akurasi dalam deteksi demam berdarah menggunakan metode AHP dan WP sebesar 92% (Ramadhan, 2016).

Penelitian ketiga oleh Ary Azhary pada tahun 2017 mahasiswa fakultas ilmu komputer Universitas Brawijaya mengimplementasikan metode AHP dan WP pada penerimaan guru honorer SMAN 2 Kota Batu. Dalam penelitian tersebut menyatakan sistem seleksi penerimaan guru di SMAN 2 Batu masih terbilang belum efisien. Jumlah calon guru honorer yang terbilang banyak mengakibatkan penumpukkan file, keterlambatan pengambilan sebuah keputusan, dan informasi hasil tes sering terlambat diumumkan. Pada penelitian tersebut peneliti menggunakan metode AHP dan WP karena dianggap mampu menghasilkan keputusan yang tepat dan cepat. Penelitian tersebut menggunakan 6 kriteria dan menghasilkan akurasi sistem sebesar 85,33% (Azhary, 2017).

Berdasarkan hasil dari beberapa penelitian SPK menggunakan metode AHP dan WP yang sudah dilakukan sebelumnya, maka penulis

memilih judul “Sistem Untuk Deteksi Resiko

Stroke Dengan Metode Analytical Hierarchy

Process Dan Weighted Product”. Pada metode

AHP dipilih karena digunakan sebagai

pembobotan kriteria dan metode WP digunakan

untuk pengambilan keputusan terbaik

berdasarkan perangkingan. Sistem ini nantinya akan melakukan deteksi stroke dengan kategori tingkat stroke tinggi, sedang dan rendah

(3)

preferensi pengambilan keputusan resiko

penyakit stroke.

2. METODOLOGI

2.1 Studi Literatur

Mempelajari literatur dari beberapa

penelitian yang menggunakan sistem pendukung keputusan menggunakan metode AHP dan WP. Literatur tersebut ditunjukkan dari dokumentasi projek, paper, dan jurnal penelitian sebelumnya.

2.2 Pengumpulan Data

Data yang dibutuhkan untuk penelitian ini adalah data tentang faktor gejala stroke, data tersebut didapatkan dari data penelitian yang dilakukan oleh (Prastiti, 2015) yang diperoleh dari observasi di Puskesmas Kota Malang. Data yang dipakai merupakan data sekunder. Data sekunder merupakan data yang dikumpulkan oleh orang lain yang digunakan untuk tujuan penelitian. Data yang digunakan pada penelitian ini berjumlah 120 data latih berguna untuk

bahan pembelajaran untuk pendeteksian

penyakit stroke dan 35 data uji. Data uji adalah data yang akan diuji coba pada sistem untuk mengetahui tingkat akurasi dari hasil penelitian. Data kriteria yang akan digunakan dalam penelitian ini yaitu:

1. Tekanan darah

2. Diet

3. Fibrilasi atrium

4. Merokok

5. Kolestrol 6. Diabetes

7. Aktifitas fisik olahraga

8. Riwayat keluarga

2.3 Analisis Kebutuhan

Analisis kebutuhan digunakan untuk

menentukan kebutuhan apa saja yang

dibutuhkan. Berikut kebutuhan yang dipakai dalam membangun sistem ini.

1. Kebutuhan Perangkat Keras

 Intel i5-5200QM CPU 2.20 Ghz

 Memori 2 GB 1333 MHz DDR 3

 Harddisk kapasistas 500 GB SATA

 Nvidia Geforce GT 930M (2GB DDR 3)

2. Kebutuhan Software meliputi :

 Microsoft Windows 10 sebagai operating system

 MySQL sebagai server DBMS

 Dreamweaver sebagai software aplikasi

pembuat program.

2.4 Perancangan

Perancangan dibuat untuk panduan

rancangan langkah kerja dari sistem secara

keseluruhan.Model perancangan ini

menerangkan bagaimana cara kerja sistem yang dibuat secara tersruktur mulai dari input sampai

output. Berikut penjelasan dari rancangan

sistem yang dibuat.

1. Input

Input dari sistem yang dibuat ini adalah

data faktor resiko penyakit seperti tekanan darah, fibrilasi atrium, diabetes, dll.

2. Proses

Proses perhitungan menggunakan metode AHP dan WP. Metode AHP digunakan untuk menentukan bobot prioritas dari masing-masing kriteria. Langkah-langkah perhitungan metode AHP:

1) Mendefinisikan hierarcy dari

permasalahan yang dihadapi.

2) Menentukan prioritas elemen dengan

membuat matriks perbandingan

berpasang.

3) Menentukan matriks perbandingan

ternormalisasi.

4) Menentukan bobot prioritas.

5) Menghitung Eigen Value

6) Cek nilai konsistensi CI dan CR

Metode WP digunakan untuk menentukan hasil diagnosis dan perangkingan sistem. Langkah-langkah perhitungan metode WP:

1) Menghitung vektor S.

2) Menentukan batas kriteria stroke dari hasil vektor S antara stroke tinggi, sedang dan rendah.

3) Menghitung vektor V.

4) Merangkingkan hasil vektor V.

3. Output

(4)

Fakultas Ilmu Komputer, Universitas Brawijaya 2.5 Implementasi

Implementasi adalah sebuah tahapan

membangun program yang mengacu pada

perancangan sistem. Tahapan dalam

implementasi ini antara lain:

1. Implementasi interface menggunakan

perangkat lunak Dreamweaver CS6.

2. Implementasi metode AHP dan WP

menggunakan bahasa PHP Myadmin.

3. Implementasi ini akan menghasilkan

diagnosis penyakit stroke antara stroke tinggi, sedang, rendah.

2.6 Pengujian

Tahap pengujian dilakukan untuk

mengetahui apakah sistem yang telah dibuat sudah berjalan dengan baik atau tidak.Tahap dalam pengujian penelitian ini terdapat 2 pengujian yaitu pengujian fungsional dan pengujian akurasi.

1. Pengujian fungsional digunakan untuk

mengecek apakah sistem yang dibuat telah sesuai dengan yang diinginkan.

2. Pengujian akurasi digunakan untuk melihat hasil kerja sistem dengan hasil dari data latih. Pengujian akurasi menggunakan matrix confusion.

2.7 Kesimpulan

Kesimpulan dilakukan apabila semua

tahapan telah selesai. Kesimpulan diambil dari hasil pengujian dan analisis metode yang dipakai sebelumnya.

3. HASIL DAN PEMBAHASAN

Diagram alir tahap proses AHP dan WP ditunjukkan pada Gambar 1.

Gambar 1 Diagram Alir Sistem Deteksi Resiko Stroke Dengan AHP dan WP

Sumber : [Perancangan]

Berikut merupakan perancangan menggunakan metode AHP yang digunakan sebagai penentuan bobot prioritas

.

1. Membangun hierarchy.

Proses membangun sebuah hierarki

dilakukan berdasarkan studi literatur pada

Score Risk Score Card pada NSA (National

Stroke Association) kriteria tersebut antara

lain merokok, diabetes, fibrilasi atrium, diet, kolesterol, riwayat keluarga, aktifitas fisik dan tekanan darah. Berdasarkan 8 kriteria tersebut, setiap kriteria mempunyai

parameter masing-masing. Pembuatan

hirarki ditunjukan pada Gambar 2.

Input data Faktor Stroke

Nilai matriks kriteria perbandingan berpasang

Normaliasasi matriks perbandingan berpasang

Menghitung bobot prioritas

CR<0,1

Menghitung Eigen Value

Cek nilai konsistensi CR

vektor S

Pengambilan keputusan

AHP

WP

Hasil keputusan dan rank Vektor V

Perangkingan alternatif

a

selesai

a

Mulai

(5)

Fakultas Ilmu Komputer, Universitas Brawijaya Gambar 2 Hirarki Diagnosis Stroke Menggunakan

AHP WP Sumber : [Perancangan]

2. Membuat matrix perbandingan berpasang.

Matriks perbandingan bepasang dapat dibuat setelah membuat hierarki dan mendapatkan nilai perbandingan kriteria.

Matriks perbandingan berpasang

ditunjukkan pada Tabel 1.

Tabel 1 Matriks Perbandingan Berpasang

K1 K2 K3 K4 K5 K6 K7 K8 K5 = Fibralasi Atrium

3. Membuat matrix perbandingan berpasang

ternormalisasi.

Matrix perbandingan ternormalisasi dapat di dihitung menggunakan persamaan (1) (Sutikno, 2010).

𝑎 𝑗𝑘

𝑎 𝑙𝑘 (1)

Keterangan

𝑎_𝑗𝑘 = Nilai penjumlahan perkolom

normalisasi matrik perbandingan berpasang

𝑎𝑙𝑘 = Nilai matriks perbandingan

berpasang baris ke –l kolom ke -k

Perhitungan normalisasi matriks

perbandingan berpasang sesuai dengan persamaan (1) adalah sebagai berikut.

𝑘1,1=

Pada perhitungan yang sudah dilakukan maka didapat matrik perbandingan berpasang ternormalisasi untuk baris pertama pada

matriks perbandingan berpasang. Nilai

matriks ternormalisasi untuk seterusnya dapat dilihat pada Tabel 2.

(6)

Keterangan :

K1 = Rokok K6 = Kolesterol

K2 = Olahraga K7 = Diabetes

K3 = Diet K8 = Riwayat

K4 = Tekanan darah K5 = Fibralasi Atrium

4. Menentukan bobot prioritas.

Proses perhitungan nilai bobot prioritas ini dihitung setelah nilai matriks perbandingan

berpasang telah dinormalisasi. Proses

perhitungan untuk menghitung bobot

prioritas menggunakan persamaan (2)

(Sutikno, 2010).

𝑊_𝑗 =𝑎_𝑚𝑗𝑘 (2)

Keterangan

𝑊𝑗 = Nilai bobot untuk kriteria ke –j

𝑚 = Banyaknya kriteria

𝑎𝑗𝑘 =Nilai penjumlahan perbaris matriks

perbandingan ternormalisasi.

Perhitungan bobot prioritas berdasarkan (2) adalah sebagai berikut.

Rokok0,13330+ 13330+ 13640+ 13640+14810+ 12500+12500+1111₈ = 0,1311

Olahraga 0,1333+0,1333+0,1364+0,13640+14810+12500+12500+1111₈ = 0,1311

Diet 0,13330 + 13330 + 13640 + 13640 + 22220 + 12500 + 12500 + 1111₈ = 0,1430

Hipertensi0,1333 + 0,13330 + 13640 + 13640 + 22220 + 1250 +,12500+1111₈ = 0,1403

𝐹𝐴0,0667 + 0,0667+0,04550 + 0,0455+0,0741 + 0,1250 + 0,1250 + 0,2222₈ = 0,0963

Kolesterol0,1333+0,1333+ 0,1364+ 0,1364+ 0,0741+ 0,1250 + 0,1250+0,1111₈ = 0,1218

Diabetes 0,1333 + 0,1333+ 0,1364+0,1364+ 0,0741+ 0,1250+0,1250+0,1111₈ = 0,1218

Riwayat 0,1333 + 0,1333+ 0,1364+ 0,1364+ 0,0370+ 0,1250 + 0,1250+ 0,1111₈ = 0,1172

5. Mengecek nilai konsistensi.

Mengecek tingkat konsistensi bertujuan untuk mengecek apakah nilai di matrik perbandingan berpasang yang digunakan sudah konsisten atau tidak. Mengukur konsistensi terdapat 3 tahapan yaitu

menghitung nilai Eigen max, menghitung CI dan menghitung CR. Proses menghitung

Eigen max dengan persamaan (3) (Sutikno,

2010).

𝜆_𝑚𝑎𝑥= 𝑚𝑎𝑙𝑘 x 𝑤𝑘 (3)

Keterangan

𝜆_𝑚𝑎𝑥 = Eigen Value

𝑤 = Nilai bobot prioritas

𝑎𝑙𝑘 = Nilai jumlah matriks perbandingan

berpasang

𝑚 = Banyak kriteria

 Perhitungan cek nilai eigen maksimum

menggunakan (3)sebagai berikut.

Rokok = 1 + 1,0000 + 1,0000 + 1,0000 + 0,5000 + 1,0000 + 1,0000 + 1,0000 X 0,13111 = 0,983112

Olahraga = 1 + 1 + 1,0000 + 1,0000 + 0,5000 + 1,0000 + 1,00000 + 1,0000 X 0,13111 = 0,983112 Diet = 1 + 1 + 1 + 1,0000 +

0,3333 + 1,0000 + 1,0000 + 1,0000 X 0,1403 = 1,029167 Hipertensi = 1 + 1 + 1 + 1 + 0,3333 +

1,0000 + 1,0000 + 1,0000 X

0,1403 = 1,029167 𝐹𝐴 = 2 + 2 + 3 + 3 + 1 +

1,0000 + 1,0000 + 0,5000 X 0,0963 = 1,300284

Kolesterol = 1 + 1 + 1 + 1 + 1 + 1 +

1,0000 + 1,0000 X 0,1218 = 0,974579

dst.

 Setelah nila eigen maksimum

diketahui selanjutnya dapat

menghitung CI dengan persamaan (4) (Sutikno,2010).

𝐶𝐼 = (𝜆 𝑚𝑎𝑥 − 𝑛)

𝑛−1 (4)

Perhitungan CI mengunakan (4)

sebagai berikut.

CI = (8,328735−8)

8−1 = 0,0470

Keterangan

CI = Indek konsistensi

(7)

n = Banyak elemen

 Tahap terahir yang dilakukan untuk

mengukur tingkat konsistensi dengan menghitung nilai konsistensi rasio. Jika nilai CR lebih dari 0,1 maka nilai

perbandingan berpasang yang

digunakan dianggap tidak konsisten, apabila kurang dari 0,1 maka nilai

tersebut dianggap konsisten.

Perhitungan nilai CR menggunakan

persamaan (5)(Sutikno, 2010).

𝐶𝑅 =_𝑅𝐶 𝐶𝐼 (5)

Keterangan

CR = Consistency Ratio CI = Consistency Index RC = Random Consistency

Perhitungan CR berdasarkan (5)adalah sebagai berikut

CR = 0,0470

1,41 = 0,0333

Hasil nilai CR yang telah dihitung diperoleh rasio 0,0333. Bredasakan nilai CR tersebut maka disimpulkan nilai perbandingan berpasang telah konsisten atau dapat diterima.

Pada tahap selanjutnya metode Weighted

Product digunakan untuk menghasilkan

perangkingan dari hasil diagnosis stroke. Berikut adalah perancangan metode Weigted

Product.

1. Menghitung Vektor S.

Proses perhitungan preferensi alternatif atau vektor S dihitung menggunakan Persamaan (6) (Kusumadewi, 2005).

𝑆𝑖 = ∏𝑛_𝑗=1 (𝑥_𝑖𝑗)𝑤 (6)

Keterangan

S = preferensi alternatif dianalogikan sebagai vektor S

x = nilai kriteria w = bobot kriteria

i = alternatif j = kriteria

n = banyaknya kriteria

Perhitungan vektor S menggunakan hasil bobot prioritas dari metode AHP dan data latih. Perhitungan vektor S dengan persamaan (6) sebagai berikut.

(𝑋1,1)𝑤1=30,1311 =1,155 (𝑋1,2)𝑤2=30,1311 =1,155 (𝑋1,3)𝑤3=30,1403 = 1,167 (𝑋1,4)𝑤4=30,1403 = 0,421 (𝑋1,5)𝑤5=20,0963 =1,069 (𝑋1,6)𝑤6=20,1218 =1,088 (𝑋1,7)𝑤7=20,1218 = 1,088 (𝑋1,8)𝑤8=30,1172 = 0,352

Setelah mendapat nilai hasil X dipangkat W untuk tiap elemen kriteria, maka selanjutnya mengkalikan semua hasil pangkat tersebut.

𝑠𝑝𝑎𝑠𝑖𝑒𝑛1_{=1,155*1,155*1,167*0,421*1,069*}

1,088*1,088*0,352 = 2,6137

Berdasarkan hasil perkalian diatas

didapat nilai preferensi alternatif untuk data pasien 1 sebesar 2,6137. Proses perhitungan preferensi alternatif atau vektor S untuk data pasien lainnya sama halnya perhitungan contoh yang sudah dilakukan pada data pasien 1. Hasil vektor S dari 35 data uji ditunjukkan pada Tabel 3.

Tabel 3 Hasil Perhitungan Nilai Vektor S

NO Alternatif Nilai S

1 Pasien 1 2,6137 2 Pasien 2 2,8608 3 Pasien 3 2,7127

. . .

35 Pasien 35 1,5852 Total S 79,9567

2. Pengambilan keputusan.

(8)

kategori didapat dari hasil minimum sampai maksimum pada vektor S kemudian dipecah secara manual. Hasil pemecahan tersebut ditemukan bobot kategori stroke tinggi >=2.30, bobot stroke sedang >=2.04 dan bobot stroke rendah < 2.04. Hasil pangambilan keputusan dari 35 data uji ditunjukkan pada Tabel 4.

Tabel 4 Hasil Pengambilan Keputusan Diagnosis Kategori Stroke

No Alternatif Nilai S Hasil

1 Pasien 1 2,6137 Tinggi 2 Pasien 2 2,8608 Tinggi 3 Pasien 3 2,7127 Tinggi

. . . .

35 Pasien 35 1,5852 Rendah

3. Menghitung vektor V.

Vektor V atau prefensi relative dihitung dengan persamaan (7) (Kusumadewi, 2005).

𝑉𝑖 =𝑥 𝑖𝑗 𝑤𝑗

𝑥 𝑗 𝑤𝑗 (7)

Keterangan

V = Preferensi relatif dianalogikan

sebagai vektor V x = Nilai kriteria

w = Bobot kriteria

Perhitungan vektor V yang menggunakan persamaan (7) ditunjukkan sebagai berikut.

𝑉 𝑃𝑎𝑠𝑖𝑒𝑛 1 = 2,6137

79,9567 = 0,0327

𝑉 𝑃𝑎𝑠𝑖𝑒𝑛 2 = 2,8608

79,9567 = 0,0358

𝑉 Pasien 3 = 2,7127

79,9567= 0,0339

Berdasarkan hasil perhitungan tersebut didapat nilai vektor V untuk pasien 1,2 dan Nilai vektor V untuk pasien lain ditunjukan pada Tabel 5.

Tabel 5 Hasil Perhitungan Vektor V

No Alternatif Nilai V

1 Pasien 1 0,0327

2 Pasien 2 0,0358 3 Pasien 3 0,0339

. . .

35 Pasien 35 0,0198

4. Perangkingan nilai alternatif.

Perangkingan dilakukan guna melihat pasien mana yang memiliki resiko tertinggi atau terendah. Hasil proses perangkingan ditunjukkan pada Tabel 6.

Tabel 6 Hasil Ranking

No Alternatif Nilai V Rangking 1 Pasien 1 0,0327 10 2 Pasien 2 0,0358 1 3 Pasien 3 0,0339 6

. . . .

35 Pasien 35 0,0198 32

Kemudian pada tahap pengujian akurasi sistem dilakukan untuk mengetahui hasil dari sistem yang dibuat. Pengujian akurasi sistem dilakukan dengan cara membandingkan hasil keputusan sistem dengan data latih. Pengujian akurasi dibuat tabel perbandingan hasil, tabel tersebut digunakan untuk membandingkan hasil sistem dan data uji apakah sesuai atau tidak sesuai. Pada tabel tersebut dapat diisikan nilai 1 pada kolom sesuai atau tidak sesuai. Kolom sesuai diisi apabila hasil sistem dan data uji bernilai sama dan pada kolom tidak sesuai apabila hasil sistem dan data uji tidak sama. Perbandingan hasil sistem dan data uji dapat dilihat pada Tabel 7.

Tabel 7 Data Perbandingan Hasil

Pasien Hasil Sistem Data Uji Hasil Sesuai Tidak Sesuai Pasien 1 Tinggi Tinggi 1

(9)

Fakultas Ilmu Komputer, Universitas Brawijaya Pasien 16 Tinggi Tinggi 1

Pasien 17 Tinggi Sedang 1

Pasien 19 Sedang Sedang 1

Pasien 22 Rendah Sedang 1

Pasien 26 Sedang Sedang 1 Pasien 27 Sedang Sedang 1

Pasien 30 Sedang Rendah 1

Pasien 31 Rendah Rendah 1 Pasien 32 Rendah Rendah 1 Pasien 33 Rendah Rendah 1 Pasien 34 Rendah Rendah 1 Pasien 35 Rendah Rendah 1

TOTAL 27 8

Hasil keputusan yang dihasilkan oleh sistem dan data uji dari 35 data didapat data sesuai berjumlah 27 dan data tidak sesuai berjumlah 8.

Tahap berikutnya membuat tabel Confusion

Matriks, tabel Confusion Matriks pada pengujian

ini terdapat 2 atribut yaitu kelas sebenarnya dan kelas prediksi. Kelas sebenarnya adalah kelas yang didapatkan dari data uji dan kelas prediksi adalah kelas yang didapatkan dari hasil sistem. Tabel confusion matriks ditunjukkan pada Tabel 8.

Tabel 8 Confusion Matrix

Kelas Prediksi

Tinggi Sedang Rendah

Tinggi TB = 16 SS=1 RS=4

Sedang SB=6 TS=3 TS=3

Rendah RB=4 RS=4 SS=1

Dari tabel Confusion Matriks berikut penjelasannya :

TB = Nilai tinggi yang diklasifikasikan benar SB = Nilai sedang yang diklasifikasikan benar RB = Nilai rendah yang diklasifikasikan benar SS = Nilai sedang yang diklasifikasikan salah TS = Nilai tinggi yang diklasifikasikan salah RS = Nilai rendah yang diklasifikasikan salah

Setelah membuat tabel Confusion Matrix

berikutnya menghitung akurasi dengan menggunakan persamaan (8) (Han & Kamber, 2006).

Perhitungan akurasi :

TB+TS

TB+SS+SB+TS X 100 % (8)

Perhitungan akurasi menggunakan (8) dapat ditunjukkan.

16+3

16+1+6+3 X 100% = 19

28 X 100% = 73,08 %

Pada hasil pengujian menggunakan confusion

matrix hasil perbandingan yang ditunjukkan

pada Tabel 4.1 menunjukkan bahwa jumlah data uji yang sesuai dengan hasil sistem berjumlah 27 data dan 8 data tidak sesuai. Hasil akurasi sistem

untuk deteksi stroke menggunakan metode

AHP dan WP sebesar 73,8%

sedangkan

prosentase tingkat perbedaan 26,2%.

Berdasarkan tingkat akurasi kesesuaian yaitu 73,8% maka sistem yang dibangun dianggap layak untuk digunakan. Untuk tingkat perbedaan dengan prosentase 26,2% ini disebabkan karena dalam perhitungan bobot kriteria setiap bobot memiliki nilai yang kurang bervarian, misalnya riwayat keluarga stroke. Kriteria ini jauh lebih penting dibandingkan dengan kriteria-kriteria lain yang ada sehingga harus memiliki nilai

bobot yang lebih dalam perhitungan

dibandingkan kriteria.

4. KESIMPULAN

Berdasarkan pada hasil perancangan,

implementasi dan pengujian yang sudah dilakukan pada sistem untuk deteksi penyakit stroke menggunakan metode AHP dan WP maka dapat disimpulkan sebagai berikut.

1. Sistem untuk deteksi penyakit stroke

menggunakan metode AHP dan WP telah dibuat sesuai dengan perancangan sistem yang terdiri dari perancangan sistem pendukung keputusan.

2. Hasil pengujian sistem untuk deteksi stroke menggunakan metode AHP dan WP sebagai berikut:

 Hasil pengujian akurasi

membandingkan antara data latih dan sistem yang dibuat. Dari pengujian tersebut hasil perbandingan antara data latih dan hasil sistem mendapatkan hasil sesuai 27 data dan hasil tidak sesuai 8 data dari 35 data yang diuji. Sehingga memiliki akurasi 73,8%. Hasil tersebut kurang maksimal karena

(10)

pembobotan nilai kriteria kurang bervarian sehinga hasil akurasi kurang maksimal.

DAFTAR PUSTAKA

Alfita, Riza. 2011. Perancangan Sistem

Keputusan Penentuan Pioritas Produk Unggulan Daeah Menggunakan Metode

Weigh/ted Product Madura. Program

Studi Teknik Multimedia dan Jaringan Fakultas Teknik Universitas Trunojoyo.

Azhary, Ary. 2017. Sistem Pendukung

Keputusan Penerimaan Guru Honorer SMA 2 Batu Menggunakan Metode AHP dan WP. Universitas Brawijaya, Malang.

Irfan 2012 Fisioterapi Bagi Insan Stroke, Graha Ilmu ,Yokyakarta

Kusumadewi, Sri 2006. Fuzzy Multi-Attribute

Decision Making. Graha Ilmu,

Yogyakarta

Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta Makksau, K.,2012. Pengunaan Metode AHP

delam penentuan prioritas program

kesehatan. Jurnal teknik industry UNDIP. NSA. 2009. Stroke. National Stroke Association,

United States.

Ramadhan, Rizki. 2016. Sistem Pendukung

Keputusan Deteksi Dini Demam Berdarah

Menggunakan Metode AHP. Universitas

Brawjaya, Malang.

Roger,S. 2010. Software engginering a

practitioner approach. The McGraw-Hill Companies, inc.,Seventh Edition,New York.

Saaty, Thomas L.2008. How to make a decision

The Analitical Hierachy Procces.

North-Holland : Elsevier Science Publisers

Saprida, Astrid. 2015. Penerapan Metode AHP –

WP Untuk Penerimaan Siswa Baru. Fakultas ilmu Komputer, Universitas Brawijaya.

Sutikno 2010.Sistem Pendukung Keputusan

Medote AHP Untuk Pemlihan Siswa Dalam Mengikuti Olimpiade Sains Di

Sekolah Menengah Atas. Universitas

Diponegoro, Semarang.

Parno 2005 Data Flow Diagram. Universitas

Gunadarma

Prastiti,Tety 2015. Sistem Pendukung Keputusan

Deteksi Stroke Menggunakan Metode