Diagnosis Penyakit Mata menggunakan Metode Improved K-Nearest Neighbor

Fakultas Ilmu Komputer

Universitas Brawijaya

10531

Diagnosis Penyakit Mata menggunakan Metode Improved K-Nearest

Neighbor

Anggita Nurfadilla Mahardika1_{, Agus Wahyu Widodo}2_{, Muh. Arif Rahman}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{anggita.mahardika97@gmail.com,} 2_{a_wahyu_w@ub.ac.id,} 3_{m_arif@ub.ac.id}

Abstrak

Mata mempunyai peranan yang sangat penting bagi tubuh manusia yaitu sebagai indera penglihatan. Manusia dapat melakukan berbagai kegiatan berdasarkan informasi visual yang diterima melalui mata. Mata yang sehat sangat mendukung berbagai kegiatan dan aktivitas tanpa hambatan. Begitu pentingnya peranan dari mata, maka kesehatan mata perlu untuk diperhatikan dan dirawat dengan baik karena mata tidak luput dari ancaman penyakit yang dapat menganggu penglihatan. Namun, pada kenyataannya masyarakat masih menyepelekan dan menganggap bahwa gangguan penglihatan merupakan gangguan yang tidak berbahaya. Kurangnya kepedulian masyarakat terhadap penyakit mata dapat memperparah kondisi mata apabila tidak segera ditangani dan diperiksa. Selain itu, faktor yang membuat sebagian masyarakat masih apatis terhadap penyakit mata yaitu masyarakat tidak mengetahui jika menderita penyakit mata dan mengabaikan gejala-gejala yang dirasakan. Ketidaktahuan masyarakat terhadap gejala-gejala yang timbul akibat penyakit mata dikarenakan masyarakat masih enggan untuk memeriksakan kesehatan mata ke pelayanan kesehatan, sebab biaya pemeriksaan terutama untuk biaya dokter spesialis yang dirasa cukup tinggi. Dari permasalahan tersebut, kemudian penulis membangun sistem diagnosis dini penyakit mata untuk mempermudah masyarakat dalam mengenali gangguan penglihatan atau penyakit mata berdasarkan gejala-gejala yang dirasakan. Dalam membangun sistem ini, penulis menggunakan metode lmproved K-Nearest Neighbor. Metode lmproved K-Nearest

Neighbor sudah terbukti mendapatkan hasil yang baik. Akurasi tertinggi yang dihasilkan sistem dengan

menggunakan metode Improved K-Nearest Neighbor sebesar 88% pada saat mendiagnosis jenis penyakit mata.

Kata kunci: diagnosis, improved k-nearest neighbor, penyakit mata, akurasi

Abstract

The eye has a very important for the human body which is as the sense of sight. Humans can do a variety of activities based on visual information received through the eyes. A healthy eye is very supportive to various activities and make out activities without obstacles. So the importance of the part of the eye, health of eye needs to be right considered and cared because the eyes do not escape the threat of disease that can disturb with vision. But, in the fact the people is still underestimate and consider the problem of eye disease is not dangerous. Lack of public awareness about eye diseases can worsen eye conditions if that cannot be handled and resolved to quickly. Beside, the factors that make some people still apathetic to eye diseases, they do not know if they suffer from eye disease and ignore the symptoms that are felt. Public ignorance of the symptoms that arise due to eye disease because people are still reluctant to check eye health to health services, because the cost of the examination, especially for the cost of specialist doctors that are considered quite high. Therefore, in this problem the authors then build an early diagnosis of eye diseases to facilitate the public in recognizing visual disturbances or eye diseases based on symptoms that are felt. In construction this system, the writer uses the Improved K-Nearest Neighbor methods. The improved K-Nearest Neighbor method has been proven to get a good results. The highest accuracy from system using lmproved K-Nearest Neighbor method by 88% in the process of diagnosis of eye disease.

1. PENDAHULUAN.

Mata merupakan bagian anggota tubuh yang berfungsi sebagai indera penglihatan. Dengan mata, manusia dapat menerima lebih dari 80% informasi berdasarkan penglihatan

visual yang digunakan untuk melaksanakan

berbagai kegiatan (Kurmasela et al., 2013). Pentingnya peranan dari mata, maka manusia harus merawat dan menjaga kesehatan mata agar tidak terkena gangguan penglihatan yang dapat menyerang mata (Perdami, 2013). Namun, pada kenyataannya masyarakat masih sering mengabaikan kesehatan pada mata sebab pada umumnya masyarakat menganggap kalau penyakit yang menyerang mata bukanlah penyakit yang berbahaya. Padahal, penyakit mata apabila tidak segera ditangani dapat membahayakan fungsi mata itu sendiri.

Penyebab utama gangguan penglihatan dan kebutaan di lndonesia adalah katarak dan diikuti oleh glaukoma. Pada tahun 2015 terdapat sebanyak 253 juta orang yang menderita gangguan penglihatan yang terdiri dari 36 juta orang mengalami kebutaan, 217 juta mengalami gangguan penglihatan sedang hingga berat dan 188 juta orang mengalami gangguan penglihatan ringan. Indonesia berada di urutan keempat di dunia dengan jumlah penduduk yang mengalami gangguan penglihatan terbanyak (Kementerian Kesehatan, 2018). Hal ini membuktikan bahwa penderita gangguan penglihatan masih cukup tinggi.

Beberapa penelitian terdahulu yang membahas mengenai diagnosis penyakit mata yaitu menggunakan metode Naive Bayes –

Certainty Factor, dalam peneIitian ini menunjukkan bahwa metode Naive Bayes –

Certainty Factor mampu mengklasifikasikan

jenis penyakit mata dengan rata-rata akurasi yaitu 74% (Lestari et al., 2016), penelitian selanjutnya. mengidentifikasi jenis penyakit mata menggunakan metode Learning Vector

Quantization (LVQ), data yang digunakan

diperoleh dari data sekunder yang berasal dari penelitian sebelumnya dan memberikan hasil akurasi yang baik (Ladauw et al., 2018), penelitian lain mendeteksi penyakit glaukoma menggunakan metode K-Nearest Neighbor

(KNN). data yang digunakan didapatkan dari

internet High Resolution Fundus (HRF) lmage

Database dan memberikan hasil yang cukup

baik (Tobias et al.,. 2016), penelitian terakhir yang dilakukan oleh Wei Yuan pada tahun 2004

untuk mendiagnosa penyakit tumor dengan menggunakan metode lmproved K-Nearest

Neighbor mendapatkan hasil akurasi yang sangat

baik sebesar 100% (Yuan et al., 2004).

Metodel Improved K-Nearest Neighbor adalah metode pengembangan dari metode

K-NN biasa, yang dapat menghilangkan efek

dominasi kelas berdasarkan nilai k (Baoli, 2003). Tahapan yang dilakukan saat menggunakan metode lmproved K-Nearest Neighbor hampir sama dengan metode K-NN, hanya yang membedakan yaitu teknik penentuan kelas dari data. uji (Nurhayati et al., 2017).

Berdasarkan. masalah yang telah dijelaskan di atas, maka pada penelitian ini akan dilakukan penerapan metode Improved K-Nearest Neighbor untuk mendiagnosis penyakit mata,

yang mana bertujuan untuk membantu masyarakat dalam mengenali jenis penyakit mata berdasarkan gejala yang dirasakan.

2. DASAR TEORI 2.1 Penyakit Mata

Penyakit mata adalah gangguan kesehatan yang menyebabkan gangguan pada penglihatan mata normal. Gejala umum yang biasa di timbulkan dari penyakit mata bisa berupa mata merah, gatal, perih, gangguan penglihatan, hingga kebutaan (Reztaputra, 2012).

2.2 K-Nearest Neighbor

K-Nearest Neighbor (KNN) adalah salah

satu metode klasifikasi yang digunakan untuk menentukan kelas suatu objek berdasarkan nilai

k dari jarak tetangga terdekat.. Menurut Hassanat

et al metode KNN adalah metode yang mudah dipahami dan paling sederhana dari semua metode pengklasifikasian. Proses klasifikasi dari metode KNN yaitu dengan menentukan kelas yang diperoleh dari mayoritas kelas tetangga terdekat berdarkan nilai k (Jin et al., 2014).

Berikut ini adalah proses tahapan dari metode KNN menurut Bhuvaneswari et al (2014) :

a. Memasukan data. latih, data uji dan tentukan parameter k.

b. Menghitung jarak antar data uji dengan semua data latih. Berikut ini merupakan rumus menghitung jarak menggunakan

euclidean distance yang ditunjukkan pada

Persamaan 1.

𝑑(𝑥, 𝑦) = √∑𝑛 (𝑥𝑖 − 𝑦𝑖)2

Fakultas Ilmu Komputer, Universitas Brawijaya

Keterangan :

d(x,y) = hasil jarak dari data x ke y xi = data uji

yi = data latih

c. Urutkan jarak dari jarak terkecil.

d. Ambil tetangga terdekat berdasarkan nilai

k.

e. Kumpulkan kategori tetangga terdekat. f. Mengkategorikan kelas data uji

berdasarkan mayoritas kategori tetangga terdekat.

2.3 Improved K-Nearest Neighbor

Metode lmproved K-Nearest Neighbor merupakan pengembangan dari metode K-NN biasa, yang dimana terdapat perbedaan dalam melakukan klasifikasi suatu objek yang baru.

Improved K-Nearest Neighbor menggunakan

beberapa tahap yang sama dengan KNN biasa saat menjalankan proses perhitungan (Nurhayati et al., 2017). Metode lmproved K-Nearest

Neighbor dapat menyelesaikan masalah yang

terjadi pada metode K-NN biasa yaitu dapat menghilangkan efek dominasi dari mayoritas kelas dari tetangga terdekat berdasarkan nilai k (Baoli, 2003).

Berikut ini merupakan tahapan dari metode

lmproved K-Nearest Neighbor menurut Yuan et

al (2004):

a. Masukkan data latih dan data uji.

b. Hitung jarak antara uji dan semua data-latih dengan euclidean distance yang ditunjukkan dalam Persamaan 1.

c. Mengurutkan jarak.

d. Mengambil dan mengumpulkan jarak tetangga terdekat.

e. Menghitung nilai voting.

Menghitung nilai voting pada tiap kelasnya dijelaskan pada Persamaan 2.

𝑉𝑡→𝑡𝑖= ∑𝐶𝑙𝑎𝑠𝑠(𝑗)=𝑖𝑚 𝑥 𝑘𝑡𝑖 ÷ 𝑑𝑡𝑗2 (2)

Keterangan:

𝑉𝑡→𝑡𝑖= nilai voting pada kelas i untuk

menguji data t

𝑚 = nilai kelas i pada data latih. 𝑑𝑡𝑗2 = jarak antar data uji dan data latih 𝑘𝑡𝑖 = koefisien korelasi

Koefisien Korelasi menyatakan hubungan antar parameter. Nilai dari 𝑘𝑡𝑖 bernilai -1, 0,

atau 1.

Untuk menghitung koefiseien korelasi (𝑘𝑡𝑖)

ditunjukkan pada Persamaan 3. 𝑟𝑥𝑦= 𝑘𝑡𝑖= ∑𝑛𝑖=1(𝑥𝑖− 𝑥̅)(𝑦𝑖− 𝑦̅) √∑𝑛𝑖=1(𝑥𝑖− 𝑥̅)2(𝑦𝑖− 𝑦̅)2 = ∑𝑛𝑖=1(𝑎𝑖)(𝑏𝑖) √∑ (𝑎_𝑖)2_(𝑏 𝑖)2 𝑛 𝑖=1 (3) Keterangan:

𝑟𝑥𝑦= 𝑘𝑡𝑖 = nilai koefisien korelasi pada

parameter t dan i

(𝑥𝑖− 𝑥̅) = nilai x merupakan nilai

parameter yang dikurangi nilai rata-rata dari parameter tersebut

(𝑦𝑖− 𝑦̅) = nilai y merupakan parameter

lain dari x.

Berdasarkan penelitian yang dilakukan oleh Pierce pada tahun 2016, untuk mendapatkan nilai dari 𝐾𝑡𝑖 dapat

menggunakan Persamaan 4 (Pierce, 2016).

𝑘𝑡𝑖 < 0 𝑚𝑎𝑘𝑎 − 1 𝑘𝑡𝑖 = 0 𝑚𝑎𝑘𝑎 0

𝑘𝑡𝑖 > 0 𝑚𝑎𝑘𝑎 1 (4)

f. Mengkategorikan kelas data uji

Penentuan kelas data uji, ditetapkan berdasarkan angka maksimum dari perhitungan nilai voting. Penentuan kelas data uji ditunjukkan pada Persamaan 5.

𝐶𝑙𝑎𝑠𝑠(𝑡) = max{ 𝑉𝑡→𝑗, 𝑗 = 1, … , 𝑝} (5)

2.4 Cross Validation

Cross Validation merupakan metode

pengujian yang biasa digunakan dalam metode klasifikasi yaitu dengan mengacak dan memecah data menjadi k-bagian dengan komposisi banyaknya data yang sama. Setelah proses pembagian, jadikan salah satu data menjadi data uji dan sisanya menjadi data latih yang selanjutnya dilakukan secara bergantian. Metode ini seringkali dikatakan sebagai k-fold cross

validation. Proses dari metode cross validation

secara umum bisa dilihat pada Gambar 1.

2.5 Akurasi

Akurasi merupakan metode evaluasi yang digunakan untuk menyatakan tingkat ketepatan antara hasil prediksi yang dihasilkan sistem dengan hasil sebenarnya. Semakin tinggi akurasi yang dihasilkan oleh sistem, maka semakin akurat sistem melakukan klasifikasi dengan baik. Berikut merupakan persamaan untuk menghitung tingkat akurasi dari sistem (Rodiyansyah & Winarko, 2002)

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =∑ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑛𝑎𝑟

∑ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑥 100 (6)

3. METODOLOGI

Pada sub bab metodologi menerangkan tahapan-tahapan dalam metodologi penelitian yang dilakukan dalam membuat penelitian ini, dengan penjelasan secara singkat dan jelas. Tahapan-tahapan tersebut berisi tipe penelitian, strategi penelitian, analisis kebutuhan, pengumpulan data, perancangan sistem dan tahapan-tahapan tersebut ditunjukan pada Gambar 2.

Gambar 2. Diagram Alir Metodologi Penelitian

3.1 Pengumpulan Data

Pada penelitian ini, menggunakan data yang berasal dari penelitian sebelumnya yang dilakukan oleh Putri Lestari. Pengambilan data dilakukan di RSUD Kabupaten Sidoarjo pada tahun 2015-2016 (Lestari et al., 2016).

4. HASIL DAN PEMBAHASAN

Pada sub bab ini menjelaskan hasil

pengujian yang telah dikerjakan. Pada penelitian ini, dilakukan pengujian diantaranya pengujian

cross validation, pengujian variasi nilai k,

pengujian perbandingan akurasi metode

lmproved K-Nearest Neighbor menggunakan euclidean distance, manhattan distance, cossim

dan pengujian seleksi fitur, pengujian yang pertama dilakukan adalah pengujian cross

validation.

Gambar 3. Akurasi Pengujian Cross Validation

Dari Gambar 3 dapat dilihat hasil akurasi yang dihasilkan oleh sistem saat melakukan pengujian cross validation sangat bervariasi. Akurasi tertinggi yang dihasilkan terdapat pada data uji ke-1 dan data uji ke-4 dengan nilai akurasi yaitu 88%. Sedangkan tingkat akurasi terendah terdapat saat pengujian data uji ke-2 dengan akurasi yaitu 56%. Gambar 4 merupakan hasil dari pengujian variasi jumlah nilai k.

Gambar 4 Akurasi Pengujian Variasi Nilai k

Berdasarkan hasil pengujian variasi nilai k, dapat ditunjukkan bahwa saat penggunaan nilai

k=5 sistem menghasilkan akurasi tertinggi yaitu

sebesar 88%. Setelah itu akurasi mengalami penurunan. Saat penggunaan jumlah nilai k = 10 sampai nilai k=25 mendapatkan nilai akurasi yaitu 84%. Gambar 5 merupakan hasil dari pengujian perbandingan akurasi metode

improved k-nn menggunakan euclidean

distance, manhattan distance dan cossim. 88% 56% 80% 88% 68% 0% 50% 100% 1 2 3 4 5 Aku ra si Pengujian

Akurasi Sistem

88% _{84% 84% 84% 84%} 0% 50% 100% 1 2 3 4 5 Aku ra si Pengujian

Akurasi Sistem

Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 5 Akurasi Pengujian Perbandingan Perhitungan Jarak.

Dari Gambar 5 diatas, dapat dilihat bahwa akurasi yang didapatkan dengan menggunakan

euclidean distance dan manhattan distance

memiliki tingkat akurasi yang sama dibandingkan dengan perhitungan jarak menggunakan cossim. Rata-rata akurasi yang dihasilkan dengan menggunakan Euclidean

Distance dan Manhattan Distance sebesar 85%,

sedangkan CosSim hasil rata-rata akurasi yang dihasilkan sebesar 73%. Hal ini membuktikan bahwa metode Euclidean Distance dan

Manhattan Distance lebih baik pada saat

digunakan untuk menentukan kedekatan ketetanggaan menggunakan metode lmproved

K-Nearest Neighbor. Hasil perbandingan pengujian seleksi fitur dapat ditunjukkan pada Tabel 1, Tabel 2 dan Tabel 3.

Tabel 1 Hasil Perbandingan Akurasi Pengujian Seleksi Fitur pada Cross Validation

K-fold cross validation Akurasi Tanpa Menggunakan lnformation Gain (21 Fitur) Akurasi Menggunakan lnformation Gain (13 Fitur) 1 88% 76% 2 56% 84% 3 76% 88% 4 88% 84% 5 64% 80%

Tabel 2 Hasil Perbandingan Akurasi Pengujian Seleksi Fitur pada pengaruh nilai k Jumlah Nilai k Akurasi Tanpa Menggunakan lnformation Gain (21 Fitur) Akurasi Menggunakan lnformation Gain (13 Fitur) 5 88% 88% 10 84% 88% 15 84% 88% 20 84% 88% 25 84% 88%

Tabel 3Hasil Perbandingan Akurasi Pengujian Seleksi Fitur pada pengaruh perhitungan jarak

Akurasi Tanpa Menggunakan lnformation Gain (21 Fitur) Akurasi Menggunakan lnformation Gain (13 Fitur) Eucli dean Dista nce Manh attan Distan ce Cos Sim Eucli dean Dista nce Manh attan Distan ce Cos Sim 88% 88% 76% 88% 88% 96% 84% 84% 76% 88% 88% 96% 84% 84% 72% 88% 88% 96% 84% 84% 72% 88% 88% 96% 84% 84% 68% 88% 88% 96%

Pengujian seleksi fitur dilakukan dengan menerapkan metode seleksi fitur yaitu

lnformation Gain dan bantuan perangkat lunak Weka. lnformation Gain adalah metode seleksi

fitur yang sangat sederhana dengan menerapkan teknik perangkingan atribut. lnformation Gain berfungsi untuk membantu menghilangkan noise yang disebabkan oleh fitur-fitur yang tidak relevan. Pada Tabel 1, dapat dilihat akurasi yang dihasilkan menjadi lebih baik saat menggunakan information gain. Rata-rata akurasi yang dihasilkan pada saat menggunakan infromation

gain yaitu sebesar 82%, sedangkan rata-rata

akurasi tanpa menggunaka information gain sebesar 75%.

Pada Tabel 2, hasil akurasi yang dihasilkan ketika melakukan pengurangan fitur menggunakan lnformation Gain menunjukkan akurasi yang dihasilkan oleh sistem terlihat stabil dengan penggunaan nilai k yang bervariasi.

Pada Tabel 3, dapat dilihat saat menggunakan Euclidean Distance dan

Manhattan Distance hasil akurasi yang dihasilkan oleh sistem tanpa menggunakan

lnformation Gain lebih baik dibandingkan

menggunakan CosSim. Namun sebaliknya, ketika sistem menggunakan Infromation Gain, hasil akurasi yang didapatkan menunjukkan bahwa metode lmproved K-NN saat menggunakan CosSim menjadi lebih baik dibandingkan menggunakan euclidean distance dan manhattan distance dengan rata-rata akurasi sebesar 96%. 76% 76% 72% 72% 72% 88% 84% 84% 84% 84% 88% 84% 84% 84% 84% 1 2 3 4 5 Aku ras i Pengujian Manhattan Distance Euclidean Distance CosSim

5. KESIMPULAN

Berdasarkan pengujian yang telah dilakukan dari penelitian ini, didapatkan beberapa kesimpulan yaitu, metode Improved

K-Nearest Neighbor bisa diterapkan pada sistem

diagnosis penyakit mata. Akurasi terbesar yang didapatkan pada penelitian ini yaitu sebesar 88% pada pengujian variasi jumlah nilai k. Sedangkan tingkat akurasi terendah yang didapatkan yaitu sebesar 56% pada pengujian Cross Validation. Selain itu, penggunaan metode seleksi fitur

Information Gain pada Improved K-NN mampu

mengurangi fitur-fitur yang tidak relevan, sehingga mendapatkan akurasi menjadi lebih baik dibandingkan menggunakan metode Improved K-NN saja..

6. SARAN

Menurut hasil kesimpulan yang sudah didapatkan, maka saran yang bisa diberikan untuk penelitian selanjutnya adalah :

1. Mengembangkan sistem diagnosa penyakit mata dengan menggunakan metode klasifikasi.

2. Melakukan penambahan data untuk dijadikan data latih dan data uji terkait penyakit mata.

3. Mengembangkan sistem dengan menerapkan teknik seleksi fitur lainnya, yakni analisis korelasi.

7. DAFTAR PUSTAKA

American Optomeric Association. 2006. Dry Eye. Available from: <http://www.aoa.org/x4717.xml>. Baoli, Siwen, Qin. 2003. An lmproved k-Nearest

Neighbour Algorithm for Text Categorization. To Appear in the Proceedings of the 20th International Conference of Computer Processing of Oriental language. Shenyang, China. 16 Juni 2003.

Bhuvaneswari, P., Therese, A. Brintha. 2015. Detection of Cancer in Lung With K-NN Classification Using Genetic Algorithm. Brownlee, Jason. 2018. A Gentle Introduction to

k-fold Cross Validation. Available From : <https://machinelearningmastery.com/k-fold-cross-validation/>.

Budiono, Sjamsu., Saleh, T.T., Moestidjab., et al. 2013. Buku Ajar Ilmu Kesehatan Mata.

Surabaya : Penerbit Universitas Airlangga.

Damayanti, H. 2012. Dry Eye Syndrome.

Available from:

<https://id.scribd.com/doc/306127270/M akalah-dry-eye>.

Hassanat, A.B, et al. 2014. Solving Problem of the K Parameter in the KNN Classifier Using an Ensemble Learning Approach. IT Department: Jordan.

Ilyas, S. 1998. Ilmu Penyakit Mata. Jakarta. Balai Penerbit FK-UI.

Ilyas, S. 2003. Penuntun Ilmu Penyakit Mata (2, Rev ed). Jakarta. Balai Penerbit FK-UI. Ilyas, S. 2004. Ilmu Penyakit Mata Edisi Ketiga.

Jakarta: Balai Penerbit FKUI. Infodatin. 2015. Infodatin-Glaukoma, 8.

Jin, R. 2014. Multiple Instances Learning Using K-Nearest Neighbor. The Internasional Journal Of Science & Technoledge. Kurmasela, Grace P., Saerang, J.S.M., Rares, L.

2013. Hubungan Waktu Penggunaan Laptop Dengan Keluhan Penglihatan Pada Mahasiswa Fakultas Kedokteran Universitas Sam Ratulangi.

Kementerian Kesehatan. 2011. Riskesdas,Profil Kesehatan Indonesia.

Kemenkes RI. 2017. Profil Kesehatan Indonesia 2016. Keputusan Menteri kesehatan Republik Indonesia. Jakarta.

Kementerian Kesehatan RI. 2018. INFODATIN Pusat Data dan Informasi Kementarian Kesehatan RI Situasi Gangguan Penglihatan.

Ladauw, E. B., Ratnawati, D. E., & Supianto, A. A. 2018. Identifikasi Penyakit Mata Menggunakan Metode Learning Vector Quantization ( LVQ ). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(12), 6989–6996. Lestari, Putri, Nurul Hidayat, and Rekyan

Regasari Mardi Putri. 2016. "Pemodelan Sistem Pakar Diagnosa Penyakit Mata Menggunakan Metode Naive Bayes - Certainty Factor." PTIIK DORO-Repository Jurnal Mahasiswa 7(7). Nurhayati, W. 2017. Sistem Pakar Deteksi Dini

Fakultas Ilmu Komputer, Universitas Brawijaya

Improved K-NN (Knn+).

Ompusunggu, A. A. 2017. Identifikasi Penyakit Tanaman Jarak Pagar Menggunakan Metode Fuzzy K-Nearest Neighbor (FK-NN).

Perdami. 2013. Gangguan, Situasi Global, Penglihatan. Departemen Kesehatan RI. Pierce, Rod. 2016. Correlation. Available from:

<https://www.mathsisfun.com/data/correl ation.html>.

Reztaputra, R. 2012. Anatomi Mata. Available From:

<http://www.medicinesia.com/kedoktera n-dasar/penginderaan-kedokteran-dasar/anatomimata/>.

Rodiyansyah, S. F., & Winarko, E. (2002). Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification. New Political Science, 24(2), 181–199.. Shuanglin Tang, Weidong Zhao and Weihu Dai.

2012. An Improved kNN Algorithm based on Essential Vector. ISSN: Shanghai. Tobias, D. S. & Widiarti, A. R. 2016. Deteksi

Glaukoma pada Citra Fundus Retina dengan Metode K-Nearest Neighbor. Yuan, W., Liu, J. & Zhou, H. B. 2004. An

Improved KNN Method And Its Application to Tumor Diagnosis.

Zainuddin, A.A. 2014. Panduan Praktik Klinis Bagi Dokter Edisi Revisi.