Fakultas Ilmu Komputer
Universitas Brawijaya 3383
Implementasi Pendeteksi Penyakit Paru-Paru Berdasarkan Warna Kuku dan Suhu Tubuh Berbasis Sensor TCS3200 Dan Sensor LM35 dengan
Metode Naive Bayes
Dadang Kurniawan1, Rizal Maulana2, Mochammad Hannats Hanafi Ichsan3 Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1dadangk1996@gmail.com, 2rizal_lana@ub.ac.id, 3hanas.hanafi@ub.ac.id
Abstrak
Paru-paru manusia adalah organ yang rentan terkena penyakit karena bersinggungan langsung dengan udara yang terhirup melalui hidung. Ilmu pengobatan paru-paru yang ada saat ini yaitu menggunakan CT-Scan dan tes dahak yang dicek secara manual oleh ahli dahak. Banyak masyarakat yang tidak tahu sistem pengobatan ini, dan akhirnya enggan untuk memeriksakan kondisi kesehatan paru-paru mereka, karena dirasa tidak efisien dan disamping itu hasil tesnya tidak bisa langsung keluar.
Dari permasalahan tersebut, diperlukan adanya penelitian yang terkait dengan sistem otomatisasi untuk pendeteksi tingkat keparahan penyakit paru-paru dari pasien, sehingga ketika seorang pasien datang untuk memeriksakan paru-paru mereka, hasilnya dapat segera diketahui. Pada penelitian ini parameter yang digunakan untuk melakukan perbandingan tingkatan kelas penyakit paru-paru adalah warna kuku dan suhu tubuh dari pasien dengan menggunakan metode Naive Bayes. Diketahui bahwa metode Naive Bayes mempunyai akurasi yang baik dan dapat digunakan berdasarkan penggolongan kelas diawal proses. Berdasarkan beberapa pengujian yang dilakukan pada sistem dihasilkan error pembacaan sensor warna TCS3200 sebesar 1,478%, dan error pembacaan sensor suhu LM35 terhadap alat ukur termometer sebesar 1,13%. Selanjutnya pengujian sistem menggunakan metode Naive Bayes dengan jumlah data latih sebanyak 24 data dan data uji sebanyak 12 data, diperoleh akurasi sebesar 91,6%
dengan rata-rata waktu komputasi selama 0,69 detik.
Kata Kunci : paru-paru, kuku, suhu tubuh, klasifikasi, Naive Bayes.
Abstract
The human lung is an organ that is susceptible to disease because it is in direct contact with the air inhaled through the nose. Lung medicine is currently using CT scan and sputum tests which are checked manually by sputum experts. Many people still do not know about this treatment system, and finally they are reluctant to check their lung health, because they feel inefficient and besides that the results of the tests can’t go out immediately. based on these problems, there is a need for research related to the automation system to detect the severity of lung disease from patients, so when a patient comes to check their lungs, the results can be immediately known. In this study the parameters used to compare the grade level of lung disease are nail color and body temperature of patients using the Naive Bayes method. It is known that the Naive Bayes method has good accuracy and can be used based on class classification at the beginning of the process. Based on several tests carried out on the system generated TCS3200 color sensor reading error of 1.478%, and the LM35 temperature sensor reading error against the thermometer measuring instrument is 1.13%. Furthermore, testing the system using the Naive Bayes method with the number of training data as many as 24 data and test data as much as 12 data, obtained an accuracy of 91.6% with an average computing time of 0.69 seconds.
Keyword : lung, nail, body temperature, classification, Naive Bayes.
1. PENDAHULUAN
Kesadaran masyarakat akan kesehatan paru-paru sangatlah minim. Hal ini tebukti pada tahun 2006 Organisasi Kesehatan Dunia (WHO) menunjuk Indonesia sebagai negara penyedia Tuberkolosis (TBC) nomor tiga di dunia dengan angka kematian mencapai (18,7%). Penyakit tuberkolosis adalah suatu bakteri atau virus yang menyerang tubuh manusia, biasanya menyerang tulang, kelenjar getah bening, dan yang paling sering menyerang paru-paru. Penyakit ini tergolong penyakit yang dapat dengan mudah menular, cara penularannya dapat melewati udara dikeluarkan oleh penyandang tuberkolosis, dan dapat juga menular lewat dahak dari penderita yang terurai ke udara.
Dikarenakan penyakit ini mudah menular dan dapat menyebabkan kematian maka perlu perhatian serius untuk segera ditangani (Yunus, 2015).
Ilmu pengobatan yang ada saat ini untuk mendeteksi adanya penyakit paru-paru, yaitu yang pertama melalui keluhan pasien yang sebagian besar adalah batuk yang lama dan tak kunjung sembuh, badan lemas, batuk disertai darah, dan riwayat keluarga yang sama-sama menderita penyakit paru-paru, selain pengetahuan mengenai keadaaan tubuh pasien diperlukan juga pengetahuan mengenai lingkungan pasien. Menurut ahli penyakit paru- paru, (30%) penyabab terjadinya penyakit paru- paru adalah lingkungan disekitar, seperti keluarga, dan kerabat. (70%) sisanya bisa disebabkan oleh pergaulan seperti pasar, kampus, pondok, dan asrama (Surono, 2018).
Cara mendeteksi penyakit paru-paru yang kedua yaitu menggunakan alat yang disebut CT-Scan paru-paru, dan dilanjutkan dengan tes dahak.
Namun dari kedua cara tersebut kurang efisien untuk seorang pasien yang membutuhkan konfirmasi penyakitnya secara cepat, karena hasil dari tes dahak tidak dapat langsung diketahui melainkan harus menunggu kurang lebih selama 3 sampai 4 hari. Dikarenakan metode tes dahak ini kurang efisien, maka diperlukan suatu cara untuk dapat mendeteksi penyakit paru-paru secara cepat, agar pasien tidak perlu lagi menunggu lama hasil dari tes laboratorium.
Sebuah penelitian oleh Dr. Linda Mayer yang berjudul “Nails as Indicators of Health Status” (Mayer, 2014). Peneliti menjelaskan bahwa kuku sering disebut sebagai barometer kesehatan secara keseluruhan. Segala sesuatu
yang terlihat di bagian luar tubuh adalah cerminan dari sesuatu yang terjadi di dalam tubuh, imbuh-nya. Pada penelitian ini, objek yang diteliti yaitu warna, tekstur, dan bentuk kuku. Metode yang dipakai untuk melihat warna kuku adalah “Blanching”, yaitu metode untuk mengisi kapilaritas dari kuku dengan cara menekan ujung jari. Dari penelitian ini diperoleh kesimpulan bahwa ketika kuku tidak berwarna merah jambu maka menandakan ada masalah pada tubuh seseorang, contohnya kuku yang berwarna biru menandakan bahwa seseorang kekurangan suplai darah yang mengandung oksigen selain itu juga menandakan adanya gejala penyakit pernafasan.
Penelitian yang berjudul “Aplikasi Sistem Pendukung Kuputusan Diagnosa Penyakit Paru- Paru Dengan Metode Forward Chaining” yang ditulis oleh Mohammad Yunus (Yunus, 2015).
Pada artikelnya peneliti menggunakan data tabel penyakit paru-paru dan gejalanya untuk melakukan klasifikasi dengan metode forward chaining. Dari penelitian ini dapat diketahui bahwa masing-masing penyakit paru-paru memiliki gejala yang berbeda, namun ada satu gejala yang hampir sama untuk setiap penyakit paru-paru yaitu demam atau suhu tubuhnya (>37,1ºC) (Pocari, 2011). Oleh sebab itu suhu tubuh ikut berperan dalam pengklasifikasian penyakit paru-paru.
Dalam penentuan tingkat parah atau tidaknya penyakit paru-paru, pastinya memerlukan metode yang dapat melakukan klasifikasi. Metode Naive Bayes adalah metode yang dirasa tepat untuk penelitian ini, karena umum digunakan dan efisien untuk melakukan pengelompokan kelas (prior) diawal, selain itu dalam melakukan klasifikasi, Naive Bayes dapat bekerja secara terpisah untuk mengklasifikasi setiap fitur-fitur objek (Astuti, 2016).
Berdasarkan permasalahan di atas, penulis berkeinginan melakukan penelitian dengan judul
“Implementasi Pendeteksi Penyakit Paru-Paru Berdasarkan Warna Kuku dan Suhu Tubuh Berbasis Sensor TCS3200 dan Sensor LM35 dengan Metode Naive Bayes”. Alasan mengapa memekai sensor TCS3200 karena keakuratan sensor ini sudah teruji dan dapat mengambil nilai RGB dengan baik (Amani, 2017). Diharapkan dengan dilakukannya penelitian ini dapat mempercepat proses diagnosa penyakit paru- paru.
2. PERANCANGAN DAN IMPLEMENTASI
2.1 Gambaran Umum Sistem
Gambar 1. Diagram Blok Sistem
Gambaran umum sistem direpresentasikan berupa blok diagram. Gambar 1 menjelaskan bahwa terdapat tiga tahap utama dari sistem yaitu tahap Input, Proses, dan Output. Pada tahap input terdapat dua buah sensor yaitu Sensor TCS3200 dan Sensor LM35 yang berfungsi untuk membaca warna kuku dan suhu tubuh seseorang. Tahap Proses terdapat mikrokontroler Arduino Uno dan metode Naive Bayes, keduanya saling berhubungan untuk mengolah data dari sensor yang nantinya akan diklasifikasi menurut kelas penyakit paru-paru, terakhir yaitu tahap output terdapat LCD 16x2 yang akan menampilkan hasil klasifikasi penyakit paru- paru dengan tiga kondisi yaitu, paru-paru normal, paru-paru ringan, dan paru-paru berat.
2.2 Perancangan Sistem
Gambar 2. Design Prototype Alat
Langkah awal perancangan Prototype alat dilakukan dengan membuat desain casing, peletakan sensor serta ukuran casing alat yang akan digunakan. Terlihat pada Gambar 2 posisi sensor warna TCS3200 diletakkan di dalam kotak, hal ini bertujuan untuk mengurangi interferensi cahaya dari luar yang nantinya akan mengganggu warna dari objek yang akan dibaca,
selain itu posisi sensor TCS3200 menghadap kebawah, posisinya dibuat demikian agar dapat membaca nilai warna kuku secara langsung.
Sensor suhu LM35 diletakkan di luar kotak dan disematkan kedalam kain perekat, hal ini dilakukan agar proses pengambilan data suhu tubuh dari pasien dapat dilakukan secara langsung. Bagian atas kotak dipasang push button yang berguna sebagai trigger untuk menjalankan sistem, selain itu tidak jauh dari push button ada LCD 16x2 yang dapat digunakan untuk melihat hasil perhitungan sistem.
Gambar 3 adalah gambar skematik perangkat keras yang akan diimplementasikan, komponennya terdiri dari Arduino Uno sebagai pengontrol kinerja dari sistem, sensor warna TCS3200, sensor suhu LM35, LCD16x2, dan push button.
Gambar 3. Skematik Sistem
Gambar 4 merupakan diagram alir perancanagan perangkat lunak untuk mendapatkan nilai data dari sensor. Penekanan push button menandakan tahap awal pembacaan sensor. Ketika kondisi push button = 1, sensor mulai membaca dan mengambil nilai dari warna kuku dan suhu tubuh. Ketika push button = 2, nilai yang telah diambil oleh sensor akan disimpan dan siap diolah.
Selanjutnya setelah melakukan perancangan untuk pengambilan data dari sensor, adalah melakukan perancangan untuk metode klasifikasinya yaitu perancangan algoritma Naïve Bayes seperti yang ditunjukkan pada Gambar 5.
Sensor TCS 3200
Sensor LM35
Arduino Uno Naïve Bayes
LCD 16x2 Hasil klasifikasi
penyakit paru-paru
INPUT PROSES OUTPUT
Sensor Suhu Sensor Warna LCD
16x2 Push
button
Kain Perekat
Lubang untuk memasukkan jari
Sensor Warna TCS32 00
Sensor Suhu LM35
Push button
Modul I2C
LCD 16x2
Arduino Uno
Gambar 4. Diagram alir perancangan perangkat lunak akuisisi data sensor
Tahap pertama yang dilakukan dalam mengklasifikasi penyakit paru-paru dengan metode Naïve Bayes adalah menghitung nilai probabilitas prior dari masing-masing kelas.
Probprior merupakan nilai peluang terjadinya suatu kelas. Cara perhitungannya dengan membagi banyaknya data dalam suatu kelas (Y) dengan jumlah keseluruhan data. Data yang dipakai untuk perhitungan Probprior adalah data latih. Untuk diagram alirnya bisa dilihat pada Gambar 6.
Gambar 5. Diagram alir perancangan klasifikasi Naïve Bayes
Gambar 6. Diagram alir fungsi ProbPrior()
Tahap kedua yaitu proses perhitungan fungsi Gaussian(). Fungsi Gaussian berfungsi untuk menghitung probabilitas dari masing- masing fitur. Pada sistem ini ada 4 fitur yang
Mulai
Inisialisasi press button
Press button=0
Inisialisasi pin pada Sensor
Press button=1
Suhu : pembacaan nilai sensor Suhu R : pembacaan nilai warna Red G : pembacaan nilai warna Green
B : pembacaan nilai warna Blue
Press button=2
Data Nilai Sensor
Selesai
Tidak
Tidak
Tidak Ya
Ya
Ya
Mulai
Data nilai sensor
Pembacaan data latih
ProbPrior()
Gaussian()
ProbPosterior()
Menentukan hasil peluang tertinggi
Hasil Klasifikasi tingkat Penyakit
Paru-paru
Selesai
ProbPrior() Mulai
Penyakit Paru-paru
Y Jumlah penyakit paru- paru Y / Banyaknya data
Peluang Penyakit Paru-paru Y
Selesai
digunakan yaitu fitur R, G, B dari sensor warna dan fitur nilai suhu dari sensor LM35. Diagram alir fungsi Gaussian dapat dilihat pada Gambar 7. Nilai dari masing-masing sensor akan digabungkan dengan data latih, kemudian dihitung mean dan standar deviasinya. Setelah itu dilakukan perhitungan Unvariate normal Gaussian Distribution, lalu didapatkanlah peluang dari masing-masing fitu.
Gambar 7. Flowchart fungsi Gaussian()
Tahap selanjutnya adalah menentukan nilai dari probabilitas posterior(). Fungsi Probposterior yaitu menghasilkan probabilitas paling berpotensi untuk menentukan kelas berdasarkan masukan dari tiap fitur, adapun perhitungannya yaitu dengan mengalikan hasil dari perhitungan Prior() dengan hasil dari perhitungan Gaussian(). Hasil klasifikasi jenis penyakit paru-paru adalah kelas dengan nilai posterior paling tinggi. Diagram alir fungsi ProbPosterior dapat dilihat pada Gambar 8.
Gambar 8. Diagram alir fungsi ProbPosterior()
2.3 Implementasi Sistem
Tahap implementasi sistem dilakukan setelah tahap perancangan selesai dibuat. Tahap ini menjelaskan hasil implementasi dari segi perangkat keras prototype system dan hasil implementasi rangkaian antar komponen di dalam sistem. Desain prototype sistem dapat dilihat pada Gambar 9.
Gambar 9. Implementasi Prototype
Pada Gambar 10 menunjukkan implementasi dari perancangan yang telah dibuat. Sensor warna diletakkan didalam case dan dalam keadaan menghadap ke bawah tujuannya agar dapat membaca warna kuku ketika jari pasien dimasukkan ke lubang jari, dan sensor suhu diletakkan di luar dibalut dengan kain perekat, tujuannya agar dapat membaca suhu tubuh pasien secara langsung.
(a) (b)
Gambar 10. Implementasi rangkaian sensor (a) TCS3200, (b) LM35
3. PENGUJIAN DAN ANALISIS 3.1 Pengujian sensor TCS3200
Sensor warna TCS3200 merupakan sensor yang dapat membaca nilai RGB dari kuku pasien yang dideteksi. Cara pengujian sensor adalah dengan membandingkan nilai warna yang dibaca sensor dengan nilai warna yang terbaca oleh Eyedropper tool pada aplikasi Adobe Photoshop CS5. Hasil pembacaan sensor ditunjukkan pada Tabel 1 dan hasil pembacaan dari aplikasi eyedropper ada pada Tabel 2.
Gaussian() Mulai
Data pembacaan fitur X, data latih
Perhitungan Mean dan Standar deviasi
Perhitungan Unvariate Normal Gaussian Distribution
Peluang fitur X
Selesai
ProbPosterior()
Mulai
Peluang penyakit paru-paru Y, peluang
fitur X
Peluang (𝑌𝑖|𝑋𝑖𝑗) = Peluang penyakit paru-paru 𝑌𝑖 x ς3𝑗=0𝑃𝑒𝑙𝑢𝑎𝑛𝑔 𝑓𝑖𝑡𝑢𝑟 𝑋𝑖𝑗
Peluang (𝑌𝑖|𝑋𝑖𝑗)
Selesai
Tabel 1. Hasil Pembacaan Sensor Warna Pengu
jian ke-
Pembacaan Sensor
R G B #HEX
1 142 117 105 8E7569
2 162 96 166 A260A6
3 94 66 51 5E4233
4 164 180 217 A4B4D9
5 210 222 255 D2DEFF
6 230 235 255 E6EBFF
7 224 235 244 E0EBF4
8 211 190 200 D3BEC8
9 193 144 160 C190A0
10 239 238 255 EFEEFF
Tabel 2. Hasil Pembacaan Eyedropper tool Adobe Photoshop CS5
Penguji an ke-
Eyedropper tool Adobe Photoshop CS5
R G B #HEX
1 147 116 122 93747A
2 179 146 160 B392A0
3 106 68 55 6A4437
4 154 158 161 9A9EA1
5 202 202 204 CACACC
6 230 226 227 E6E2E3
7 224 222 223 E0DEDF
8 219 190 186 DBBEBA
9 193 139 129 C18B81
10 233 228 222 E9E4DE
Tabel 3 menunjukkan selisih error dan persentase error dari sensor wara TCS3200 terhadap Eyedropper tool. Rata-rata persentase error yang yang didapatkan yaitu sebesar 1,478%, nilai ini sangat kecil sehingga dapat dikatakan bahwa akurasi dari sensor warna TCS3200 cukup baik.
Tabel 3. Persentase Error dari Sensor Peng
ujian ke-
Selisih Error
Persentase error
#HEX DEC
1 4FF11 327441 3.38%
2 1131FA 1126906 9.57%
3 C0204 786948 11.3%
4 FFF5E9C8 -661048 -6.5%
5 FFF7EBCD -529459 -3.98%
6 FFFFF6E4 -2332 -0.015%
7 FFFFF2EB -3349 -0.022%
8 7FFF2 524274 3.64%
9 FFFFFAE1 -1311 -0.01%
10 FFF9F5DF -395809 -2.58%
Rata-rata 1.478%
3.2 Pengujian Sensor Suhu LM35
Dari Tabel 4 dapat kita lihat dari 10 kali percobaan rata-rata error sensor LM35 terhadap alat ukur termometer sangat kecil yaitu 1.13%, dan dapat dikatakan akurasi sensor suhu LM35 terhadap alat ukur yang sudah ada adalah baik.
Tabel 4. Hasil Error Pembacaan Sensor Suhu Pengujian
ke-
Termometer (°C)
Pembacaan Sensor (°C)
Selisih error
1 37.4 36.8 1.6%
2 37.1 36.7 1.07%
3 36.8 36.4 1.08%
4 36.8 36.4 1.08%
5 36.2 35.9 0.83%
6 36.4 35.9 1.37%
7 37.7 37.1 1.59%
8 36.5 36.2 0.82%
9 37.2 36.8 1.07%
10 37.7 37.4 0.79%
Rata-rata 1.13%
3.3 Pengujian Akurasi Klasifikasi dari Perangkat Lunak dengan Perangkat Keras
Tabel 5 menunjukkan bahwa LCD 16x2 bekerja dengan baik dengan menampilkan output sesuai kondisi yang dikeluarkan sistem.
Tabel 5. Pengujian Tampilan LCD 16x2
No. Kondisi Gambar Keterangan
1 Idle
Proses idle sistem ditandai dengan adanya tulisan “Press button” pada
LCD
2 Monitoring
Proses monitoring terjadi setelah user menekan push button,
LCD akan menampilkan
nilai R,G,B dan Suhu dari
pasien.
3 Proses Klasifikasi
Pendeteksian paru-paru
normal
Pendeteksian paru-paru
ringan
Pendeteksian paru-paru berat
3.4 Pengujian Akurasi Metode Naive Bayes
Tabel 6. Hasil Pengujian Klasifikasi Naïve Bayes
No R G B Suhu Kelas Hasil
sistem Keses uaian
1 200 181 177 36.5 Normal Normal Sesuai 2 183 150 141 36.2 Normal Normal Sesuai 3 198 168 170 36.6 Normal Normal Sesuai 4 203 192 190 37.1 Ringan Ringan Sesuai 5 191 167 165 36.7 Normal Normal Sesuai 6 190 190 192 36.8 Normal Normal Sesuai 7 207 201 203 36.8 Ringan Ringan Sesuai 8 216 205 187 37.2 Ringan Ringan Sesuai 9 214 214 216 36.9 Ringan Berat Tidak sesuai 10 218 216 217 37.8 Berat Berat Sesuai 11 227 222 219 37.3 Berat Berat Sesuai 12 217 216 211 37.4 Berat Berat Sesuai
Berdasarkan Tabel 6 terlihat dari 12 kali pengujian hanya 1 kali kesalahan dilakukan sistem dalam mengklasifikasi penyakit paru- paru, dari pengujian yang telah dilakukan akurasi metode Naive Bayes mendapatkan nilai 91,6%.
3.5 Pengujian Waktu Komputasi Sistem
Gambar 11. Waktu Komputasi Sistem
Gambar 11 menunjukkan bahwa waktu komputasi yang dibutuhkan sistem untuk mengklasifikasi penyakit paru-paru sangat cepat.
Dari 10 kali pengujian, didapatkan rata-rata waktu komputasi sebesar 698,1 ms atau sekitar 0,69 detik.
4. KESIMPULAN
Berdasarkan hasil pengujian yang dilakukan sensor warna TCS3200 yang ditempatkan didalam kotak hitam dapat bekerja dengan baik dan bisa membaca nilai RGB kuku dengan rata- rata error sebesar 1.478%. Selanjutnya sensor
suhu LM35 yang ditempatkan pada kain korset dapat bekerja sebagaimana mestinya dan membaca nilai suhu tubuh dengan rata-rata error sebesar 1.13%. Akurasi sistem dengan metode Naive Bayes mendapatkan nilai sebesar 91.6%.
Hal tersebut dibuktikan setelah dilakukan pengujian sebanyak 12 kali dengan hanya 1 kali ketidaksesuaian.
Untuk penelitian selanjutnya diharapkan dapat mengembangkan sistem ini menjadi lebih baik lagi, misalnya dengan menggunakan sensor lain untuk membaca data, menggunakan catu daya dari baterai, dan menggunakan media aplikasi online untuk melihat hasil keluaran.
5. DAFTAR PUSTAKA
Amani, R. Z. (2017). Sistem Pendeteksi Dehidrasi Berdasarkan Warna Dan Kadar Amonia Pada Urin Berbasis Sensor TCS3200 Dan MQ135 Dengan Metode Naive Bayes.
Astuti, E. H. (2016). Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke menggunakan Metode Naive Bayes. UNIVERSITAS BRAWIJAYA, Teknik Informatika, Malang.
Baber, D. (2010). Bayesian Reasoning and Machine Learning. London: Cambridge University Press.
Mayer, L. (2014). Nails as Indicator of Health Status.
Novriani. (2014). Rekayasa Perangkat Lunak Diagnosa Penyakit Paru-Paru Menggunakan Metode Backward Chaining Berbasis Web. Jurnal Teknologi Informasi dan Pendidikan Vol. 7.
Pocari. (2011, Februari 28). Pocari Sweat.
Diambil kembali dari Demam-vs- Cairan-Tubuh:
https://www.pocarisweat.id/article/20/D emam-vs-Cairan-Tubuh [Diakses 10 Agustus 2018]
Surono. (2018, Mei). Yayasan Pemberantas Penyakit Paru-Paru. (Dadang, Pewawancara)
Wiraputranto, M. C. (2015). Perubahan warna kuku. CDK-227/ vol. 42 no. 4, th. 2015.
Yunus, M. (2015). Aplikasi Sistem Pendukung Keputusan Diagnosa Penyakit Paru- Paru Dengan Metode Forward Chaining.
640 650 660 670 680 690 700 710 720
Waktu Pengujian Komputasi Sistem
