Fakultas Ilmu Komputer
Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut (ISPA) dengan menerapkan Metode Fuzzy K-Nearest Neighbor
Jeffrey Simanjuntak1, Edy Santoso2, Marji3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Infeksi Saluran Pernapasan Akut (ISPA) adalah infeksi pada saluran pernapasan, penyakit pernapasan ini menimbulkan gejala serperti batuk, pilek, dan demam. Penyakit ISPA dapat menjadi sangat berhaya, ISPA akan menyebar ke seluruh system pernafasan jika tidak ditangani dengan cepat. . Kelompok orang yang mudah terserang penyakit ini adalah mereka yang memiliki daya tuhan tubuh lemah yaitu mereka yang memiliki kelainan sistem kekebalan tubuh, orang dengan usia lanjut, dan anak-anak. ISPA dapat dengan mudah menyerang anak-anak dikarenakan anak-anak memiliki system imun yang belum terbentuk sempurna. Pada penelitian ini digunakan algoritme Fuzzy K-Nearest Neighbor pada sistem untuk dapat mengklasifikasikan penyakit ISPA. Pada penelitain ini penyakit ISPA diklasifikasikan menjadi ISPA ringan dan ISPA berat. Proses klarifikasi pada penelitian ini terdiri dari normalisasi, jarak Euclidean, lalu klasifikasi Fuzzy K-Nearest Neighbor. Hasil pengujian dengan menggunakan 10 data uji dan 50 data latih, didapat akurasi sebesar 90% pada K= 10, kemudian dilakukan pengujian pengaruh nilai K terhadap akurasi pada K antara 2 sampai 10 dengan hasil tertinggi pada K=7 yaitu 90%. Nilai akurasi yang didapat oleh sistem tetap sama sampai K=10 yaitu 90%.
Kata kunci: infeksi saluran pernapasan akut, ISPA, fuzzy k-nearest neighbor, FKNN Abstract
Acute Respiratory Infection (ARI) is an infection of the respiratory tract, this respiratory disease causes symptoms such as cough, cold, and fever. Acute Respiratory Infection disease can be very dangerous, ARI will spread throughout the respiratory system if not treated quickly. Groups of people who are susceptible to this disease are those who have weak body divine power, namely those who have immune system disorders, people with old age, and children. ARI can easily attack children because children have an immature immune system. In this study, the Fuzzy K-Nearest Neighbor algorithm is used on the system for classify ARI diseases. In this study, Acute Respiratory Infection was classified into mild Acute Respiratory Infection and severe Acute Respiratory Infection. The clarification process in this research consists of normalization, Euclidean distance, then Fuzzy K-Nearest Neighbor classification. The results of the test using 10 test data and 50 training data, obtained an accuracy of 90% at K = 10, then tested the effect of the K value on the accuracy at K between 2 to 10 with the highest result at K = 7 which is 90%. The accuracy value obtained by the system remains the same until K = 10, which is 90%.
Keywords: acute respiratory infection, fuzzy k-nearest neighbor, FKNN
1. PENDAHULUAN
Pneumonia merupakan penyakit yang sangat berbahaya, hal ini disebabkan penularannya yang mudah dan cepat. Pneumonia dapat disebabkan oleh infeksi menular oleh bakteri, virus, maupun jamur. Salah satu penyakit Pneumonia yang disebabkan oleh infeksi menular virus adalah penyakit ISPA.
Penyakit ISPA menimbulkan gejala serperti
batuk, pilek, dan demam. Penyakit ISPA dapat menjadi sangat berhaya, ISPA akan menyebar ke seluruh system pernafasan jika tidak ditangani dengan cepat. Pasien yang terkena penyakit ini akan mengalami gangguan pernafasan. Penyakit ISPA dapat menyerang semua kelompok umur.
Penyakit ini ditandai dengan batuk-batuk, kesulitan bernapas yang berujung pada kematian. ISPA menyebar ke seluruh sistem pernapasan dan membuat tubuh tidak
memperoleh oksigen yang cukup. ISPA merupakan salah satu penyakit yang mudah menular. ISPA dapat dengan mudah menyerang anak-anak dikarenakan anak-anak memiliki system imun yang belum terbentuk sempurna.
Infeksi Saluran Pernapasan Akut (ISPA) merupakan penyebab utama morbiditas (angka terkena penyakit) dari berbagai penyakit menular di dunia. Menurut riset kesehatan dasar (Riskesdas), tahun 2007-2011 sekitar 18 Juta penduduk dilaporkan memiliki prevalensi penyakit ini.
Tingginya angka ini disebabkan oleh penularan penyakit ISPA yang mudah.
Penularan akan dapat dicegah jika ditangani dengan cepat. Oleh karena itu, dibutuhkan sebuat sistem yang mampu memberikan informasi kepada masyarakat dan juga dibutuhkan tenaga medis dengan jumlah yang cukup pada setiap daerah sampai pada daerah- daerah tertentu. Sistem klasifikasi ini akan memberika informasi pada masyarakan luas dan dapat membantu tenaga medis untuk mendiagnosis penyakit ISPA.
Penerapan metode Fuzzy K-Nearest Neighbor telah dilakukan sebelumnya oleh Yerry Anggoro untuk klasifikasi penyakit tanaman kedelai pada citra daun. Citra pada penelitian ini dibuat dengan menggunakan metode Otsu untuk dapat memisahkan bagian memiliki penyakit dan bagian yang tidak memiliki penyakit lalu dilakukan pengklasifikasian(Anggoro & Adikara, 2018).
Penelitian dengan menggunakan metode Fuzzy K-Nearest Neighbor juga telah dilakukan oleh Wildan Gita Akbari. Wildan menggunakan metode Fuzzy K-Nearest Neighbor untuk mendiagnosis penyakit cabai. Pada penelitian ini dibutuhkan data berupa gejala – gejala penyakit tanaman cabai. Didapatkan nilai akurasi terbaik dari hasil percobaan yaitu dengan nilai K = 5 adalah sebesar 92% (Gita Akbari, et al., 2019).
Untuk dapat mengatasi permasalah yang telah dipaparkan sebelumnya, maka dibuatlah sebuah penelitian terkait diagnosis penyakit ISPA menggunakan metode Fuzzy K-Nearest Nneighbor. Penggunaan metode Fuzzy K- Nearest Neighbor pada sistem klasifikasi penyakit Infeksi Saluran Pernapasan Akut (ISPA). Penggunaan metode K-Nearest Neighbor pada metode Fuzzy dapat meningkatkan hasil akurasi pada beberapa
penelitian dan metode Fuzzy K-Nearest Neighbor juga mudah untuk dipahami.
2. LANDASAN KEPUSTAKAAN
Terdapat beberapa penelitian yang telah dilakukan sebelumnya pada penyakit ISPA, salah satunya dilakukan oleh William dengan menggunakan metode Logika Fuzzy K-Nearest Neighbor. Data pada Penelitian yang dilakukan oleh William menjadi data sekunder pada menelitian ini. Pada sistem, pakar memberikan 5 gejala serta 2 jenis penyakit ISPA. Pengujian akurasi pada penilitian ini dilakukan dengan menguji akurasi dari 60 data latih yang didapatkan dari pakar dan terdapat 53 dari 60 data tersebut yang sesuai antara hasil yang dikeluarkan sistem dengan hasil pakar. Pada penelitian ini dihasilkan nilai akurasi yang diperoleh sebesar 88,33% (Muris Parsaoran Nainggolan, et al., 2019).
Penelitian lain yang telah dilakukan pada penyakit ISPA, salah satunya oleh saudara Teuku Feraldy Ramadhani. Pada penelitian ini diterapkan metode Forward Chaining pada program berbasis Web. Hasil dari pengujian yang dilakukan pada sistem, didapatkan nilai akurasi yaitu sebesar 94% dari 100 data uji (Teuku Feraldy Ramadhani, 2020).
2.1. Penyakit Infeksi Saluran Pernapasan Akut (ISPA)
Infeksi Saluran Pernapasan Akut (ISPA) adalah penyakit saluran pernapasan atas atau bawah, biasanya menular, yang dapat menimbulkan berbagai spektrum penyakit yang berkisar dari penyakit tanpa gejala atau infeksi ringan sampai penyakit yang parah dan mematikan, tergantung pada patogen penyebabnya, faktor lingkungan, dan faktor pejamu (WHO, 2007).
Berdasarkan tingkat keparahannya, penyakit ISPA dibedakan menjadi 2, yaitu (Depkes RI, 2005):
- Infeksi Saluran Pernapasan Akut (ISPA) Ringan
Gejala umum yang terdapat pada ISPA ringan umumnya seperti flu ringan, batuk kering tidak berdahak, sakit kepala ringan, yang bisa ditangani di rumah dengan segera minum obat dan istirahat yang teratur.
- Infeksi Saluran Pernapasan Akut (ISPA) Berat
Infeksi ini merupakan tingkat yang lebih parah dari ISPA ringan dengan gejala seperti demam tinggi, menggigil, sesak napas, dan lain sebagainya, yang harus segera cepat diatasi dengan periksa ke dokter.
2.2. Fuzzy K-Nearest Neighbor
Fuzzy K-nearest neighbor (FK-NN) adalah gabungan algoritme klasifikasi antara Logika fuzzy dan K-nearest neighbor. Pada metode Fuzzy K-nearest neighbor terdapat dua kelebihan yang didapat jika dibandingkan dengan algoritme K-nearest neighbor, yaitu dapat memberikan pertimbangan jika ada sifat ambigu dari tetangga dan sebuah objek akan memiliki nilai derajat keanggotaan pada masing- masing kelas sehingga akan lebih memberikan kekuatan/kepercayaan suatu objek berada pada suatu kelas (Jowik, 2013).
Langkah - langkah dalam menggunakan metode FKNN oleh Keller & Li adalah seperti berikut:
1. Menentukan nilai K (banyaknya tetangga terdekat)
2. Mencari K tetangga terdekat untuk data uji menggunakan fungsi jarak. Persamaan 1 akan menunjukkan persamaan untuk mencari nilai K tentangga terdekat ke data uji.
𝑑(
𝑥𝑖,
𝑥𝑗) = (∑
|𝑥𝑖𝑙− 𝑥𝑗𝑙|2𝑁 𝑙=1
)
1 2
(1)
Keterangan:
- d(xi,xj) = jarak euclidean antara data xi ke data xj
- l = jumlah dimensi yang digunakan 3. Menghitung nilai keanggotaan u(x,ci).
Persamaan 2 akan menunjukkan persamaan untuk mencari nilai keanggotaan.
𝑢(𝑥, 𝑐𝑖) =
∑ 𝑢(𝑥𝑘,𝑐𝑖)∗𝑑(𝑥,𝑥𝑘)
−2 (𝑚−1) 𝐾
𝑘=1
∑ 𝑑(𝑥,𝑥𝑘)
−2 (𝑚−1) 𝐾
𝑘=1
(2)
Keterangan:
- u(x,ci) = nilai keanggotaan data x ke kelas ci
- K = jumlah tetangga terdekat yang digunakan
- u(xk,ci) = nilai keanggotaan data tetangga dalam K tetangga pada
kelas ci, nilainya 1 jika data
latih xk milik kelas ci atau 0 jika bukan milik kelas ci
- d(x, xk) = jarak dari data x ke data xk dalam K tetangga terdekat - m = bobot pangkat (weight exponent)
yang besarnya m > 1
4. Mengambil nilai terbesar dari c = u(x,ci) untuk semua 1 ≤ I ≤ C (banyak kelas) 5. Memberikan label kelas c ke data uji x.
3. PERANCANGAN
3.1. Penyakit Infeksi Saluran Pernapasan Akut (ISPA)
Tabel 1 menunjukkan nama gejala berta kode gejala Penyakit ISPA.
Tabel 1 Gejala Penyakit ISPA Kode
Gejala
Nama Gejala
G1 Tubuh lelah timbul demam G2 Batuk/nyeri tenggorokan G3 Hidung tersumbat / pilek G4 Mual / muntah
G5 Sakit kepala
Nilai yang dapat dioperasikan pada sebuah variabel disebut semesta pembicara. Berikut semesta pembicara pada tiap variabel:
1. Variabel demam : [0, 72]
2. Variabel batuk: [0, 72]
3. Variabel pilek: [0, 72]
4. Variabel mual/muntah: [0, 72]
5. Variabel sakit kepala: [0, 72]
3.2. Flowchart Sistem
Gambar 1 Flowchart sistem Tahapan-tahapan proses yang akan dijalankan oleh sistem klasifikasi dapat dilihat pada Gambar 4.2 yaitu berikut:
a. Pengguna memilih “Mulai” pada tampilan home.
b. User memasukkan gejala-gejala yang di alami.
c. Sistem melakukan normalisasi pada data latih dan data uji
d. Sistem menentukan jarak Euclidean.
e. Sistem melakukan perhitungan nilai keanggotaan.
f. Sistem melakukan defuzzifikasi FKNN.
g. Didapati hasil klasifikasi berdasarkan gejala yang telah dimasukkan oleh User.
Normalisasi
Setelah gejala dimasukkan oleh user, sistem kemudian akan melakukan normalisasi data pada data latih dan data yang dimasukkan oleh user.
Normalisasi dilakukan agar range data menjadi sama yaitu antara 0 dan 1. Gambar 2 akan menunjukkan diagram alir mencari Normalisasi.
Gambar 2 Diagram Normalisasi
Jarak Euclidean
Setelah gejala dimasukkan oleh user, lalu dilakukanlah pencarian jarak Euclidean.
Perhitungan jarak Euclidean didapat dengan menambahkan selisih jarak antara anggota lalu dikuadratkan dan dicari akarnya. Diagram alir mencari nilai K dapat dilihat pada Gambar 3.
Hasil Kaslifikasi Penyakit ISPA Gejala Penyakit
Mulai
Selesai Jarak Euclidean
Defuzzifikasi FKNN Nilai keanggotaan
Normalisasi
Gambar 3 Diagram Jarak Eiclidean Nilai Keanggotaan
Pencarian nilai anggota dilakukan setelah mendapat jarak Euclidean. Diagram alir mencari nilai Keanggotaan dapat dilihat pada Gambar 4.
Gambar 4 Diagram Nilai Keanggotaan Klasifikasi FKNN
Tahap Klasifikasi FKNN dilakukan setelah didapat nilai keanggotaan pada masing masing kelas. Pada tahap ini akan dilakukan pencarian nilai terbesar. Kelas dengan nilai kelas terbesar maka anggota masuk kedalam kelas tersebut.
Nilai kelas keanggotaan tertinggi akan mejadi nilai kelas dari data yang dimasukkan oleh user.
Diagram alir mencari nilai Keanggotaan pada setiap kelas dapat dilihat pada Gambar 5.
Gambar 5 Diagram Nilai Keanggotaan tiap Kelas
4. Pengujian dan Analisis 4.1. Pengujian Akurasi
Pengujian sistem diagnosis penyakit ISPA hanya menggunakan pengujian akurasi saja, guna mendapatkan nilai keakuratan perhitungan metode Fuzzy K-Nearest Neighbor. Pada penelian ini dilakukan pengujian dengan cara mencocokan hasil diagnosis dari sistem dengan hasil diagnosis pada data. Pengujian akurasi dilakukan dengan menguji akurasi dengan menggunakan 10 data uji pada 50 data latih.
Pengujian akurasi dapat dilihat pada Tabel 3.
Tabel 2 Pengujian Akurasi
Pengaruh nilai k terhadap akurasi ditampilkan pada Gambar 6. Pengujian dilakukan pada nilai k=2 lalu meningkat sampai nilai k=10. Data uji yang diujikan adalah sebanyak 10 data pada sistem dengan menggunakan 50 data latih yang dapat dilihat pada Tabel 2.
Gambar 6 Pengujian Nilai k Terhadap Akurasi
4.2. Analisis Hasil Pengujian
Setelah dilakukan pengujian pada sistem yang telah diimpleme melakukan perbandingan implementasi yang dijalankan sistem dengan hasil diagnosis pada data, terdapat dari 9 data yang sesuai antara hasil yang dikeluarkan sistem dan hasil diagnosis pada data dengan menggunakan nilai k=10. Nilai akurasi dapat diperoleh dengan jumlah data yang sesuai dibagi dengan keseluruhan data, lalu dikalikan 100%, sehingga didapatkan nilai akurasi 9
10 x 100% = 90%.
Gambar 6 menunjukkan nilai akurasi meningkat sampai mencapai nilai maksimum pada nilai k = 7 lalu selanjutnya tetap berada pada nilai 90%. Semakin besar nilai k maka semakin banyak pula komposisi kelas sehingga kesalahan prediksi akan semakin kecil.
5. KESIMPULAN DAN SARAN 5.1. Kesimpulan
Pada penelitain yang dilakukan yaitu dengan menerapkan metode pada Sistem Diagnosis Penyakit Infeksi Saluran Pernapasan Akut (ISPA) didapatkan kesimpulan yaitu :
1. Proses diagnosis Penyakit ISPA dengan menerapkan metode Fuzzy K-Nearest Neighbor dimulai dengan memproses 5 gejala yang diinpit oleh user dan 2 jenis Penyakit ISPA. Setiap anggota akan dicari nilai Euclidean ke data uji, kemudian dilakukan mengurutan pada anggota terdekat ke data uji. Sistem akan melakukan proses fuzzifikasi dengan menghitung nilai bobot setiap anggota terdekat sesuai nilai k yang dimasukkan oleh user. Proses defuzzifikasi dilakukan dengan mencari nilai tertinggi antara kelas Penyakit ISPA Ringan dan Penyakit ISPA berat, nilai ini didapat dengan menambahkan setiap anggota pada setiap kelas. Sehingga didapat hasil akhir dari diagnosis sistem.
2. Pengujian akurasi dilakukan dengan menguji akurasi dengan menggunakan 10 data uji pada 50 data latih yang didapatkan dari data sekunder yaitu dari penilitian yang dilakukan oleh saudara William. Setelah pengujian didapat terdapat 9 dari 10 data uji yang sesuai antara hasil yang dikeluarkan sistem dengan hasil pada data. Nilai akurasi yang diperoleh sebesar 90%
5.2. Saran
Berdasarkan pada penelitan ini yaitu dengan menerapkan metode Fuzzy K-Nearest
Neighbor, saran yang dapat diberikan untuk meningkatkan penelitain selanjutnya:
1. Penelitan hanya dilakukan pada metode Fuzzy K-Nearest Neighbor. Diharapkan pada penelitian selanjutnya, dilakukan pengembangan pada metode.
2. Penilian ini hanya menggunakan 60 data latih, sehingga pada penelitian berikutnya diharapkan dapat digunakan data latih yang lebih untuk dapat meningkatkan varians data sehingga hasil yang diberikan oleh sistem akan lebih akurat.
3. Pada penelitian ini, peneliti menggunakan data sekunder yang mengakibatkan peneliti tidak dapat terhubung langsung dengan pakar
40%
50%
60%
70%
80%
90%
100%
k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 k=10
sehingga peniliti sulit untuk mendapat penambahan pada data latih. Penilitian selanjutnya diharapkan menggunakan data yang sumbernya dapat dengan mudah dihubungi agar dapat dilakukan penambahan data.
6. DAFTAR PUSTAKA
Anggoro, Y. D. S. B. & Adikara, P. P., 2018.
Implementasi Metode Fuzzy K-Nearest Neighbor Untuk Klasifikasi. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Volume 2, pp. 2381- 2389.
Depkes RI, 2005. Rencana Kerja Jangka Menengah Nasional Penanggulangan Pneumonia Balita Tahun 2005 - 2009.
Jakarta: Depkes RI.
Gita Akbari, W., Hidayat, N. & Santoso, N., 2019. Diagnosis Penyakit Cabai Menggunakan Metode Fuzzy K-Nearest Neighbor(FKNN). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Volume 3, pp. 1070-1074.
Jowik, A., 2013. A Learning Scheme for A Fuzzy K-NN Rule. Pattern Recognition Letters (1), 287-289.
Muris Parsaoran Nainggolan, W., Santoso, E. &
Hidayat, N., 2019. Sistem Pakar Diagnosis Penyakit Infeksi Saluran Pernapasan Akut (ISPA). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Volume 3, pp. 3687- 3694.
Teuku Feraldy Ramadhani, I. F. E. T. E. H., 2020. Sistem Pakar Diagnosa Penyakit ISPA Berbasis Web Dengan Metode.
JOINTECS (Journal of Information Technology and Computer Science), Volume 5.
WHO, 2007. Pencegahan dan pengendalian infeksi saluran pernapasan akut (ISPA) yang cenderung menjadi epidemi dan pandemi di fasilitas pelayanan kesehatan.
Pedoman Interim WHO.
