PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT
PADA TOKO
ONLINE
OBAT HERBAL DENGAN
METODE
COSINE SIMILARITY
SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika
Disusun Oleh:
ESKA SEBAYU RIAN PUTRA
NIM. M0508039
JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
commit to user
PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT
PADA TOKO
ONLINE
OBAT HERBAL DENGAN
METODE
COSINE SIMILARITY
SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika
Disusun Oleh:
ESKA SEBAYU RIAN PUTRA
NIM. M0508039
JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
SKRIPSI
PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT
PADA TOKO
ONLINE
OBAT HERBAL DENGAN
METODE
COSINE SIMILARITY
Disusun Oleh:
ESKA SEBAYU RIAN PUTRA
NIM. M0508039
Skripsi ini telah disetujui untuk dipertahankan di hadapan Dewan Penguji
pada tanggal: 21 Januari 2013
Pembimbing I
Ristu Saptono, S.Si., M.T. NIP. 19790210 200212 1 001
Pembimbing II
commit to user
SKRIPSI
PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT
PADA TOKO
ONLINE
OBAT HERBAL DENGAN
METODE
COSINE SIMILARITY
Disusun Oleh:
ESKA SEBAYU RIAN PUTRA
NIM. M0508039
telah dipertahankan di hadapan Dewan Penguji
pada tanggal: 29 Januari 2013
Susunan Dewan Penguji
1. Ristu Saptono, S.Si., M.T. ( ) NIP.19790210 200212 1 001
2. Wiharto, S.T., M.Kom. ( )
NIP. 19750210 200801 1 005
3. Sari Widya Sihwi, S.Kom., M.T.I. ( )
NIP. 19830412 200912 2 003
4. Abdul Aziz, S.Kom., M.Cs. ( ) NIP .19810413 200501 1 001
Disahkan Oleh
Dekan Fakultas MIPA UNS
Prof.Ir. Ari Handono Ramelan, M.Sc.(Hons), Ph.D
NIP. 19610223 198601 1 001
Ketua Jurusan Informatika
Umi Salamah, S.Si, M.Kom
MOTTO
bermakna bagi diri sendiri, keluarga, dan masyarakat.
commit to user
PERSEMBAHANDipersembahkan untuk:
Ayah dan Ibu tercinta yang tanpa henti memberikan doa, nasehat, dukungan, dan
PENGEMBANGAN FITUR DETEKSI DINI PENYAKIT PADA TOKO ONLINE OBAT HERBAL DENGAN
METODE COSINE SIMILARITY
ESKA SEBAYU RIAN PUTRA
Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret.
ABSTRAK
Kesalahan diagnosis yang dilakukan oleh penderita sakit sering menyebabkan kesalahan pemilihan obat. Adanya aplikasi yang dapat mendeteksi dini penyakit yang sekaligus dapat memberikan rekomendasi obat herbal yang tepat diharapkan dapat meminimalisir kesalahan pembelian obat. Pendeteksian penyakit dapat dilakukan dengan membandingkan gejala yang dialami dengan data gejala penyakit yang ada pada aplikasi. Namun banyaknya penyakit dan gejala akan memaksa pengguna untuk memberikan feedback dalam proses input gejala dengan jumlah yang sama banyaknya dengan jumlah gejala yang ada. Untuk meminimalisir feedback, diperlukan pengelompokkan gejala dan pengeliminasian penyakit dalam beberapa tahap, sehingga gejala-gejala dari penyakit yang tidak mungkin diderita tidak akan ditanyakan lagi. Pengeliminasian penyakit akan didukung dengan perhitungan CosineSimilarity positif dan negatif.
Pengelompokkan gejala dan pengeliminasian penyakit yang didukung dengan perhitungan similarity positif dan negatif mampu mengurangi jumlah pertanyaan yang harus dijawab rata-rata mencapai 64,24%. Pengujian feedback
lengkap untuk mengukur kebenaran aplikasi terhadap setiap penyakit menghasilkan nilai akurasi 100%. Sedangkan pengujian dengan feedback random 20%, 40% dan data real untuk menggambarkan kemampuan aplikasi jika sudah diterapkan untuk masyarakat masing-masing menghasilkan nilai akurasi 96%, 85,8%, dan 94,74%.
commit to user
DEVELOPMENT OF EARLY DETECTION DISEASE FITURE ON HERB MEDICINE ONLINE SHOP WITH
COSINE SIMILARITY METHOD
ESKA SEBAYU RIAN PUTRA
Department of Informatics. Mathematic and Natural Science Faculty. Sebelas Maret University
ABSTRACT
Misdiagnosis by pain sufferers often cause medicines selection errors. The existence of application that can detect early disease as well as to provide recommendations appropriate herbal medicines expected to minimize medicines errors purchases. The detection of the disease can be made by comparing the symptoms experienced and the symptoms data that exist in application. But the number of illnesses and symptoms will force the users to give feedback to the input of symptoms by an amount equal to the amount of many symptoms. To minimize feedback, necessary grouping of symptoms and elimination of the disease in several stages, so that the symptoms of the disease that may not be sustained will not be asked again. Elimination of the disease will be supported with positive and negative Cosine Similarity calculation.
Grouping of symptoms and elimination of the disease that supported by the positive and negative similarity calculation can reduce the number of questions that must be answered significantly with average of 64,24%. Testing with complete feedback to measure the rightness of application of every disease generates accuracy value 100%. While testing with random feedback of 20%, 40% and real data to illustrate the ability of the application if it is applied to the community generate accuracy values of 96%, 85.8%, and 94,74%.
KATA PENGANTAR
Puji syukur kehadirat Allah SWT karena dengan ridho dan rahmat-Nya,
Pengembangan Fitur Deteksi Dini Penyakit pada Toko Online Obat Herbal dengan Metode Cosine
Similarity Banyak kesulitan dan hambatan yang Penulis temui dalam
penyusunan laporan ini. Namun berkat bantuan dan bimbingan dari berbagai pihak, Penulis dapat menyelesaikannya.
Penulis mengucapkan terima kasih kepada berbagai pihak yang telah
memberikan bimbingan, dukungan dan saran dalam pembuatan laporan ini, terutama kepada:
1. Ibu Umi Salamah, M.Kom. Selaku Ketua Jurusan Informatika FMIPA UNS. 2. Bapak Wisnu Widiarto, S.Si., M.T. selaku Pembimbing Akademik Jurusan
Informatika FMIPA UNS.
3. Bapak Ristu Saptono, S.Si, M.T selaku Dosen Pembimbing I yang penuh kesabaran memberikan bimbingan dan pengarahan selama proses penyusunan skripsi ini.
4. Bapak Wiharto, S.T., M.Kom selaku Dosen Pembimbing II yang penuh kesabaran memberikan bimbingan dan pengarahan selama proses penyusunan skripsi ini.
5. Ayah dan Ibu tercinta untuk setiap kasih sayang, nasehat, dan dukungan moral maupun material yang tak mungkin terbalas.
6. Teman-teman semua terutama mahasiswa Informatika FMIPA UNS angkatan 2008 dan Noor Fitriana Hastuti yang selalu memberikan bantuan, dukungan, dan motivasi kepada Penulis.
Semoga skripsi ini dapat bermanfaat bagi para pembaca.
Surakarta, 17 Januari 2013
commit to user
1.6 Sistematika Penulisan ... 4
BAB 2 TINJAUAN PUSTAKA ... 5
2.1 Landasan Teori... 5
2.1.1 Similarity ... 5
2.1.2 Logika Matematika ... 6
2.1.3 Obat Tradisional untuk Penyakit-penyakit Metabolik dan Degeneratif . 7 2.2 Penelitian Terkait ... 8
BAB 3 METODOLOGI PENELITIAN... 10
3.1 Studi Literatur ... 10
3.3 Pemodelan Data ... 11
3.3.1 Proses Pengelompokkan Gejala dan Eliminasi Penyakit ... 11
3.3.2 Proses Penemuan Penyakit yang Mungkin Dialami ... 12
3.3.3 Proses Perekomendasian Obat ... 12
3.4 Pengembangan Aplikasi... 13
3.5 Pengujian dan Analisis Hasil ... 13
BAB 4 PEMBAHASAN ... 15
4.1 Gambaran Umum Aplikasi ... 15
4.2 Pemodelan Sistem ... 16
4.2.1 Perancangan Database ... 16
4.2.2 Pengelompokkan Gejala ... 16
4.2.3 Pengeliminasian dan Penentuan Penyakit ... 18
4.2.4 Perekomendasian Obat ... 21
4.3 Implementasi ... 21
4.4 Pengujian... 26
4.2.1 Pengujian dengan Feedback Lengkap ... 27
4.2.2 Pengujian dengan Feedback Random 20% ... 27
4.2.3 Pengujian dengan Feedback Random 40% ... 28
4.2.4 Pengujian dengan Feedback Data Real ... 28
4.5 Analisis Hasil ... 29
BAB 5 PENUTUP ... 32
5.1 Kesimpulan ... 32
5.2 Saran ... 32
commit to user
DAFTAR TABELHalaman
Tabel 2.1 Penghubung pada logika ... 7
Tabel 2.2 Tabel kebenaran untuk logika negasi ... 7
Tabel 4.1 Gambaran pengelompokkan gejala ... 17
Tabel 4.2 Contoh transformasi biner untuk feedback serta penyakit asma dan influenza ... 18
Tabel 4.3 Rangkuman hasil pengujian dengan feedback lengkap ... 27
Tabel 4.4 Rangkuman hasil pengujian dengan feedback random 20% ... 27
Tabel 4.5 Rangkuman hasil pengujian dengan feedback random 40% ... 28
Tabel 4.6 Rangkuman hasil pengujian dengan feedback data real ... 28
DAFTAR GAMBAR
Halaman
Gambar 3.1 Alur rancangan penelitian ... 10 Gambar 4.1 Gambaran fitur/aplikasi deteksi dini penyakit pada toko online
herbal ... 15 Gambar 4.2 Hasil pengimplementasian aplikasi deteksi dini penyakit ... 22 Gambar 4.3 Tahap awal permintaan feedback (sebelum penghapusan record) .. 23 Gambar 4.4 Penghapusan record (id_penyakit=2 dan id_gejala=8) pada tabel
sk_penyakit_gejala ... 24 Gambar 4.5 Tahap awal permintaan feedback (setelah penghapusan record) .... 24 Gambar 4.6 Gejala
commit to user
DAFTAR LAMPIRANHalaman
Lampiran A ... 35
Lampiran B ... 36
Lampiran C ... 39
Lampiran D ... 43
Lampiran E ... 52
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan negara beriklim tropis yang memiliki tanaman obat yang beraneka ragam. Masing-masing tanaman obat menyimpan khasiat luar biasa dalam dunia kesehatan. Menurut Katno (2003), banyak orang beranggapan bahwa
penggunaan tanaman obat atau obat tradisional relatif lebih aman dibandingkan obat sintesis. Selain alasan tersebut, harga obat tradisional yang relatif lebih
terjangkau juga menjadi alasan mengapa pengobatan menggunakan obat tradisional dan herbal menjadi pilihan.
Informasi mengenai obat tradisional sudah banyak dibukukan di Indonesia dan sudah banyak pula toko online yang khusus menjual obat tradisional maupun
herbal, sehingga cukup mudah bagi masyarakat untuk memperoleh informasi mengenai obat tradisional dan herbal yang cocok untuk mengobati penyakit yang dideritanya. Namun penggunaan obat dapat menjadi tidak efektif, hal ini terjadi karena kesalahan diagnosis penyakit yang mungkin diderita serta kesalahan dalam
pemilihan obat akibat dari kesalahan dalam memperkirakan penyakit (Holt, 1986). Sehingga masyarakat yang awam dalam hal kesehatan memerlukan aplikasi yang
dapat digunakan untuk mendeteksi penyakit secara dini terutama penyakit metabolik dan degeneratif, serta merekomendasikan obat tradisional/herbal yang sesuai untuk penyakit yang diderita.
Pendeteksian penyakit secara mandiri oleh orang yang awam dalam hal
kesehatan dapat dilakukan dengan cara meminta feedback gejala yang dirasakan oleh pengguna dan mencocokkannya dengan setiap penyakit yang terdaftar dalam aplikasi dengan memanfaatkan metode Cosine Similarity. Pada umumnya, fungsi
similarity adalah fungsi yang menerima dua buah objek dan mengembalikan nilai
kemiripan (similarity) antara kedua objek tersebut berupa bilangan riil (Karhendana, 2008). Begum (2007) memanfaatkan metode Cosine Similarity
commit to user
penggunaan kembali pengalaman medis. Sistem ini sangat membantu dalam penanganan pasien yang dilakukan oleh pihak rumah sakit karena memanfaatkan perbandingan gejala penyakit yang dialami oleh penderita satu dengan penderita
lainnya. Namun sistem yang berbasis tekstual ini tidak dapat digunakan sendiri oleh orang yang awam dalam hal kesehatan, karena masukan keluhan dari pada pengguna bisa berbagai macam bentuknya sehingga menjadi tidak teratur. Untuk itu, agar dapat digunakan oleh orang awam, aplikasi perlu dibuat dengan meminta
input dalam bent
untuk setiap gejala yang ditanyakan.
Namun, banyaknya penyakit dan gejala yang ada di dalam aplikasi akan memaksa pengguna untuk memberikan jawaban pertanyaan dengan jumlah yang sama banyaknya dengan jumlah gejala yang ada. Untuk meminimalisir jumlah pertanyaan pada proses input gejala, diperlukan pengelompokan gejala dan
pengeliminasian penyakit dalam beberapa tahap, sehingga gejala-gejala dari penyakit yang tidak mungkin diderita tidak akan ditanyakan lagi oleh aplikasi.
Pengeliminasian penyakit dilakukan berdasarkan perhitungan similarity positif dan negatif pada tahap awal, dimana similarity negatif diperoleh dari perhitungan dengan negasi dari feedback. Apabila nilai similarity negatif tinggi, berarti penyakit yang bersangkutan tidak mungkin diderita oleh pengguna aplikasi.
Berdasarkan kondisi tersebut, diperlukan suatu aplikasi yang dapat melakukan deteksi dini penyakit dengan jumlah pertanyaan yang dapat diminimalisir dengan memanfaatkan metode Cosine Similarity yang didukung dengan pengelompokan gejala dan pengeliminasian penyakit, sehingga
masyarakat awam dapat mendeteksi dini penyakit yang diderita dengan mudah. Aplikasi ini akan diterapkan pada toko online yang secara khusus menjual obat
1.2 Rumusan Masalah
Berdasarkan latar belakang masalah yang sudah dijelaskan di atas, permasalahan yang dapat dirumuskan adalah bagaimana membangun aplikasi deteksi dini penyakit dengan memanfaatkan metode Cosine Similarity yang didukung dengan pengelompokan gejala dan pengeliminasian penyakit sehingga jumlah pertanyaan yang harus dijawab dapat diminimalisir, sekaligus untuk merekomendasikan obat herbal yang sesuai dengan penyakit yang ditemukan.
1.3 Batasan Masalah
Batasan masalah dalam penelitian tugas akhir ini adalah:
1. Aplikasi deteksi dini penyakit ini tidak dimaksudkan untuk menggantikan
peran dokter sebagai tempat konsultasi dan memeriksakan penyakit.
2. Penyakit yang digunakan dalam penelitian ini cenderung merupakan
penyakit-penyakit metabolik (gangguan metabolisme tubuh akibat konsumsi berbagai jenis makanan yang tidak terkendali ) dan degeneratif (gangguan faal tubuh sejalan dengan proses degenerasi) yang diambil dari buku yang ditulis oleh
3. Responden untuk pengujian data real merupakan orang yang sedang menderita
penyakit (yang digunakan di dalam penelitian ini), atau sudah sembuh tidak lebih dari tiga bulan saat diwawancarai.
4. Penulis menggunakan CMS toko online untuk digunakan dalam penelitian ini, sehingga penulis tidak membangun toko online dari awal, melainkan hanya menambahkan fitur deteksi penyakit dan rekomendasi obatnya.
1.4 Tujuan Penelitian
Tujuan penelitian tugas akhir ini adalah untuk membangun aplikasi deteksi dini penyakit dengan memanfaatkan metode Cosine Similarity yang didukung dengan pengelompokan gejala dan pengeliminasian penyakit sehingga jumlah
commit to user
1.5 Manfaat PenelitianPenelitian ini diharapkan dapat memberikan manfaat bagi masyarakat dalam mendeteksi penyakit secara dini sehingga dapat diberi rekomendasi obat herbal yang sesuai dengan penyakit yang diderita. Selain itu penelitian ini juga diharapkan dapat menjadi tambahan acuan dalam penggunaan metode Cosine
Similarity untuk mendeteksi penyakit tertentu yang lebih spesifik.
1.6 Sistematika Penulisan
Laporan ini dibuat dalam suatu sistematika penulisan yang dapat dijadikan acuan mengenai keterkaitan antarbab yang ada dalam laporan. Sehingga diharapkan laporan ini mudah dipahami oleh pembaca. Uraian dari sistematika
penulisan tersebut adalah sebagai berikut:
BAB 1 : PENDAHULUAN
Bab Pendahuluan memuat tentang latar belakang masalah, perumusan masalah, tujuan dan manfaat penelitian, metodologi penelitian dan sistematika penyusunan laporan.
BAB 2 : LANDASAN TEORI
Bab Landasan Teori memuat penjelasan tentang dasar teori yang digunakan untuk dasar pembahasan dari penelitian.
BAB 3 : METODE PENELITIAN
Bab Metodologi Penelitian berisi tentang metode atau langkah - langkah dalam pemecahan masalah.
BAB 4 : PEMBAHASAN
Bab Pembahasan memuat pembahasan permasalahan yang telah
dirumuskan dengan menggunakan landasan teori yang mendukung. Teori tersebut harus mengacu pada pustaka yang digunakan. Pembahasan dilakukan pada
metode penyelesaian permasalahan.
BAB 5 : PENUTUP
BAB 2
TINJAUAN PUSTAKA
2.1 Landasan Teori
2.1.1 Similarity
Dijelaskan oleh Karhendana (2008), secara umum, fungsi similarity adalah
fungsi yang menerima dua buah objek dan mengembalikan nilai kemiripan
(similarity) antara kedua objek tersebut berupa bilangan riil. Umumnya, nilai yang
dihasilkan oleh fungsi similarity berkisar pada interval [0...1]. Namun ada juga beberapa fungsi similarity yang menghasilkan nilai yang berada di luar interval tersebut. Untuk memetakan hasil fungsi tersebut pada interval [0...1] dapat dilakukan normalisasi.
Semakin besar hasil fungsi similarity, maka kedua objek yang dievaluasi dianggap semakin mirip. Sebaliknya, semakin kecil hasil fungsi similarity, maka kedua objek tersebut dianggap semakin berbeda. Pada fungsi yang menghasilkan nilai pada jangkauan [0...1], nilai 1 melambangkan kedua objek persis sama, sedangkan nilai 0 melambangkan kedua objek sama sekali berbeda.
Cosine Similarity adalah metode similarity yang paling banyak digunakan
untuk menghitung similarity dua buah dokumen (Tan, 2006). Rumus Cosine
Similarity adalah sebagai berikut:
cos(x,y) =
, dimana
(1)x y = vektor dot product dari x dan y, dihitung dengan
||x|| = panjang vektor x, dihitung dengan
||y|| = panjang vektor y, dihitung dengan
Contoh perhitungan Cosine Similarity: x = (1,0,1,0,1,1)
commit to user
Logika adalah metode atau teknik yang diciptakan untuk meneliti ketepatan penalaran serta mengkaji prinsip-prinsip penalaran yang benar dan penarikan kesimpulan yang absah (Sofyani, 2008).
a) Pernyataan (Proposisi)
Kata merupakan rangkaian huruf yang mengandung arti, sedangkan
kalimat adalah kumpulan kata yang disusun menurut aturan tata bahasa dan mengandung arti. Di dalam matematika tidak semua pernyataan yang bernilai benar atau salah saja yang digunakan dalam penalaran. Pernyataan disebut juga kalimat deklaratif yaitu kalimat yang bersifat menerangkan, disebut juga proposisi (Sofyani, 2008).
b) Penghubung Kalimat dan Tabel Kebenaran
Satu atau lebih proposisi dapat dikombinasikan untuk menghasilkan proposisi baru lewat penggunaan operator logika (Sofyani, 2008). Proposisi
baru yang dihasilkan dari kombinasi tersebut disebut dengan proposisi majemuk (compound composition), sedangkan proposisi yang bukan
merupakan hasil dari kombinasi proposisi lain disebut proposisi atomik. Proposisi majemuk tersusun dari sejumlah proposisi atomik.
Tabel 2.1 Penghubung pada logika
Simbol Arti Bentuk
~ Tidak/Not/Negasi Tidak... Dan/And/Konjungsi ....dan...
Atau/Or/Disjungsi ...atau...
Implikasi Jika...maka... Bi-Implikasi ...Jika dan hanya jika...
c) Negasi (Ingkaran)
negasi dari pernyataan p tersebut adalah ~
p di atas bernilai benar (true), maka ingkaran p (~p) adalah bernilai salah
(false) dan begitu juga sebaliknya.
Tabel 2.2 Tabel kebenaran untuk logika negasi p ~p
T F
F T
2.1.3 Obat Tradisional untuk Penyakit-penyakit Metabolik dan Degeneratif
Dijelaskan oleh Katno dan Pramono (2003), pola penyakit di Indonesia (bahkan di dunia) telah mengalami pergeseran dari penyakit infeksi (yang terjadi sekitar tahun 1970 ke bawah) ke penyakit-penyakit metabolik degeneratif (sesudah tahun 1970 hingga sekarang). Hal ini seiring dengan laju perkembangan tingkat ekonomi dan peradaban manusia yang ditandai dengan pesatnya perkembangan ilmu dan teknologi dengan berbagai penemuan baru yang
bermanfaat dalam pengobatan dan peningkatan kesejahteraan umat manusia. Pada periode sebelum tahun 1970-an banyak terjangkit penyakit infeksi
commit to user
Sebaliknya pada periode berikutnya hingga sekarang sudah cukup banyak ditemukan turunan antibiotika baru yang potensinya lebih tinggi sehingga mampu membasmi berbagai penyebab penyakit infeksi.
Akan tetapi timbul penyakit baru yang bukan disebabkan oleh jasad renik, melainkan oleh gangguan metabolisme tubuh akibat konsumsi berbagai jenis makanan yang tidak terkendali serta gangguan faal tubuh sejalan dengan proses degenerasi. Penyakit ini dikenal dengan sebutan penyakit metabolik dan
degeneratif. Yang termasuk penyakit metabolik antara lain: diabetes (kencing manis), hiperlipidemia (kolesterol tinggi), asam urat, batu ginjal dan hepatitis;
sedangkan penyakit degeneratif diantaranya: rematik (radang persendian), asma (sesak nafas), ulser (tukak lambung), haemorrhoid (ambeien/wasir) dan pikun
(Lost of memory). Untuk menanggulangi penyakit tersebut diperlukan pemakaian
obat dalam waktu lama sehingga jika menggunakan obat modern dikhawatirkan
adanya efek samping yang terakumulasi dan dapat merugikan kesehatan. Oleh karena itu lebih sesuai bila menggunakan obat tradisional, walaupun
penggunaanya dalam waktu lama tetapi efek samping yang ditimbulkan relatif kecil sehingga dianggap lebih aman (Katno dan Pramono, 2008).
2.2 Penelitian Terkait
a) Similarity of Medical Cases in Health Care Using Cosine Similarity and
Ontology (Shahina Begum, 2007)
Meningkatnya penggunaan catatan pasien secara digital di rumah sakit telah dapat menghemat waktu dan mengurangi risiko kesalahan perawatan yang disebabkan oleh kurangnya informasi. Catatan pasien digital juga
memungkinkan penyebaran dan transfer informasi yang diperoleh dari diagnosis dan pengobatan pasien individu secara efisien. Sebagian besar isi
catatan pasien adalah informasi tekstual semi-terstruktur. Dalam penelitian tersebut, peneliti mengusulkan sistem penalaran berbasis kasus tekstual campuran yang menawarkan penggunaan kembali pengalaman medis. Hal ini berasal dari catatan pasien terstruktur atau tidak terstruktur, penalaran berbasis
ditingkatkan dengan ontologi domain yang spesifik dan metode Nearest
Neighbour. Hasilnya, staf rumah sakit dapat belajar tidak hanya kasus baru,
tetapi juga menambahkan komentar untuk kasus-kasus yang sudah ada
sehingga memungkinkan kasus prototipikal.
b) Klasifikasi Kategori dan Identifikasi Topik pada Artikel Berita Berbahasa Indonesia (Aini Rachmania Kusumaagama Fuddoly, 2011)
Pada thesis tersebut, penulis memperkenalkan metode klasifikasi kategori, identifikasi topik dan ekstraksi kata kunci dokumen berita berbahasa
Indonesia. Penulis menggunakan perhitungan Likelihood untuk mengklasifikasikan kategori dan Cosine Similarity untuk mengidentifikasi topik dokumen. Identifikasi topik dilakukan dengan cara menghitung similarity
antara kata kunci topik yang telah diketahui sebelumnya dengan kata kunci
artikel uji, dimana kata kunci-kata kunci tersebut direpresentasikan dalam bentuk vektor untuk kemudian dihitung menggunakan rumus Cosine
Similarity. Sehingga suatu artikel baru akan dapat ditentukan kategorinya
berdasarkan kemiripan kata kunci artikel dengan kata kunci topik kategori.
Diharapkan metode tersebut dapat mengatasi permasalah klasifikasi dokumen berita dan memudahkan pengguna menemukan berita yang sesuai
commit to user
BAB 3METODOLOGI PENELITIAN
Pelaksanaan penelitian akan didasarkan pada alur rancangan penelitian seperti yang ditunjukkan pada Gambar 3.1:
Gambar 3.1 Alur rancangan penelitian
3.1 Studi Literatur
Studi literatur diperlukan untuk mempelajari mengenai apa itu Cosine
Similarity dan bagaimana cara penggunaannya. Selain itu, teori mengenai negasi
dalam konteks logika matematika juga perlu dipelajari karena berkaitan langsung
dalam proses pendeteksian penyakit. Studi literatur ini mengambil dari jurnal-jurnal yang terkait, terutama jurnal-jurnal penelitian yang memanfaatkan metode Cosine
Similarity.
3.2 Pengumpulan Data
Dalam penelitian ini, diperlukan data-data yang terkait dan akan digunakan dalam aplikasi deteksi dini penyakit. Terdapat dua jenis data berdasarkan cara mendapatkannya, yaitu data primer dan data sekunder. Dalam kasus ini, penulis hanya menggunakan data sekunder. Sedangkan data yang diperlukan dalam penelitian ini hanya data mengenai penyakit dan gejalanya, serta obat
Untuk mengumpulkan data penyakit dan gejalanya, penulis menggunakan teknik studi literatur dimana sumber data ini berasal dari buku yang berjudul
oleh Prayogo Utomo. Melalui pengumpulan data ini, diperoleh 33 data penyakit dan 129 data gejala.
Sedangkan data obat herbal-tradisional beserta khasiatnya juga dikumpulkan dengan metode studi literatur melalui situs toko online
. Tidak semua produk yang dijual di situs tersebut diambil untuk keperluan penelitian, melainkan hanya beberapa obat
saja yang memang memiliki khasiat untuk menyembuhkan 33 penyakit yang sesuai dengan data penyakit yang telah dikumpulkan sebelumnya. Setelah diperoleh data obat dan khasiatnya, dilakukan penyaringan untuk menghilangkan khasiat obat yang sifatnya hanya meringankan gejala penyakit (tidak
menyembuhkan penyakitnya). Hal ini perlu dilakukan agar hasil rekomendasi obat menjadi lebih baik. Melalui pengumpulan data ini, diperoleh 58 data obat
herbal-tradisional yang memiliki khasiat untuk mengobati penyakit yang termasuk dalam 33 penyakit yang telah dikumpulkan datanya.
3.3 Pemodelan Data
Aplikasi deteksi dini penyakit ini akan diterapkan sebagai fitur dari toko
online obat herbal, sehingga aplikasi ini diterapkan dalam bentuk modul yang ada
di toko online tersebut. Penulis menggunakan CMS toko online Lokomedia, sehingga penulis tidak membangun toko online dari awal, hanya nantinya akan memerlukan sedikit penyesuaian agar aplikasi dapat berjalan dengan benar.
3.3.1 Proses Pengelompokan Gejala dan Eliminasi Penyakit
Terlebih dahulu, gejala akan dibagi ke dalam tiga kelompok berdasarkan
tingkat kemunculannya. Kelompok pertama merupakan gejala dengan prosentase kemunculan diatas 15% karena muncul di banyak penyakit, kelompok kedua dengan prosentase antara 5% hingga 15% karena muncul di sedikit penyakit, dan kelompok ketiga dengan prosentase kurang dari 5% gejala-gejala di kelompok
commit to user
sering muncul akan ditanyakan terlebih dahulu menggunakan form dengan bentuk
input berupa radio yang menyatakan a dan idak untuk setiap gejala yang
ditanyakan.
Feedback dan gejala akan ditransformasikan ke bentuk himpunan biner
Cosine
Similarity, feedback akan dicocokkan dengan gejala penyakit. Apabila nilai
similarity terhadap suatu penyakit rendah (kurang dari 0,5), akan dihitung kembali
similarity dari negasi gejalanya, jika similarity negasinya tidak lebih atau sama
dengan 0,1 dari similarity positifnya, maka penyakit tersebut masih mungkin
untuk lolos ke tahap selanjutnya. Di luar batas tersebut, dapat dipastikan penyakit tersebut tidak diderita oleh pengguna dan akan dieliminasi pada tahap selanjutnya. Selanjutnya pengguna akan ditanyai gejala lagi yang merupakan gejala khusus untuk memastikan kemungkinan penyakitnya.
3.3.2 Proses Penemuan Penyakit yang Mungkin Dialami
Pada tahap akhir proses pencarian penyakit, diperoleh beberapa penyakit yang mungkin diderita disertai dengan nilai similarity akhirnya, dimana penyakit yang mungkin diderita merupakan penyakit dengan nilai similarity akhir lebih besar dari 0,5. Nilai similarity akhir merupakan nilai similarity yang diperoleh
dengan membandingkan gejala penyakit dari data gejala dengan seluruh feedback
yang telah diberikan oleh pengguna dalam tiga tahap. Dalam kasus ini dimungkinkan ditemukan beberapa penyakit dengan nilai akhir similarity lebih besar dari 0,5.
3.3.3 Proses Perekomendasian Obat
Pada tahap ini, dicari obat yang memiliki khasiat untuk mengobati penyakit-penyakit yang ditemukan. Pencarian obat dapat dilakukan melalui proses
filtering pada tabel hubungan antara obat dan penyakit. Dimungkinkan obat
memiliki khasiat untuk menyembuhkan beberapa penyakit yang ditemukan dan
rekomendasi obat akan diurutkan berdasar jumlah penyakit yang ditemukan yang dapat disembuhkan dengan obat tersebut. Apabila muncul empat penyakit yang
penyakit tersebut dengan keterangan A dapat menyembuhkan dua penyakit, B dapat menyembuhkan empat penyakit, dan C dapat menyembuhkan hanya satu penyakit, maka urutan rekomendasinya adalah obat B, obat A, dan obat C.
3.4 Pengembangan Aplikasi
Aplikasi deteksi dini penyakit ini akan diterapkan sebagai fitur pendukung suatu toko online obat herbal dalam bentuk modul yang ditambahkan ke dalam CMS toko online buatan Lokomedia yang berbasis PHP-MySQL. Sehingga
pengembangan aplikasi deteksi dini penyakit ini akan menggunakan bahasa pemrograman PHP serta database MySQL untuk menyimpan data-data yang telah dikumpulkan sebelumnya.
Perangkat lunak yang digunakan selama pengembangan antara lain: -Sistem operasi : Windows 7 Ultimate
-Text editor : Adobe Dreamweaver CS5
-Bahasa pemrograman : PHP 5.3.5
-Web server : Apache 2.2.17
-Database server : MySQL 5.5.8
-Web browser : Google Chrome 23.0.1271.97
Sedangkan perangkat keras yang digunakan selama pengembangan
aplikasi ini menggunakan laptop Acer 4530 dengan spesifikasi seperti berikut:
-Processor : AMD Turion X2 Dual-Core 2GHz
-RAM : 2GB
-Tipe sistem : sistem operasi 32-bit -Harddisk : 140GB
3.5 Pengujian dan Analisis Hasil
Pada penelitian ini, dilakukan pengujian untuk mengukur akurasi aplikasi deteksi dini penyakit. Pengujian akan dibagi ke dalam empat jenis, antara lain:
1. Pengujian dengan feedback lengkap
commit to user
2. Pengujian dengan feedbackrandomPengujian ini mirip dengan pengujian feedback lengkap, juga dengan melibatkan 33 penyakit. Bedanya, 20% dari gejala penyakit yang diuji dijawab
random.
Setelah pemilihan 20% gejala tersebut, penyakit akan diujicobakan pada aplikasi. Pengujian ini akan dilakukan sebanyak tiga kali untuk memperoleh nilai akurasi rata-rata.
3. Pengujian dengan feedbackrandom
Pengujian ini sama dengan pengujian feedback random 20%, namun
ini juga melibatkan 33 penyakit dan akan dilakukan sebanyak tiga kali.
4. Pengujian dengan data real
Pada pengujian ini, dilakukan wawancara terprogram terhadap beberapa responden untuk memperoleh kurang lebih 19 kasus penyakit yang diderita
dalam kurun waktu tidak lebih dari tiga bulan. Responden diberi pertanyaan mengenai penyakit yang pernah atau yang sedang diderita disertai dengan gejala yang dirasakan. Pertanyaan gejala yang dirasakan disesuaikan dengan data penyakit dan gejala yang sudah ada di dalam aplikasi.
Setiap pengujian tersebut akan dihitung nilai akurasinya. Nilai akurasi dihitung dengan rumus:
Akurasi = x 100% (2)
Selain menghitung akurasi, di setiap percobaan pada masing-masing pengujian akan dihitung jumlah pertanyaan yang perlu dijawab hingga tahap
BAB 4
PEMBAHASAN
4.1 Gambaran Umum Aplikasi
Aplikasi deteksi dini penyakit merupakan aplikasi yang berguna untuk membantu pendeteksian penyakit yang mungkin diderita secara dini. Aplikasi ini meminta input gejala yang dialami dalam bentuk input radio. Feedback yang
diberikan dan data gejala setiap penyakit akan di transformasikan dalam bentuk biner dan dibandingkan menggunakan metode Cosine Similarity. Semakin tinggi
nilai similarity suatu penyakit terhadap feedback-nya, maka semakin besar pula peluang penyakit tersebut muncul sebagai penyakit yang mungkin diderita. Setelah ditemukan beberapa penyakit yang muncul, akan direkomendasikan obat herbal yang sesuai untuk mengatasi penyakit-penyakit tadi.
Aplikasi ini diterapkan sebagai modul fitur tambahan pada sebuah toko
online yang khusus menjual obat herbal-tradisional. Dengan adanya aplikasi ini,
diharapkan pengguna aplikasi menjadi lebih waspada terhadap penyakit yang mungkin dideritanya serta memeriksakan kesehatannya untuk memperoleh
kepastian. Selain itu diharapkan pembeli obat herbal-tradisional tidak salah dalam melakukan pembelian obat dikarenakan kesalahan diagnosis yang dilakukan
sendiri oleh pembeli.
Gambaran mengenai aplikasi ini dapat dilihat pada Gambar 4.1 berikut ini.
Gambar 4.1 Gambaran aplikasi deteksi dini penyakit pada toko online herbal Toko Online Obat Herbal Fitur/Aplikasi
commit to user
4.2 Pemodelan Sistem4.2.1 Perancangan Database
Aplikasi ini menggunakan lima tabel agar dapat bekerja dengan baik, antara lain: tabel sk_gejala, tabel sk_penyakit, tabel sk_obat, tabel sk_penyakit_gejala, serta tabel sk_penyakit_obat. Tabel sk_penyakit_gejala
tabel sk_penyakit_obat
Tabel sk_gejala berisi id gejala dan gejala/simtom. Tabel sk_penyakit berisi id penyakit dan nama penyakitnya. Tabel sk_obat berisi id obat dan nama
obatnya. Tabel sk_penyakit_gejala berisi keterkaitan antara penyakit-penyakit dan gejala-gejalanya. Sedangkan tabel sk_penyakit_obat merupakaan tabel yang
menggambarkan khasiat obat dan keterkaitannya dengan penyakit.
Khusus untuk tabel sk_obat, tabel ini nantinya akan dilebur dengan tabel produk yang sudah ada sebelumnya di dalam CMS toko online yang penulis gunakan. Hal ini dilakukan agar database tetap dalam bentuk normal selama
proses penyesuaian dan pengaplikasian fitur deteksi dini penyakit ke dalam CMS. Kolom id_obat pada tabel sk_obat melebur dengan kolom id_produk pada tabel produk, begitupula dengan namanya.
4.2.2 Pengelompokan Gejala
Dalam kasus ini, penulis melakukan pengelompokan gejala dengan tujuan
untuk meminimalisir jumlah pertanyaan yang diberikan kepada pengguna. Dengan jumlah pertanyaan yang lebih sedikit, diharapkan pengguna akan merasa lebih nyaman dalam menggunakan aplikasi ini.
Pengelompokan gejala dilakukan dengan cara sebagai berikut:
1. Untuk setiap gejala, hitung jumlah penyakit yang memiliki gejala tersebut. 2. Gejala diurutkan berdasarkan jumlah penyakit yang mana gejala tersebut
3. Gejala-gejala tadi dibagi ke dalam tiga kelompok, kelompok pertama adalah gejala dengan prosentase kemunculan lebih dari 15%, kelompok kedua adalah gejala dengan prosentase kemunculan antara 5% hingga 15%, sedangkan
kelompok ketiga adalah gejala dengan prosentase kemunculan kurang dari 5%. Pembagian kelompok ini bersifat dinamis dan dapat berubah-ubah, tergantung dari jumlah gejala dan jumlah penyakit yang ada. Kelompok pertama dapat dianggap sebagai gejala umum karena sering muncul, sedangkan kelompok ketiga dapat dianggap sebagai gejala khusus, karena hanya muncul di satu penyakit saja.
Gambaran mengenai pengelompokan gejala ini dapat dilihat pada Tabel 4.1. Pada tabel ini ditunjukkan sepuluh gejala dengan kemunculan paling tinggi. Untuk gejala dengan urutan lebih dari kesepuluh dipastikan bahwa kemunculannya tidak lebih dari empat kali. Untuk data pengelompokan gejala
selengkapnya dapat dilihat pada Lampiran B.
Tabel 4.1 Gambaran pengelompokan gejala
No Gejala Kemunculan Prosentase
1 Badan terasa lemah 9 27.27
sebanyak sembilan gejala dan akan ditanyakan terlebih dahulu kepada pengguna. Nantinya pengguna akan diminta untuk menjawab pertanyaan
commit to user
pengguna nantinya akan dibandingkan dengan gejala-gejala yang dimiliki penyakit-penyakit yang terkait dengan kelompok gejala tadi. Selanjutnya akan masuk pada proses pengeliminasian.
4.2.3 Pengeliminasian dan Penentuan Penyakit
Pengeliminasian penyakit bertujuan untuk menghilangkan penyakit yang sudah tidak mungkin lagi muncul. Dampak positifnya, jumlah gejala yang akan
ditanyakan menjadi semakin sedikit pula, sehingga akan dapat lebih mengurangi jumlah pertanyaan yang harus dijawab oleh pengguna. Berikut ini adalah
tahap-tahap proses pengeliminasian penyakit:
1. Transformasi biner untuk penyakit dan feedback.
Feedback dari pengguna dan gejala dari penyakit ditransformasikan ke
dalam bentuk himpunan biner. Penyakit yang dibandingkan merupakan penyakit yang minimal satu dari gejalanya terdapat pada daftar gejala yang ditanyakan pada suatu tahap pemberian feedback. Misalnya sebagai berikut:
Tabel 4.2 Contoh transformasi biner untuk feedback serta penyakit asma dan influenza
2. Menghitung nilai similarity penyakit dengan feedback.
Untuk mengetahui nilai similarity keduanya, dapat menggunakan rumus umum Cosine Similarity (Rumus 1). Contoh perhitungan Cosine Similarity
untuk asma dan feedback adalah sebagai berikut:
x = (0,1,0,0,1,0,0,1,0) Hasil biner untuk asma y = (0,1,0,0,0,0,1,1,0) Hasil biner untuk feedback
x y = (0*0)+(1*1)+(0*0)+(0*0)+(1*0)+(0*0)+(0*1)+(1*1)+(0*0)
Sehingga diperoleh nilai similarity penyakit asma dengan feedback
yang diberikan yaitu sebesar 0,67.
3. Menghitung nilai similarity penyakit dengan negasi feedback.
Perhitungannya sama dengan contoh perhitungan pada tahap kedua, perbedaannya adalah biner feedback dinegasikan menjadi kebalikannya,
dimana nilai 1 menjadi 0, dan nilai 0 menjadi 1. Penggunaan similarity negasi ini adalah untuk meyakinkan dalam proses pengeliminasian penyakit. Logikanya, apabila similarity-nya rendah dan similarity negasinya tinggi, berarti pemberi feedback tidak menderita penyakit yang bersangkutan.
4. Mengeliminasi penyakit yang nilai similarity-nya di luar batas.
Apabila nilai similarity (yang membandingkan gejala penyakit dengan
feedback) 0,5 ke atas, maka dapat dipastikan penyakit tersebut masih memiliki
peluang untuk ditemukan sebagai jawaban, sehingga penyakit ini lolos pada pengeliminasian awal dan akan diproses lagi pada tahap selanjutnya. Jika
similarity positif dan similarity negasinya hampir sama, maka akan sulit untuk
commit to user
tambahan apabila nilai similarity positifnya kurang dari 0,5 dan similarity
negasi tidak lebih atau sama dengan 0,1 dari similarity positifnya, maka penyakit ini juga akan lolos. Berikut ini penjelasan secara algoritmik:
Alasan penggunaan batas toleransi 0,1 ini karena ketika similarity
positif sedikit di bawah 0,5 dan similarity negatifnya sedikit di atas 0,5, maka kondisi ini sebenarnya masih diragukan apakah penyakit yang masuk dalam kondisi ini harus lolos atau dieliminasi. Namun pada akhirnya penyakit dengan kondisi ini masih diberi kesempatan untuk lolos.
Eliminasi pada tahap pertama didasarkan pada nilai similarity awal yang diperoleh dari perhitungan antara penyakit dengan feedback awal, sedangkan eliminasi pada tahap kedua didasarkan pada nilai similarity kedua
yang diperoleh dari perhitungan antara penyakit dengan gabungan feedback
tahap pertama dan feedback tahap kedua
5. Menyiapkan pertanyaan tahap selanjutnya.
Setelah meminta feedback berdasar gejala dengan kemunculan lebih dari 15%, gejala yang ditanyakan selanjutnya merupakan gejala-gejala dari penyakit yang tidak tereliminasi pada tahap sebelumnya dengan persentase kemunculan antara 5% hingga 15%. Setelah feedback diberikan, langkah-langkah 1 hingga 4 dilakukan kembali untuk mengeliminasi lagi penyakit yang
tidak mungkin diderita. Hal yang sama dilakukan hingga tahap terakhir yaitu memberikan pertanyaan berdasarkan gejala penyakit yang belum tereliminasi dengan kemunculan gejala kurang dari 5%, dimana gejala tersebut merupakan menjadi ciri khusus suatu penyakit.
6. Penentuan penyakit.
Setelah tiga kali permintaan feedback dan dari seluruh penyakit yang masih mungkin muncul sebagai jawaban, dihitung nilai similarity akhir-nya
if(sim(A)>=0,5) then A lolos;
else if ((simN(A)-sim(A))<0,1) then A lolos;
(juga menggunakan Rumus 1), yaitu similarity antara gejala penyakit tersebut dengan seluruh feedback yang telah diberikan. Penyakit yang menjadi output
aplikasi merupakan penyakit dengan nilai similarity akhir lebih dari 0,5.
4.2.4 Perekomendasian Obat
Langkah-langkah dalam perekomendasian obat adalah sebagai berikut: 1. Setelah penyakit ditemukan, cari semua relasi antara penyakit yang ditemukan
dengan obat yang berhubungan dengan penyakit itu, melalui tabel sk_penyakit_obat.
2. Temukan obat dengan mengelompokkan obat berdasarkan id obat-nya.
3. Rekomendasikan obat-obat tersebut disertai penyakit yang dapat disembuhkannya
4. Hasil rekomendasi obat diurutkan berdasarkan jumlah penyakit (penyakit dari
hasil deteksi dini) yang dapat diobati dengan menggunakan obat tersebut.
4.3 Implementasi
Aplikasi deteksi dini penyakit ini diterapkan sebagai fitur pendukung suatu toko online obat herbal dalam bentuk modul yang ditambahkan ke dalam CMS toko online buatan Lokomedia yang berbasis PHP-MySQL. Tautan untuk fitur
deteksi dini penyakit ini ditambahkan pada navigasi utama yang sudah ada pada CMS toko online Lokomedia, sehingga pengunjung dapat dengan mudah
menjangkau fitur ini.
Permintaan feedback diimplementasikan dalam bentuk form, dimana setiap
gejala yang ditanyakan akan terdapat dua buah radio button untuk menyatakan
commit to user
Gambar 4.2 Hasil pengimplementasian aplikasi deteksi dini penyakit
Pada tahap awal (dari tiga tahap) permintaan feedback, ditampilkan
sembilan gejala untuk dijawab apakah gejala tersebut dirasakan atau tidak. Sembilan gejala yang ditanyakan ini tidaklah statis, melainkan dapat berubah
tergantung dari prosentase kemunculan gejala tersebut pada keseluruhan penyakit yang ada pada database.
Dalam penelitian ini, diambil batas prosentase kemunculan diatas 15% agar muncul pada tahap awal permintaan feedback. Apabila, misalnya, salah satu
penyakit yang memiliki gejala dengan prosentase kemunculan sedikit diatas 15%, kemudian gejala tersebut dihilangkan dari penyakit tersebut, maka otomatis prosentase kemunculan gejala tersebut akan turun, sehingga gejala tersebut tidak akan muncul pada tahap awal permintaan feedback melainkan pada tahap setelahnya (jika penyakit yang berkaitan dengan gejala tersebut tidak tereliminasi). Hal yang sama juga berlaku pada tahap permintaan feedback yang
kedua dan ketiga (terakhir).
kemunculan gejala tersebut. Telah diketahui bahwa salah satu gejala asma adalah batuk, dan gejala batuk ini muncul pada tahap awal permintaan feedback. Prosentase kemunculan batuk adalah 15,15% (5 kemunculan pada 33 penyakit).
Kemudian akan kita hilangkan gejala batuk dari penyakit asma. Hal ini dilakukan dengan cara mengubah atau menghapus record yang menghubungkan penyakit asma dengan gejala batuk, sehingga prosentase kemunculan batuk berkurang menjadi di bawah batas 15% dan akhirnya tidak muncul pada tahap awal permintaan feedback.
Gambar 4.3 Tahap awal permintaan feedback (sebelum penghapusan record)
Jika melihat data pada database, diketahui bahwa id_penyakit dari Asma adalah 2, dan id_gejala dari Batuk adalah 8, maka pada tabel sk_penyakit_gejala
commit to user
Gambar 4.4 Penghapusan record (id_penyakit=2 dan id_gejala=8) pada tabel sk_penyakit_gejala
Dapat dilihat bahwa setelah penghapusan record, gejala batuk tidak lagi muncul di tahap awal permintaan feedback. Sehingga yakinlah bahwa gejala yang ditanyakan bersifat dinamis dan tergantung dari prosentase kemunculan gejala.
Contoh kasus setelah kondisi pada database dikembalikan seperti semula, dan
feedback
merupakan gejala-gejala penyakit yang tidak tereliminasi pada tahap pertama
dengan prosentase kemunculan antara 5% hingga 15%.
Gambar 4.6
Apabila di tahap kedua ini tidak ada gejala yang dialami, kemudian pada
commit to user
kemungkinan 89%. Dilengkapi pula dengan rekomendasi obat herbal yang cocok untuk mengobati penyakit tersebut. Output dari deteksi dini penyakit untuk kasus ini dapat dilihat pada Gambar 4.7.
Gambar 4.7 Output fitur/aplikasi deteksi dini penyakit
4.4 Pengujian
Output dari pengujian aplikasi ini adalah nilai akurasi yang menyatakan prosentase percobaan yang benar. Nilai akurasi dihitung dengan Rumus 2.
Ada empat cara pengujian pengujian dengan input yang berbeda. Pertama
adalah pengujian yang dilakukan dengan pemberian feedback lengkap sesuai gejala penyakit pada
Pengujian ketiga dilakukan dengan memberikan feedback random dimana 40%
pemberian feedback menggunakan data real dari penderita.
4.4.1 Pengujian dengan Feedback Lengkap
Pada pengujian ini, dilakukan 33 percobaan (sesuai jumlah penyakit yang tersimpan di dalam database) dengan cara memberikan feedback sesuai dengan
gejala setiap penyakit yang sedang diuji. Hasil lengkap pengujian ini dapat dilihat pada Lampiran C, yang sekaligus menunjukkan semua gejala dari setiap penyakit
yang digunakan. Rangkuman hasil pengujian ini dapat dilihat pada Tabel 4.3.
Tabel 4.3 Rangkuman hasil pengujian dengan feedback lengkap
Jumlah Percobaan
Penyakit yang diuji muncul di urutan Gagal
Ditemukan Akurasi ke-1 ke-2 ke-3
33 33 (100%) 0 (0%) 0 (0%) 0 (0%) 100%
4.4.2 Pengujian dengan FeedbackRandom 20%
Pada pengujian ini, dilakukan 33 percobaan (sesuai jumlah penyakit) dengan memberikan feedback random. Di setiap percobaan, terlebih dahulu
diujicobakan pada aplikasi. Percobaan dianggap benar jika pada output aplikasi terdapat penyakit yang sedang diuji. Pengujian dilakukan sebanyak tiga kali, dan kemudian dihitung nilai akurasi rata-ratanya. Hasil lengkap pengujian ini dapat dilihat pada Lampiran D, sedangkan rangkuman hasil pengujiannya dapat dilihat pada Tabel 4.4.
Tabel 4.4 Rangkuman hasil pengujian dengan feedbackrandom 20%
Pengu-jian
Jumlah Percobaan
Penyakit yang diuji muncul di urutan Gagal
commit to user
4.4.3 Pengujian dengan FeedbackRandom 40%Pada pengujian ini, dilakukan 33 percobaan (sesuai jumlah penyakit) dengan memberikan feedback random. Di setiap percobaan, terlebih dahulu
diujicobakan pada aplikasi. Percobaan dianggap benar jika pada output aplikasi terdapat penyakit yang sedang diuji. Pengujian dilakukan sebanyak tiga kali, dan kemudian dihitung nilai akurasi rata-ratanya. Hasil lengkap pengujian ini dapat
dilihat pada Lampiran E, sedangkan rangkuman hasil pengujiannya dapat dilihat pada Tabel 4.5.
Tabel 4.5 Rangkuman hasil pengujian dengan feedbackrandom 40%
Pengu-jian
Jumlah
Percobaan
Penyakit yang diuji muncul di urutan Gagal
Ditemukan Akurasi
4.4.4 Pengujian dengan Feedback Data Real
Pada pengujian ini, diperoleh 19 kasus sakit dari 18 responden disertai
dengan gejala yang dialami oleh penderita sakit. Setiap kasus sakit tersebut diujicobakan pada aplikasi. Percobaan dianggap benar jika output aplikasi sesuai dengan penyakit yang diderita oleh responden Hasil lengkap pengujian ini dapat dilihat pada Lampiran F, dan rangkuman hasilnya dapat dilihat pada Tabel 4.6 berikut ini.
Tabel 4.6 Rangkuman hasil pengujian dengan feedback data real
Jumlah
Percobaan
Penyakit yang diuji muncul di urutan Gagal
Ditemukan Akurasi ke-1 ke-2 ke-3
4.5 Analisis Hasil
Pengujian pertama (feedback lengkap) dengan menggunakan 33 data penyakit menunjukkan bahwa setiap penyakit yang diujikan muncul di output
aplikasi deteksi dini penyakit dan menghasilkan nilai akurasi 100%. Selain itu, semua penyakit tersebut muncul di urutan ke-1. Hal ini menunjukkan bahwa akurasi aplikasi terhadap memori data penyakit dan gejala yang ada di database
sudah sempurna.
Pengujian kedua dilakukan sebanyak tiga kali, setiap pengujiannya melibatkan 33 percobaan dengan memberikan feedback sesuai gejala penyakit
namun dilakukan secara random
-masing menghasilkan nilai akurasi 100%, 97%, dan 90,9%. Sehingga diperoleh
nilai akurasi rata-rata 96% dan total kegagalan 4 kali dari 99 percobaan. Hasil ini menunjukkan bahwa pengujian dengan memberikan feedbackrandom 20% masih
menghasilkan akurasi yang sangat baik.
Pengujian ketiga dilakukan hampir sama seperti pengujian kedua namun
dengan memberikan feedbackrandom 40%. Dari tiga kali pengujian, nilai akurasi yang dihasilkan yaitu 93,9%, 84,8%, dan 78,8%. Sehingga diperoleh nilai akurasi
rata-rata 85,8% dan total kegagalan 14 dari 99 percobaan. Hasil ini menunjukkan bahwa pengujian dengan memberikan feedbackrandom 40% masih menghasilkan akurasi yang cukup baik.
Pada pengujian keempat, digunakan 19 data real dari hasil wawancara terprogram terhadap 18 responden yang pernah menderita penyakit yang ada di
dalam penelitian ini. Pengujian ini menghasilkan nilai akurasi 94,74% dengan rincian 18 kasus berhasil ditemukan dengan benar sesuai jawaban yang
seharusnya muncul dan 1 kasus gagal.
Sebagian besar kegagalan pada beberapa percobaan terjadi karena tidak
adanya gejala yang dialami pada seleksi awal penyakit tersebut. Dengan kata lain apabila tidak ada gejala kelompok I pada penyakit yang memiliki gejala kelompok
commit to user
tersebut akan tereliminasi. Sehingga apabila pada suatu penyakit yang memiliki
tersebut akan langsung tereliminasi karena nilai similarity-nya 0. Hal yang sama
juga berlaku pada penyakit yang tidak memiliki gejala kelompok I namun hanya memiliki gejala kelompok II dan III, jika tidak ada gejala kelompok II yang t akan tereliminasi karena nilai similarity -nya 0. Jadi pada posisi inilah kelemahan dari aplikasi ini, namun memang seperti itu juga cara kerja dari aplikasi ini. Namun demikian, hasil akurasi dari setiap pengujian menunjukkan hasil yang cukup baik.
Tujuan penelitian yang ingin meminimalisir jumlah pertanyaan sudah tercapai karena memang setiap pertanyaan yang ditanyakan di setiap tahap merupakan pertanyaan gejala-gejala beberapa penyakit yang masih mungkin untuk muncul sebagai jawaban, sedangkan gejala dari penyakit yang sudah
tereliminasi tidak akan mungkin muncul lagi. Jumlah pertanyaan yang harus dijawab untuk menemukan penyakit pada setiap pengujian dapat dilihat pada
tabel-tabel di Lampiran C, D, E, dan F. Dapat dilihat bahwa pertanyaan yang harus dijawab jauh lebih sedikit jika dibandingkan dengan pertanyaan yang harus dijawab tanpa pengelompokan gejala dan pengeliminasian penyakit yang jumlahnya mencapai 129 gejala. Tabel 4.7 berikut ini menunjukkan jumlah
pertanyaan yang harus dijawab di setiap pengujian yang dilakukan (hanya percobaan yang benar, yang diperhitungkan di dalam tabel ini). Dari keseluruhan
pengujian, diperoleh rata-rata jumlah pertanyaan yang harus dijawab yaitu hanya 46,13 atau 35,76% dari 129 gejala. Dengan kata lain, pengelompokkan gejala dan pengeliminasian penyakit dapat mengurangi jumlah pertanyaan yang diajukan
Tabel 4.7 Jumlah pertanyaan yang harus dijawab di setiap pengujian
Pengujian Percobaan Benar
Jumlah Pertanyaan yang Harus Dijawab Minimal Maksimal Rata-rata
Feedback lengkap 33 24 (18,60%) 80 (62,02%) 46,30 (35,89%)
Random 20% I 33 24 (18,60%) 79 (61,24%) 46,21 (35,82%)
Random 20% II 32 24 (18,60%) 80 (62,02%) 46,19 (35,81%)
Random 20% III 30 24 (18,60%) 67 (51,94%) 45,87 (35,56%)
Random 40% I 31 24 (18,60%) 71 (55,04%) 45,97 (35,64%)
Random 40% II 28 24 (18,60%) 68 (52,71%) 43,57 (33,78%)
Random 40% III 26 24 (18,60%) 71 (55,04%) 43,42 (33,66%)
Feedback Data Real 18 24 (18,60%) 80 (62,02%) 51,50 (39,92%)
Rata-rata Keseluruhan 46,13 (35,76%)
Pada bagian perekomendasian obat, hasil rekomendasi masih belum maksimal karena hanya diurutkan berdasarkan banyaknya suspect penyakit yang
dapat disembuhkan oleh suatu obat. Selain itu, rekomendasi obat memerlukan spesialisasi obat yang khasiat utamanya untuk menyembuhkan penyakit tertentu
commit to user
BAB 5PENUTUP
5.1 Kesimpulan
Berdasarkan pengembangan aplikasi dan pengujian yang telah dilakukan, diperoleh beberapa kesimpulan antara lain:
1.Penggunaan Cosine Similarity yang didukung dengan pengelompokan gejala
dan pengeliminasian penyakit dalam aplikasi deteksi dini penyakit dapat mengurangi jumlah pertanyaan yang diberikan secara signifikan. Rata-rata pengurangan jumlah pertanyaan yang diajukan mencapai 64,24%, sehingga cara ini mampu menemukan penyakit lebih cepat dan dengan pertanyaan lebih
sedikit jika dibandingkan dengan tanpa pengelompokan gejala dan pengeliminasian penyakit.
2.Pengujian feedback lengkap yang bertujuan untuk menguji kebenaran aplikasi untuk setiap penyakitnya menghasilkan nilai akurasi 100%. Artinya, aplikasi ini telah berhasil dalam pengujian terhadap setiap penyakit yang ada dan menghasilkan output penyakit sesuai harapan. Sedangkan pengujian
menggunakan feedback random 20%, random 40% serta data real
menunjukkan bahwa akurasi aplikasi ini cukup baik dan masing-masing
mencapai 96%, 85,8%, dan 94,74%. Kegagalan pada beberapa percobaan lebih banyak disebabkan karena tereliminasinya penyakit akibat dari tidak adanya gejala yang dirasakan pada seleksi awal penyakit tersebut. Sehingga penyakit tersebut memiliki nilai similarity awal 0 dan harus tereliminasi terlebih dahulu.
5.2 Saran
Perekomendasian obat yang hanya diurutkan berdasarkan jumlah penyakit yang dapat disembuhkan membuat perekomendasian tersebut menjadi kurang
maksimal. Perekomendasian obat ini akan menjadi lebih baik jika disertai dengan spesialisasi khasiat utama serta diurutkan sesuai prosentase kemungkinan penyakit
Selain itu, pengelompokan gejala yang mengambil batas di atas 15% untuk kelompok pertama, dapat diturunkan menjadi 10% untuk mengetahui apakah perubahan tersebut memberikan dampak yang signifikan positif maupun negatif
