SISTEM PENDUKUNG KEPUTUSAN PENDETEKSIAN PENYAKIT DIABETES DENGAN METODE DECISION TREE MENGGUNAKAN ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3).

(1)

METODE DECISION TREE MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3)

TUGAS AKHIR

Oleh :

YUSNITA ASRI J AYANTI NPM : 0534010107

J URUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” J AWA TIMUR

(2)

METODE DECISION TREE DENGAN ALGORITMA

ITERATIVE DICHOTOMISER 3 (ID3)

SKRIPSI

Diajukan Untuk Memenuhi Sebagai Persyaratan Dalam Memperoleh Gelar Sarjana Komputer

Jurusan Teknik Informatika

Disusun oleh :

J URUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL ″ VETERAN″ J AWA TIMUR

(3)

SISTEM PENDUKUNG KEPUTUSAN

PENDETEKSIAN PENYAKIT DIABETES MENGGUNAKAN

METODE DECISION TREE DENGAN ALGORITMA

ITERATIVE DICHOTOMISER 3 (ID3)

Disusun Oleh :

Telah disetujui untuk mengikuti Ujian Negar a Lisan Gelombang V Tahun Akademik 2011/2012

Dosen Pembimbing I Dosen Pembimbing II

Moh. Irwan Afandi, S.T, Msc Fetty Tr i Anggr aeny, S.Kom NPT. 2760707402200 NPT. 38202 060 208

Mengetahui,

Ketua J ur usan Teknik Infor matika Fakultas Teknologi Industr i UPN ”Veter an” J awa Timur

(4)

SISTEM PENDUKUNG KEPUTUSAN

PENDETEKSIAN PENYAKIT DIABETES MENGGUNAKAN

METODE DECISION TREE DENGAN ALGORITMA

ITERATIVE DICHOTOMISER 3 (ID3)

Disusun Oleh :

YUSNITA ASRI J AYANTI

NPM. 0534010107

Telah diper tahankan di hadapan dan diter ima oleh Tim Penguji Sk r ipsi J ur usan Tek nik Infor matika Fakultas Teknologi Industr i

Univer sita s Pembangunan Nasional ”Veter an” J awa Timur Pada Tanggal 13 Apr il 2012

Pembimbing : Tim Penguji :

1. 1.

Moh. Ir wan Afandi, S.T, Msc Achmad J unaidi, S.Kom, M.Kom

NPT. 2760707402200 NPT. 378110401991

2. 2.

Fetty Tr i Anggr aeny, S.Kom Ir. R. Pur nomo Edi Sasongko, MP NPT. 38202 060 208 NPT. 196407141988031001

3.

Rr . Ani Dijah Rahajoe, S.T, M.Cs NPT. 197305122005012003 Mengetahui,

Dekan Fakultas Tek nologi Industr i

Univer sita s Pembangunan Nasional ”Veter an” J awa Timur

(5)

FAKULTAS TEKNOLOGI INDUSTRI

KETERANGAN REVISI

Kami yang bertanda tangan di bawah ini menyatakan bahwa mahasiswa berikut: Nama : Yusnita Asri Jayanti

NPM : 0534010107 Jurusan : Teknik Informatika

Telah mengerjakan revisi/ tidak ada revisi*) pra rencana (design)/ skripsi ujian lisan gelombang V, TA 2011/2012 dengan judul:

″SISTEM PENDUKUNG KEPUTUSAN PENDETEKSIAN PENYAKIT MENGGUNAKAN METODE DECISION TREE DENGAN ALGORITMA ITERATIVE DICHOTOMISER (ID3)″

Surabaya, 13 April 2012 Dosen Penguji yang memerintahkan revisi:

1) Achmad Junaidi, S.Kom, M.Kom NPT. 378110401991

2) Ir. R. Purnomo Edi Sasongko, MP NPT. 196407141988031001

3) Rr. Ani Dijah Rahajoe, S.T, M.Cs NPT. 197305122005012003

Mengetahui,

Pembimbing Utama Pembimbing Pendamping

Moh. Irwan Afandi, S.T, Msc Fetty Tri Anggraeny, S.Kom NPT. 2760707402200 NPT. 38202 060 208

{

}

{

}

(6)

ABSTRAK

Jumlah penderita Diabetes meningkat dari tahun ke tahun. Hal ini dikarenakan keterlambatan diagnosis penyakit tersebut. Penderita penyakit tersebut meninggal akibat komplikasi penyakit ini. Oleh karena itu perlu dilakukan tindakan guna mengantisipasi meningkatnya jumlah penderita Diabetes yang meninggal. Pada tugas akhir ini, dibuat suatu model sistem pendukung keputusan pendeteksian penyakit Diabetes dengan Metode Desicion Tree menggunakan algoritma ID3.

Pada metode ini, variabel-variabel pendukung penegak diagnosis penyakit tersebut digunakan dalam pembentukan data (tabel). Data (tabel) akan diproses sehingga menghasilkan suatu pohon keputusan. Sistem ini dapat digunakan dengan mudah oleh tenaga medis guna membantu pengambilan keputusan dalam mendeteksi penyakit Diabetes. Pengguna cukup hanya memasukkan data pemeriksaan laboratorium dengan menekan tombol proses yang nantinya keluar hasil penegakan diagnosis.

Setelah diuji dan dianalisis dengan penggunaan 70% data didapatkan nilai rata-rata akurasi yaitu 76.24%, sehingga secara umum dapat memberikan solusi terhadap pengguna.

(7)

KATA PENGANTAR

Bismillahirrahmannirahim,

Syukur Alhamdulillaahi rabbil ‘alamin terucap ke hadirat Allah SWT atas segala limpahan Kekuatan-Nya sehingga dengan segala keterbatasan waktu, tenaga, pikiran dan keberuntungan yang dimiliki penyusun, akhirnya penyusun dapat menyelesaikan Skripsi yang berjudul ″ Sistem Pendukung Keputusan Pendeteksian Penyakit Diabetes dengan Metode Decision Tree Menggunakan Algoritma Iterative Dichotomiser 3 (ID3)″ dengan tepat waktu, Shalawat dan

salam diperuntukkan kepada junjungan kita nabi besar Muhammad SAW.

Skripsi ini disusun guna diajukan sebagai salah satu syarat untuk menyelesaikan program Strata Satu (S1) pada jurusan Teknik Informatika,

Fakultas Teknologi Industri, UPN

″

VETERAN

″

Jawa Timur.

Melalui Skripsi ini penyusun merasa mendapatkan kesempatan emas untuk memperdalam ilmu pengetahuan yang diperoleh selama di bangku perkuliahan, terutama berkenaan tentang penerapan data mining. Namun, penyusun menyadari bahwa Skripsi ini masih jauh dari sempurna. Oleh karena itu penyusun sangat mengharapkan saran dan kritik dari para pembaca untuk pengembangan aplikasi lebih lanjut.

Surabaya, 24 Mei 2012

(8)

UCAPAN TERIMA KASIH

Penyusun menyadari bahwasanya dalam menyelesaikan Skripsi ini telah mendapat banyak bantuan dan dukungan dari berbagai pihak, untuk itu pada

kesempatan yang berharga ini, penyusun mengucapan terima kasih kepada: 1. Ibu Dr. Ir. Ni Ketut, MT selaku Ketua Jurusan Teknik Informatika Universitas

Pembangunan Nasional “Veteran” Jawa Timur Surabaya.

2. Mama dan papa tercinta di rumah yang senantiasa memberikan dukungan dan mendoakan penyusun supaya Skripsi ini segera terselesaikan.

3. Bapak M. Irwan Afandi, S.T, Msc selaku Dosen Pembimbing I di jurusan Teknik Informatika Universitas Pembangunan Nasional ″Veteran″ Jawa Timur Surabaya yang telah memberikan arahan, bimbingan serta motivasi sehingga penulis dapat menyelesaikan Tugas Akhir ini.

4. Ibu Fetty Tri Anggraeny, S.Kom selaku Dosen Pembimbing II di jurusan Teknik Informatika Universitas Pembangunan Nasional ″Veteran″ Jawa Timur Surabaya yang telah memberikan saran, arahan, ilmu dan telah meluangkan waktunya sehingga penulis dapat menyelesaikan Tugas Akhir ini. 5. Om Adi dan Tante Mirma terima kasih banyak atas semua informasi tentang

penyakit diabetes sehingga penulis bisa menyelesaikan Tugas Akhir ini. 6. Bapak dan Ibu bos di perusahaan penulis berkerja, terima kasih banyak telah

(9)

7. Joko, Basra, Dewi, Ajeng, Debi (terima kasih atas semangatnya sehingga penulis bisa menyelesaikan tugas akhir ini), Singgih (terima kasih sudah meminjamkan laptopnya untuk penulis selama penulis bimbingan TA ini) 8. Teman-teman penulis lainnya yang tidak mungkin penulis sebutkan namanya

satu per satu terima kasih telah membantu dan memberikan do’anya kepada

penulis untuk menyelesaikan Tugas Akhir ini.

(10)

DAFTAR ISI

ABSTRAK ... i

KATA PENGANTAR ... ii

UCAPAN TERIMA KASIH ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... x

DAFTAR TABEL ... xiv

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang... 1

1.2 Perumusan Masalah ... 2

1.3 Batasan Masalah ... 2

1.4 Tujuan ... 3

1.5 Manfaat ... 3

1.6 Metodologi Penelitian ... 3

1.7 Sistematika Penulisan ... 5

BAB II TINJ AUAN PUSTAKA... 6

2.3 Diabetes Millitius ... 6

2.1.1 Hormon Insulin ... 6

2.1.2 Penyebab Diabetes ... 7

(11)

2.1.5 Komplikasi pada Diabetes ... 11

2.1.6 Kriteria Pengendalian Diabetes... 12

2.4 Sistem Pendukung Keputusan (SPK) ... 14

2.2.1 Pengertian Sistem Pendukung Keputusan ... 14

2.2.2 Nilai Guna dan Karakteristik SPK ... 15

2.2.3 Komponen-Komponen SPK ... 18

2.2.3.1 Subsistem Managemen Database ... 19

2.2.3.2 Subsistem ManagementBasis Model ... 19

2.2.3.3 Subsistem Perangkat Lunak Penyelenggara Dialog ... 21

2.5 Latar Belakang Decision Tree ... 22

2.3.1 Pengertian Decision Tree... 23

2.3.2 Manfaat Decision Tree ... 23

2.3.3 Model Decision Tree ... 24

2.3.4 Konsep Decision Tree ... 25

2.3.5 Kelebihan dan Kekurangan Metode Decision Tree ... 26

2.3.6 Iterative Dichotomicer 3 (ID3) ... 27

2.3.6.1 Entropy dan Information Gain ... 28

2.3.6.2 Contoh ... 30

BAB III ANALISA DAN PERANCANGAN SISTEM ... 41

3.1 Rancangan Umum ... 41

3.2 Perancangan Algoritma ID3 ... 42

(12)

3.2.2 Mengubah Tree menjadi Rule ... 61

3.3 Perancangan Sistem ... 62

3.3.1 Flowchart ... 62

3.3.2 Data Flow Diagram ... 64

3.3.2.1 Diagram Context ... 65

3.3.2.2 Diagram Berjenjang ... 66

3.3.2.3 DFD Level 0 ... 67

3.3.2.4 DFD Level 1 pada Proses Manajemen Data Admin ... 68

3.3.2.5 DFD Level 1 pada Proses Manajemen Data User ... 69

3.3.3 ERD (Entity Relationship Diagram) ... 70

3.3.3.1 CDM ... 70

3.3.3.2 PDM ... 71

3.4 Perancangan Database ... 72

3.4.1 Tabel User ... 73

3.4.2 Tabel Data Jenis ... 73

3.4.3 Tabel Data Atribut... 74

3.4.4 Tabel Data Training ... 74

3.4.5 Tabel Rule ... 75

3.4.6 Tabel Level Pohon ... 75

3.4.7 Tabel Pasien ... 76

3.4.8 Tabel Konfigurasi... 76

(13)

3.5 Perancangan Perangkat Lunak ... 77

3.5.1 Perancangan Form Login... 77

3.5.2 Perancangan Form User ... 78

3.5.2.1 Form Diagnosis ... 79

3.5.2.2 Form Sejarah Pasien ... 79

3.5.3 Perancangan Form Admin ... 80

3.5.3.1 Form Data Jenis ... 81

3.5.3.2 Form Data Atribut ... 81

3.5.3.3 Form Data Training ... 82

3.5.3.4 Form Data User ... 83

BAB IV IMPLEMENTASI PROGRAM ... 84

4.1 Perangkat Lunak yang Digunakan ... 84

4.2 Implementasi Data ... 85

4.2.1 Data Tabel User ... 85

4.2.2 Data Tabel Jenis ... 85

4.2.3 Data Tabel Atribut... 86

4.2.4 Data Tabel Training ... 86

4.2.5 Data Tabel Rule ... 87

4.2.6 Data Tabel Level Pohon ... 87

4.2.7 Data Tabel Pasien ... 88

4.2.8 Data Tabel Sejarah ... 88

4.3 Implementasi Aplikasi Desain Antarmuka ... 89

(14)

4.3.2 Desain Tampilan Halaman Admin ... 90

4.3.2.1 Form Data Jenis ... 91

4.3.2.2 Form Data Atribut... 93

4.3.2.3 Form Data Training ... 95

4.3.2.4 Form Data User ... 96

4.3.3 Desain Tampilan Halaman User ... 98

4.3.3.1 Form Pendaftaran Pasien ... 99

4.3.3.2 Form Diagnosa ... 100

4.3.3.3 Form Edit Password ... 100

BAB V UJ I COBA DAN EVALUASI PROGRAM ... 101

5.1 Ujicoba Data ... 101

5.2 Ujicoba Aplikasi ... 102

5.2.1 Ujicoba pada Halaman Admin ... 102

5.2.2 Ujicoba pada Halaman User ... 105

BAB VI PENUTUP ... 109

(15)

DAF TAR GAMBAR

Gambar 2.1 Model Pohon Keputusan (Pramudiono, 2008) ... 24

Gambar 2.2 Pohon Keputusan Level 1 ... 32

Gambar 2.3 Pohon Keputusan level 1 Iterasi ke-1 ... 33

Gambar 3.1 Diagram Rancangan Umum Sistem ... 41

Gambar 3.2 Pohon Keputusan level 1 ... 45

(16)

Gambar 3.16 Pohon Keputusan Pendeteksi Penyakit Diabetes ... 61

Gambar 3.17 Gambar Flowchart pada Halaman Admin... 63

Gambar 3.18 Gambar Flowchart pada Halaman User ... 64

Gambar 3.19 Diagram Context ... 66

Gambar 3.20 Diagram berjenjang... 66

Gambar 3.21 DFD Level 0 ... 68

Gambar 3.22 DFD Level 1 pada Proses Manajemen Data Admin ... 69

Gambar 3.23 DFD Level 1 pada Proses Manajemen Data User ... 70

Gambar 3.24 Conceptual Data Model ... 71

Gambar 3.25 Physical Data Model ... 72

Gambar 3.26 Perancangan Form Login ... 78

Gambar 3.27 Perancangan Halaman Depan User ... 78

Gambar 3.28 Perancangan Form Diagnosis ... 79

Gambar 3.29 Perancangan Form Sejarah Pasien... 79

Gambar 3.30 Perancangan Halaman Depan Admin ... 80

Gambar 3.31 Perancangan Form Data Jenis ... 81

Gambar 3.32 Perancangan Form Data Atribut ... 82

Gambar 3.33 Perancangan Form Data Training ... 82

Gambar 3.34 Perancangan Form Data User... 83

Gambar 4.1 Tampilan Halaman Login ... 90

(17)

Gambar 4.3 Tampilan Form Insert Data Jenis... 91

Gambar 4.4 Tampilan Form Edit Data Jenis ... 92

Gambar 4.5 Tampilan Form Delete Data Jenis ... 92

Gambar 4.6 Tampilan Form Insert Data Atribut ... 93

Gambar 4.7 Tampilan Form Edit Data Atribut ... 94

Gambar 4.8 Tampilan Form Delete Data Atribut ... 94

Gambar 4.9 Tampilan Form Insert Data Training ... 95

Gambar 4.10 Tampilan Form Konfigurasi Data Training ... 96

Gmabar 4.11 Tampilan Form Insert Data User... 97

Gambar 4.12 Tampilan Form Edit Data User ... 97

Gambar 4.13 Tampilan Form Hapus Data User ... 98

Gambar 4.14 Desain Tampilan Halaman User ... 99

Gambar 4.15 Tampilan Form Daftar Pasien ... 99

Gambar 4.16 Tampilan Form Diagnosa Pasien ... 100

Gambar 4.17 Tampilan Form Edit Password ... 100

Gambar 5.1 Tampilan Ujicoba Konfigurasi Data Training... 103

Gamabr 5.2 Tampilan Ujicoba Proses Algoritma ID3... 103

Gambar 5.3 Tampilan Ujicoba Konversi Aturan ... 104

Gambar 5.4 Tampilan Ujicoba Tester Data ... 105

Gambar 5.5 Tampilan Pencarian Nama Pasien ... 106

Gambar 5.6 Tampilan Ujicoba Diagnosa Pasien ... 106

Gambar 5.7 Hasil Diagnosis Pasien ... 107

Gambar 5.8 Ujicoba pada Halaman Sejarah Pasien ... 108

(18)

(19)

Tabel 2.1 Kriteria Pengendalian Diabetes ... 13

Tabel 2.2 Training Example ... 30

Tabel 2.3 Atribut Psikotest pada Nilai Baik ... 33

Tabel 2.4 Atribut Psikotest pada Nilai Buruk ... 34

Tabel 2.5 Atribut UAN pada Nilai Cukup ... 36

Tabel 3.1 Tabel User ... 73

Tabel 3.2 Tabel Data Jenis... 74

Tabel 3.3 Tabel Data Atribut ... 74

Tabel 3.4 Tabel Data Training ... 74

Tabel 3.5 Tabel Rule ... 75

Tabel 3.6 Tabel Level Pohon ... 75

Tabel 3.7 Tabel Pasien ... 76

Tabel 3.8 Tabel Konfigurasi ... 76

Tabel 3.9 Tabel Sejarah ... 77

Tabel 4.1 Tabel Data User ... 85

Tabel 4.2 Tabel Data Jenis... 85

Tabel 4.3 Tabel Data Atribut ... 86

Tabel 4.4 Tabel Data Training ... 86

Tabel 4.5 Tabel Data Rule ... 87

Tabel 4.6 Tabel Data Level Pohon ... 88

Tabel 4.7 Tabel Data Pasien ... 88

Tabel 4.8 Tabel Data Sejarah ... 89

(20)

1.1 Latar Belakang

Sejak tahun 2007, Organisasi Kesehatan Dunia (WHO) menetapkan 14 November sebagai Hari Diabetes Sedunia. Itu menandakan, penyakit tersebut

telah menjadi isu global dan makin mengkhawatirkan. Sebab, makin hari penderitanya kian tambah. Diabetes kini tak hanya menyerang usia lanjut, tetapi juga usia muda, akibat pola makan dan gaya hidup tak sehat. Bahkan anak-anak pun bisa mengidap diabetes karena faktor keturunan. Berbagai kampanye, penyuluhan, dan pencegahan dilakukan untuk memberikan kesadaran pada masyarakat tentang bahaya penyakit itu.

Jumlah penderita diabetes Indonesia terbanyak keempat di dunia, setelah AS, India, dan China. Penyakit itu merupakan penyebab kematian nomor tujuh terbesar di dunia. Diabetes berdampak terhadap komplikasi penyakit dalam, seperti kebutaan, impotensi, depresi, kerusakan ginjal, kerusakan saraf, pembusukan bagian tubuh yang berujung amputasi, pengerasan dan penyempitan pembuluh darah (aterosa klerosis) yang menyebabkan stroke dan jantung, sehingga berakibat kematian.

(21)

suatu sistem yang bisa memanfaatkan kumpulan data menjadi informasi yang bernilai strategis.

Dari permasalahan diatas, maka penulis membuat Sistem Pendukung Keputusan berbasis komputer untuk mendeteksi penyakit diabetes. Dengan harapan nantinya proses Pendukung keputusan dapat dilakukan secara cepat, mudah, efisien dan seluruh data yang ada terekam secara baik didalam database sehingga akan memudahkan dalam proses pencarian data. Metode pendekatan yang akan digunakan untuk memodelkan data adalah menggunakan metode decision tree dan untuk men-generate pohon keputusan digunakan algoritma Iterative Dichotomiser 3 (ID3).

1.2 Per umusan Masalah

Berdasarkan latar belakang diatas, perumusan masalah pada Tugas Akhir ini adalah bagaimana menciptakan sebuah aplikasi yang berfungsi sebagai alat bantu Pendukung keputusan dalam hal mendeteksi penyakit diabetes dengan Metode Decision Tree menggunakan algoritma ID3.

1.3 Batasan Masalah

Pada pembuatan aplikasi ini perlu didefinisikan batasan masalah mengenai sejauh mana pembuatan aplikasi ini akan dikerjakan. Beberapa batasan masalah tersebut antara lain:

1. Perancangan aplikasi untuk mendeteksi penyakit diabetes menggunakan metode decision tree dengan algoritma Iterative Dichotomiser 3 (ID3).

(22)

3. Parameter yang digunakan dalam menentukan positif atau negatif terdeteksi penyakit diabetes yaitu Glukosa Urine, Glukosa Acak, Glukosa 2 Jam PP, Test Toleransi Glukosa (TTG), dan Hemoglobin A1c (HbA1c) .

4. Output dari class variable yaitu positif diabetes dan negatif diabetes.

5. Pemilihan data training dilakukan secara random untuk proses perhitungan

Algoritma ID3.

1.4 Tujuan

Tujuan dari Tugas akhir adalah :

1. Membuat suatu aplikasi yang dapat dipergunakan sebagai alat bantu medis dalam mendeteksi diabetes dengan metode decision tree.

2. Membuat sistem pendukung keputusan menggunakan metode decision tree dengan Algorima Iterative Dichotomiser 3 (ID3) berbasis PHP.

1.5 Manfaat

Manfaat yang dapat diperoleh dari pembuatan aplikasi ini adalah :

1. Dengan adanya sistem yang dapat mendeteksi penyakit diabetes, pasien dapat mengatur kondisi kesehatan terhadap penyakit diabetes.

2. Memudahkan dokter untuk mengetahui terdeteksinya penyakit diabetes positif atau negatif pada pasien

1.6 Metodologi Penelitian

(23)

pengumpulan bahan dan data, perancangan sistem, pembuatan dan pengujian sistem, pengujian dan analisa sistem, dan pembuatan laporan. Rincian tahapan yang ditempuh adalah sebagai berikut :

1. Studi Literatur

Tahapan ini dilakukan dengan mempelajari sumber-sumber atau buku-buku

referensi yang berkaitan dengan skripsi ini, baik dari textbook dan internet. 2. Pengumpulan Bahan dan Data

Pada tahap pengumpulan bahan dan data adalah suatu kegiatan mencari, mengumpulkan data-data penunjang mengenai faktor-faktor penentu penyakit diabetes.

3. Analisis Data

Tahapan ini dilakukan dengan menganalisis data yang diperlukan sistem dan gambaran komponen-komponen sistem baik berupa DFD, flowchart, masukan dan keluaran sistem.

4. Perancangan Sistem

Perancangan sistem ini meliputi beberapa langkah, yaitu perancangan data, perancangan proses dan perancangan antarmuka.

5. Implementasi Aplikasi Pendeteksian Diabetes

Pada tahapan ini dilakukan penerapan rancangan yang dibuat dalam suatu program.

6. Pengujian Aplikasi

(24)

1.7 Sistematika Penulisan

Sistematika pembahasan penulisan tugas akhir ini tersusun atas : BAB I : PENDAHULUAN

Pada bab ini penulis akan menceritakan secara singkat mengenai mengapa

judul tersebut diambil sebagai topik dalam tugas akhir. BAB II : LANDASAN TEORI

Pada bab ini menjelaskan tentang teori-teori pemecahan masalah yang berhubungan dan digunakan untuk mendukung dalam pembuatan Tugas Akhir ini. BAB III : ANALISA DAN PERENCANAAN SISTEM

Bab ini berisi tentang analisa dari sistem yang akan dibuat dan perancangan sistem yang meliputi antara lain: deskripsi umum sistem, kebutuhan sistem, perancangan proses latar dan perancangan antarmuka aplikasi.

BAB IV : IMPLEMENTASI SISTEM

Pada bab ini akan membahas tentang implementasi dari hasil perancangan beserta penjelasan dan pengujian yang dilakukan terhadap sistem yang telah dibuat.

BAB V : UJI COBA DAN EVALUASI SISTEM

Pada bab ini membahas tentang uji coba dari program yang telah berjalan dan melakukan evaluasi pada program tersebut.

BAB VI : PENUTUP

(25)

2.1 Diabetes Mellitius

Diabetes mellitus (DM) didefinisikan sebagai suatu penyakit atau gangguan metabolisme kronis dengan multi etiologi yang ditandai dengan tingginya kadar

gula darah disertai dengan gangguan metabolisme karbohidrat, lipid dan protein sebagai akibat insufisiensi fungsi insulin. Insufisiensi fungsi insulin dapat disebabkan oleh gangguan atau defisiensi produksi insulin oleh sel-sel beta Langerhans kelenjar pankreas, atau disebabkan oleh kurang responsifnya sel-sel tubuh terhadap insulin (WHO, 1999).

2.1.1 Hor mon Insulin

Insulin adalah salah satu hormon didalam tubuh manusia yang dihasilkan atau diproduksi oleh sel beta pulau langerhans di dalam kelenjar pangkreas. Insulin merupakan suatu polipeptida (protein). Dalam keadaan normal, jika kadar glukosa darah naik, kelenjar pangkreas akan mengeluarkan insulin dan masuk ke dalam aliran darah. Oleh darah insulin disalurkan ke reseptor hati sebesar 50 % ginjal 10-20%, sel darah, otot, jaringan lemak 30-40%. Apabila kadar insulin cukup atau fungsinya tidak terganggu, kelebihan gula dalam darah akan segera diubah dan disimpan untuk metabolisme tubuh.

(26)

membuka pintu sel jaringan, memasukkan gula ke dalam sel dan menutup pintu kembali. Di dalam sel, gula dibakar menjadi energi yang berguna untuk aktivitas.

2.1.2 Pen yebab Diabetes

Penyebab diabetes mellitus adalah kurangnya produksi dan ketersediaan

insulin dalam tubuh yang mencukupi maka tidak dapat bekerja secara normal. atau terjadinya gangguan fungsi insulin. Insulin berperan utama dalam mengatur kadar glukosa dalam darah, yaitu 60 – 120 mg/dl waktu puasa dan dibawah 140 mg/ dl pada dua jam sesudah makan ( orang normal) (Tjokropawiro, 2001).

Kekurangan insulin disebabkan terjadinya kerusakan sebagian kecil atau sebagian besar sel-sel beta pulau langerhans dalam kelenjar pangkreas yang berfungsi menghasilkan insulin. ada beberapa faktor yang menyebabkan diabetes mellitus sebagai berikut :

a. Genetik atau Faktor Keturunan

Para ahli kesehatan menyebutkan bahwa sebagian besar diabetes mellitus memiliki riwayat keluarga penderita diabetes mellitus. Penderita diabetes yang sudah dewasa, lebih dari 50 % berasal dari keluarga yang menderita diabetes mellitus. Maka diabetes mellitus cenderung diturunkan tidak ditularkan. Sesuai dengan ilmu genetika, bibit diabetes mellitus mengunakan simbol D untuk normal dan simbol d untuk resesif Diabetes mellitus merupakan penyakit yang terpaut oleh kromosom seks.

b. Virus dan Bakteri

(27)

menyebabkan diabetes mellitus melalui mekanisme infeksi sitolitik pada sel beta yang mengakibatkan destruksi (perusakan sel) juga melalui reaksi otoimunitas yang menyebabkan hilangnya otoimun pada sel beta.

c. Bahan Toksin atau Beracun

Ada beberapa bahan toksik yang mampu merusak sel beta secara langsung,

yakni allixan, pyrinuron (rodentisida), streptozotocin (produk dari sejenis jamur). Bahan toksik lain berasal dari cassava atau singkong yang merupakan sumber kalori utama kawasan tertentu. Singkong mengandung glikosida sianogenik yang dapat melepaskan sianida sehingga memberi efek toksik terhadap jaringan tubuh. Sianida dapat menyebabkan kerusakan pangkreas yang akhirnya menimbulkan gejala diabetes mellitus jika disertai dengan kekurangan protein. Karenannya protein dibutuhkan dalam proses detoksikasi sianida.

d. Nutrisi

Diabetes mellitus dikenal sebagai penyakit yang berhubungan dengan nutrisi, baik sebagai faktor penyebab maupun pengobatan. Nutrisi yang berlebihan (overnutrition) merupakan faktor risiko pertama yang diketahui menyebabkan diabetes mellitus. Semakin lama dan berat obesitas akibat nutrisi yang berlebihan, semakin besar kemungkinan terjangkitnya Diabetes mellitus.

2.1.3 Gejala Diabetes

(28)

hari (piliuria), dan sering lapar (polifagia), Berat badan naik, dapat disertai dengan rasa mual, muntah. Gejala akut (mendadak) pada penderita diabetes mellitus baru diketahui setelah beberapa bulan atau beberapa tahun mengidap Diabetes mellitus yang disebut gejala kronik atau menahun yang disertai dengan tanda-tanda yaitu (1) Kesemutan dan mati rasa (baal) yang diakibatkan neuropati, (2) kelainan

ginekologi seperti0 keputihan yang diakibatkan adanya jamur candida, kelainan kulit seperti gatal dan bisul didaerah genital atau lipatan kulit seperti ketiak dan bawah payudara, (3) tubuh lemas dan mudah merasa lelah, (4) keluhan impotensi yang diderita kaum pria, (5) luka atau bisul yang tak kunjung sembuh, (6) katarak atau gangguan retreksi akibat perubahan-perubahan pada lensa akibat hiperglikemia, (7) diabetes wanita hamil akan melahirkan bayi yang beratnya lebih dari 4 kg.

2.1.4 Etiologi Dan Patofisiologi Diabetes Mellitus 2.1.4.1Etiologi Diabetes Mellitus

Pada diabetes mellitus, tubuh kekurangan insulin sehingga untuk pengaturan kadar gula darah menjadi tidak seimbang, meskipun kadar gula darah sudah tinggi, pemecahan protein dan lemak menjadi glukosa (glukoneogenesis) dihati tetap tidak bisa dihambat ( karena insulin kurang) sehingga kadar gula darah semakin meningkat. Akibatnya terjadi gejala - gejala khas diabetes mellitus, yaitu poliuria, polidipsi, polifagia.

(29)

dapat mengkompensasi sehingga terjadi hiperinsulinemia, kadar glukosa darah masih normal atau sedikit meningkat memenuhi criteria diabetes mellitus. Adanya kelainan dasar pada NIDDM adalah resistensi insulin, kenaikan produksi insulin dihati, sekresi insulin yang kurang. (Waspadji 1999).

2.1.4.2Patofisiologi Diabetes Mellitus

Seperti suatu mesin, badan memerlukan bahan untuk membentuk sel baru dan menganti sel yang rusak, juga badan memerlukan energi supaya sel badan dapat berfungsi dengan baik. Pada manusia berasal dari bahan bakar yang kita makan sehari-hari, yang terdiri dari karbohidrat (gula dan tepung-tepungan) protein (asam amino) dan lemak (asam lemak). untuk berfungsi sebagai bahan bakar, zat makanan itu harus masuk dulu kedalam sel supaya dapat diolah.

Di dalam sel, zat makanan terutama glukosa dibakar melalui proses kimia yang rumit yang hasilnya timbul energi yang disebut metabolisme. Dalam proses metabolisme ini insulin memegang peran yang sangat penting yaitu bertugas memasukkan glukosa ke dalam sel. Insulin adalah suatu zat atau hormon yang keluarkan oleh sel beta di pangkeas.

(30)

Defisiensi insulin menyebabkan pengunaan glukosa oleh sel menjadi turun sehingga kadar gula didalam plasma meningkat (hiperglikemia) apabila hiperglikemianya menurun parah dan melebihi ambang ginjal maka akan terjadi glukosuria yang menyebabkan diuresius osmotik yang meningkatkan pengeluaran kemih (poliuria), timbul rasa haus (polidipsi) sehingga terjadi dehidrasi.

Glukosuria mengakibatkan kalori negatif yg menimbulkan rasa lapar yang tinggi. Pada pengunaan glukosa oleh sel menurun mengakibatkan produksi metabolisme energi menjadi menurun sehingga tubuh menjadi lemah. Hiperglikemia dapat mempengaruhi pembuluh darah kecil, arteri kecil sehingga suplai makanan dan 02 ke perifer menjadi berkurang yang akan menyebabkan luka tidak sembuh – sembuh. Karena suplai makanan dan 02 tidak adekuat maka akan menyebabkan terjadinya infeksi dan terjadi gangren (ulkus).

Gangguan pembuluh darah menyebabkan aliran darah retina menurun sehingga suplai makanan dan 02 ke retina berkurang. Akibatnya pandangan menjadi kabur.

2.1.5 Komplikasi Pada Diabetes a) Komplikasi akut

(31)

Hipoglikemia adalah keadaan klinik gangguan saraf yang disebabkan penurunan glukosa darah dan gejala dapat berupa gelisah sampai berat berupa koma, kejang dengan penyebab antara lain (1) Makan kurang dari aturan yang ditentukan, (2) Berat badan turun, (3) Sesudah olahraga, (4) Makan obat dengan sifat yang sama. Pencegahannya pada penderita dengan insulin harus

sesuai dosis, jangan terlalu dalam saat penyuntikan, dan kurangi dosis insulin saat perubahan makan kurang, olahraga, melahirkan sesudah operasi.

b) Komplikasi Kronis

Komplikasi yang bersifat menahun pada umumnya terjadi pada penderita yang mengidap penyakit diabetes mellitus selama 5 – 10 tahun. Menurut Waspaji (1994) komplikasi mikrovaskuler yang merupakan komplikasi khas dari diabetes mellitus lebih disebabkan hiperglikemia yang tidak terkontrol.

Komplikasi makrovaskuler pada penderita diabetes mellitus yang tidak terlontrol menyebabkan hipertrigleseridemia (kadar trigleserida yang normal) dan perubahan kadar kholesterol darah secara kualitatif. (pranadji, Marianto, dan Subandriyo, 1996).

2.1.6 Kr iter ia Pengendalian Diabetes

(32)

Tabel 2.1 Kriteria Pengendalian Diabetes

Par ameter Kadar Ideal Yang Dihar apkan

Glukosa Urine Negatif

Glukosa Sewaktu 70 – 110 mg/dl

Glukosa 2 Jam PP 110 – 140 mg/dl

Test Toleransi Glukosa (TTG) 140 – 180 mg/dl

HbA1c < 7 %

3 (tiga) hari sebelum pemeriksaan tetap makan seperti kebiasaan sehari-hari (dengan karbohidrat yang cukup) dan tetap melakukan kegiatan jasmani seperti biasa.

Berpuasa paling sedikit 8 jam (mulai malam hari) sebelum pemeriksaan, minum air putih tanpa gula tetap diperbolehkan.

Diperiksa kadar glukosa darah puasa.

Diberikan glukosa 75 gram (orang dewasa), atau 1,75 gram/kgBB (anak-anak), dilarutkan dalam air 250 mL dan diminum dalam waktu 5 menit. Berpuasa kembali sampai pengambilan sampel darah untuk pemeriksaan 2 jam setelah minum larutan glukosa selesai.

Diperiksa kadar glukosa darah 2 (dua) jam sesudah beban glukosa.

(33)

2.2 Sistem Pendukung Keputusan (SPK)

Manusia merupakan bagian dari alam karena hidupnya yang tidak terlepas dari alam. Proses kehidupan manusia merupakan unsur yang semakin lama semakin mendominasi unsur-unsur lainnya di alam. Hal ini disebabkan karena manusia dibekali kemampuan-kemampuan untuk bisa berkembang. Segala proses yang

terjadi di sekelilingnya dan dalam dirinya dirasakan dan diamatinya dengan menggunakan semua indera yang dimilikinya, dipikirkannya lalu ia berbuat dan bertindak.

Dalam menghadapi segala proses yang terjadi di sekelilingnya dan di dalam dirinya, hampir setiap saat manusia membuat atau mengambil keputusan dan melaksanakannya. Hal ini dilandasi dengan asumsi bahwa segala tindakan dilakukan secara sadar merupakan pencerminan hasil proses pengambilan keputusan dalam pikirannya, sehingga sebenarnya manusia sudah sangat terbiasa dalam membuat keputusan. Menurut Mangkusubroto dan Tresnadi, jika keputusan yang diambil tersebut perlu dipertanggungjawabkan kepada orang lain atau prosesnya memerlukan pengertian pihak lain, maka perlu untuk diungkapkan sasaran yang akan dicapai (Suryadi dan Ramdhani, 1998).

2.2.1 Penger tian Sistem Pendukung Keputusan

Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems

(DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott

(34)

Menurut Alter, DSS merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan pemanipulasian data. Sistem digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat.

DSS biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. DSS yang seperti itu disebut aplikasi DSS. Aplikasi DSS digunakan dalam pengambilan keputusan. Aplikasi DSS menggunakan CBIS (Computer Based Information Systems) yang fleksibel, interaktif, dan dapat diadaptasi, yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur.

Aplikasi DSS menggunakan data, memberikan antarmuka pengguna yang mudah dan dapat menggabungkan pemikiran pengambil keputusan. DSS lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas. DSS tidak dimaksudkan untuk mengotomatisasikan pengambilan keputusan tetapi memberikan perangkat interaktif yang memungkinkan pengambil keputusan untuk melakukan berbagai analisis menggunakan model-model yang tersedia.

2.2.2 Nilai Guna dan Kar akter istik Sistem Pendukung Keputusan

Pada dasarnya SPK ini merupakan pengembangan lebih lanjut dari Sistem Informasi Manajemen Terkomputerisasi (Computerized Manajement Information

Systems), yang dirancang sedemikian rupa sehingga bersifat interaktif dengan

(35)

kebijakan, teknik analisis, serta pengalaman dan wawasan manajerial guna membentuk suatu kerangka keputusan yang bersifat fleksibel (Suryadi dan Ramdhani, 1998).

Menurut Turban (2005), tujuan dari DSS adalah sebagai berikut:

1. Membantu dalam pengambilan keputusan atas masalah yang terstruktur.

2. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan untuk menggantikan fungsi manajer.

3. Meningkatkan efektivitas keputusan yang diambil lebih daripada perbaikan efisiensinya.

4. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah.

5. Peningkatan produktivitas.

6. Dukungan kualitas.

7. Berdaya saing.

8. Mengatasi keterbatasan kognitif dalam pemprosesan dan penyimpanan.

Ciri-ciri SPK yang dirumuskan oleh Kusrini (2007) adalah sebagai berikut: 1. SPK ditujukan untuk membantu keputusan-keputusan yang kurang terstruktur. 2. SPK merupakan gabungan antara kumpulan model kualitatif dan kumpulan data. 3. SPK bersifat luwes dan dapat menyesuaikan dengan perubahan-perubahan yang

terjadi.

(36)

1. Sistem pendukung keputusan dirancang untuk membantu pengambilan keputusan dalam memecahkan masalah yang sifatnya semi terstruktur atau tidak terstruktur dengan menambahkan kebijaksanaan manusia dan informasi komputerisasi. 2. Proses pengolahannya, sistem pendukung keputusan mengkombinasikan

penggunaan model-model analisis dengan teknik pemasukkan data konvensional serta fungsi-fungsi pencari atau pemeriksa informasi.

3. Sistem pendukung keputusan dapat digunakan atau dioperasikan dengan mudah oleh orang-orang yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi. Pendekatan yang digunakan biasanya model interaktif.

4. Sistem pendukung keputusan dirancang dengan menekankan pada aspek fleksibilitas serta kemampuan adaptasi yang tinggi sehingga mudah disesuaikan dengan berbagai perubahan lingkungan yang terjadi dan kebutuhan pengguna. Sistem Pendukung Keputusan memberikan manfaat atau keuntungan bagi pemakainya. Keuntungan yang dimaksud di antaranya adalah sebagai berikut: 1. Sistem pendukung keputusan memperluas kemampuan pengambil keputusan

dalam memproses data/informasi bagi pemakainya.

2. Sistem pendukung keputusan membantu pengambil keputusan dalam hal penghematan waktu yang dibutuhkan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur.

3. Sistem pendukung keputusan dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan.

(37)

ini dikarenakan sistem pendukung keputusan mampu menyajikan berbagai alternatif.

Pada saat ini sistem pendukung keputusan telah banyak diterapkan dalam berbagai bidang seperti kedokteran, komputer, ekonomi dan lain-lain. Contoh dalam bidang kedokteran adalah sistem pendukung keputusan penanganan kesehatan balita. Penanganan kesehatan balita merupakan salah satu hal yang patut dijadikan perhatian lebih, sehingga dapat mengurangi resiko tidak optimalnya penanganan kesehatan balita pada instansi yang terkait. Sistem pendukung keputusan penanganan kesehatan balita sangat tepat diterapkan untuk penanganan masalah yang membutuhkan penyelesaian mandiri dari komputer untuk pemrosesan data balita dengan perhitungan yang cepat dan akurat. Dengan menggunakan penalaran logika fuzzy Mamdani dalam pemprosesan data input dan output, serta informasi pendukung berupa grafik sangat mendukung dalam pengambilan keputusan penanganan kesehatan balita di suatu wilayah (Ayuningtiyas et al, 2007).

2.2.3 Komponen-Komponen Sistem Pendukung Keputusan

SPK dapat terdiri dari tiga subsistem utama yang menentukan kapabilitas teknis SPK (Suryadi dan Ramdhani, 1998) yaitu sebagai berikut:

1. Subsistem Manajemen Database (Database Management Subsystem).

2. Subsistem Manajemen Basis Model (Model Base Management Subsystem).

3. Subsistem Perangkat Lunak Penyelenggara Dialog (Dialog Generation and

(38)

2.2.3.1 Subsistem Manajemen Database

Ada beberapa perbedaan antara database untuk SPK dan Non-SPK. Pertama, sumber data untuk SPK lebih kaya dari pada non-SPK dimana data harus berasal dari luar dan dari dalam karena proses pengambilan keputusan.

Perbedaan lain adalah proses pengambilan dan ekstraksi data dari sumber data yang sangat besar. SPK membutuhkan proses ekstraksi dan DBMS yang dalam pengelolaannya harus cukup fleksibel untuk memungkinkan penambahan dan pengurangan secara cepat.

Dalam hal ini, kemampuan yang dibutuhkan dari manajemen database dapat diringkas, sebagai berikut:

1. Kemampuan untuk mengkombinasikan berbagai variasi data melalui pengambilan dan ekstraksi data.

2. Kemampuan untuk menambahkan sumber data secara cepat dan mudah.

3. Kemampuan untuk menggambarkan struktur data logikal sesuai dengan pengertian pemakai sehingga pemakai mengetahui apa yang tersedia dan dapat menentukan kebutuhan penambahan dan pengurangan.

4. Kemampuan untuk menangani data secara personel sehingga pemakai dapat mencoba berbagai alternatif pertimbangan personel.

5. Kemampuan untuk mengelola berbagai variasi data.

2.2.3.2 Subsistem Manajemen Basis Model

(39)

sebagai mekanisme integrasi dan komunikasi di antara model-model. Karakteristik ini menyatukan kekuatan pencarian dan pelaporan data.

Salah satu persoalan yang berkaitan dengan model adalah bahwa penyusunan model seringkali terikat pada struktur model yang mengasumsikan adanya masukan yang benar dan cara keluaran yang tepat. Sementara itu, model cenderung tidak mencukupi karena adanya kesulitan dalam mengembangkan model yang terintegrasi untuk menangani sekumpulan keputusan yang saling bergantungan. Cara untuk menangani persoalan ini dengan menggunakan koleksi berbagai model yang terpisah, dimana setiap model digunakan untuk menangani bagian yang berbeda dari masalah yang dihadapi. Komunikasi antara berbagai model digunakan untuk menangani bagian yang berbeda dari masalah tersebut. Komunikasi antara berbagai model yang saling berhubungan diserahkan kepada pengambil keputusan sebagai proses intelektual dan manual.

Salah satu pandangan yang lebih optimistis, berharap untuk bisa menambahkan model-model ke dalam sistem informasi dengan database sebagai mekanisme integrasi dan komunikasi di antara mereka.

Kemampuan yang dimiliki subsistem basis model meliputi hal-hal sebagai berikut:

1. Kemampuan untuk menciptakan model-model baru secara cepat dan mudah. 2. Kemampuan untuk mengakses dan mengintegrasikan model-model keputusan. 3. Kemampuan untuk mengelola basis model dengan fungsi manajemen yang analog

(40)

2.2.3.3 Subsistem Per angkat Lunak Penyelenggar a Dialog

Fleksibilitas dan kekuatan karakteristik SPK timbul dari kemampuan interaksi antara sistem dan pemakai, yang dinamakan subsistem dialog. Bennet mendefinisikan pemakai, terminal, dan sistem perangkat lunak sebagai komponen-komponen dari sistem dialog sehingga subsistem dialog terbagi menjadi tiga bagian sebagai berikut: 1. Bahasa aksi, meliputi apa yang dapat digunakan oleh pemakai dalam

berkomunikasi dengan sistem. Hal ini meliputi pemilihan-pemilihan seperti papan ketik (keyboard), panel-panel sentuh, joystick, perintah suara dan sebagainya. 2. Bahasa tampilan dan presentasi, meliputi apa yang harus diketahui oleh pemakai.

Bahasa tampilan meliputi pilihan-pilihan seperti printer, tampilan layar, grafik, warna, plotter, keluaran suara, dan sebagainya.

3. Basis pengetahuan, meliputi apa yang harus diketahui oleh pemakai agar pemakaian sistem bisa efektif. Basis pengetahuan bisa berada dalam pikiran pemakai, pada kartu referensi atau petunjuk, dalam buku manual, dan sebagainya. Kombinasi dari kemampuan-kemampuan di atas terdiri dari apa yang disebut gaya dialog misalnya pendekatan tanya jawab, bahasa perintah, menu-menu, dan mengisi tempat kosong.

Kemampuan yang harus dimiliki oleh SPK untuk mendukung dialog pemakai atau sistem meliputi hal-hal sebagai berikut:

1. Kemampuan untuk menangani berbagai variasi dialog, bahkan jika mungkin untuk mengkombinasikan berbagai gaya dialog sesuai dengan pilihan pemakai. 2. Kemampuan untuk mengakomodasikan tindakan pemakai dengan berbagai

peralatan masukan.

(41)

4. Kemampuan untuk memberikan dukungan yang fleksibel untuk mengetahui basis pengetahuan pemakai.

2.3 Latar Belaka ng Decision Tree

(42)

Kegunaan pohon keputusan yang sangat banyak ini membuatnya telah dimanfaatkan oleh manusia dalam berbagai macam sistem pengambilan keputusan.

2.3.1 Penger tian Decision Tree

Pohon yang dalam analisis pemecahan masalah pengambilan keputusan adalah pemetaan mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dari masalah tersebut. Pohon tersebut juga memperlihatkan faktor-faktor kemungkinan/probablitas yang akan mempengaruhi alternatif-alternatif keputusan tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila kita mengambil alternatif keputusan tersebut.

2.3.2 Manfaat Decision Tree

(43)

awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk

memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

2.3.3 Model Decosion Tree

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di gambar berikut ini.

Gambar 2.1 Model Pohon Keputusan (Pramudiono, 2008)

(44)

kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun.

Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).

2.3.4 Konsep Decision Tree

Mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan (rule).

Decision tree adalah struktur flowchart yang mempunyai tree (pohon), dimana

setiap simpul internal menandakan suatu tes atribut, setiap cabang merepresentasikan hasil tes, dan simpul daum mempresentasikan kelas atau distribusi kelas. Alur pada decision tree ditelusuri dari simpul ke akar ke simpul daun yang memegang prediksi kelas untuk contoh tersebut. Decision tree mudah untuk dikonversi ke aturan klasifikasi (classification rule).

Konsep data dalam decision tree dinyatakan dalam bentuk tabel dengan atribut dan record.

DATA DECISION RULE

(45)

2.3.5 Kelebihan dan Kek ur angan Dar i Metode Decision Tree Kelebihan dari metode decision tree, yaitu :

a) Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simple dan spesifik.

b) Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika

menggunakan metode decision tree maka sample di uji hanya berdasarkan kriteria atau kelas tertentu.

c) Fleksibel untuk memilih features dari internal nodes yang berbeda, feature yang terpilih akan membedakan suatu criteria dibandingkan criteria yang lain dalam node yang sama. Kefleksibelan metode decision tree ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode perhitungan satu tahap yang lebih konvensional.

d) Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tertentu. Metode decision tree dapat menghindari munculnya permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan dari metode decision tree, yaitu :

a) Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak. Hal tersebut dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memory yang diperlukan.

(46)

c) Kesulitan dalam mendesain decision tree yang optimal. Hasil kualitas keputusan yang didapatkan dari metode decision tree sangat tergantung pada bagaimana pohon tersebut didesain.

2.3.6 Iterative Dichotomicer 3 (ID3)

Iterative Dichotomicer 3 (ID3) adalah algoritma decision tree yang paling

dasar. Algoritma ini melakukan pencarian secara rakus/menyeluruh (greedy) pada semua kemungkinan pohon keputusan. Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3 dikembangkan oleh J. Ross Quinlan. Kelemahan dari algoritma ID3 adalah ketidakstabilannya dalam melakukan klasifikasi data apabila terjadi sedikit perubahan pada data training.

Algoritma ID3 berusaha membangun decision tree (pohon keputusan) secara top-down (dari atas ke bawah), mulai dengan pertanyaan : “atribut mana yang pertama kali harus dicek dan diletakkan pada root?” pertanyaan ini dijawab dengan mengevaluasi semua atribut yang ada dengan menggunakan suatu ukuran statistik (yang banyak digunakan adalah information gain) untuk mengukur efektifitas suatu atribut dalam mengklasifikasikan kumpulan sampel data.

Karakteristik ID3 dalam membangun pohon keputusan adalah secara

top-down dan divide-and-conquer. Top-top-down artinya pohon keputusan dibangun dari

simpul akar ke daun, sementara divide-and-conquer artinya training data secara rekursif dipartisi ke dalam bagian-bagian yang lebih kecil saat pembangunan pohon.

Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon

(47)

pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah decision tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya decision tree melakukan strategi pencarian secara

top-down untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui,

nilai atribut akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu.

2.3.6.1Entropy dan Information Gain

Sebuah obyek yang diklasifikasikan dalm pohon harus dites entropinya.

Entropy adalah ukuran dari teori informasi yang dapat mengetahui karakteristik

dari impuryt dan homogeneity dari kumpulan data. Dari nilai entropy tersebut kemudian dihitung nilai Information Gain (IG) masing-masing atribut.

Entropy (S) = - P+ log2 P+ − P- log2 P- (Rumus 1) Dimana :

S = ruang (data) sample yang digunakan untuk training

P+ = jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu

P- = jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu

(48)

sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai entropy maka semakin baik untuk digunakan dalam mengekstrak suatu kelas. Panjang kode untuk menyatakan informasi secara optimal adalah –log2 P bits untuk

massages yang mempunyai probabilitas P. Sehingga jumlah bits yang

diperkirakan untuk mengekstrak S ke dalam kelas adalah : - P+ log2 P+ − P- log2

P-.

Gambar 2.2 Grafik Entropy

Entropy (S) sama dengan 1, jika jumlah contoh positif dan negatif dalam S adalah sama. Sedangkan Entropy (S) leih dari nol tetapi kurang dari 1, jika jumlah contoh dari positif dan negative dalam S tidak sama (Mitchell, 1997).

Information Gain

Setelah mendapat nilai entropi untuk suatu kumpulan data, maka kita dapat mengukur efektifitas suatu atribut dalam mengklasifikasikan data. Ukuran efektifitas ini disebut Information Gain. Secara matematis, information gain dari suatu atribut A, dituliskan sebagai berikut :

Gain (S,A) =entropy (S) ∑vE Value (A)

S Sv

entropy (Sv) (Rumus 2)

(49)

A = Atribut

V = Menyatakan suatu nilai yang mungkin untuk atribut A Values (A) = Himpunan yang mungkin untuk atribut A

|Sv| = Jumlah sampel untuk nilai v |S| = Jumlah seluruh sampel data

Entropy (Sv) = Entropy untuk sampel-sampel yang memiliki nilai v

2.3.6.2Contoh

DESKRIPSI PERMASALAHAN : Data penerimaan Mahasiswa

Terdapat 11 orang mahasiswa yang mengikuti seleksi penerimaan mahasiswa baru (SPMB) dengan memperhatikan 3 parameter / atribut penilaian.

Tiga parameter / atribut :

1. Nilai SPMB dikelompokkan dalam 3 kategori (Tinggi, sedang, Rendah ) 2. UAN dikelompokkan dalam 3 kategori ( bagus, cukup, kurang )

3. Psikotest dikelompokkan dalam 2 kategori ( baik dan buruk) Tabel 2.2 Training Example

Peser ta SPMB Nilai SPMB UAN Psikotest Diter ima

P1 Tinggi Bagus Baik Ya

P2 Tinggi Cukup Baik Ya

P3 Tinggi Cukup Buruk Ya

P4 Tinggi Kurang Buruk Tidak

P5 Sedang Bagus Baik Ya

P6 Sedang Cukup Baik Ya

P7 Sedang Cukup Buruk Ya

P8 Sedang Kurang Buruk Tidak

P9 Rendah Bagus Baik Ya

P10 Rendah Cukup Buruk Tidak

(50)

SOLUSI :

S adalah koleksi dari 11 sampel dengan 8 class “ya” dan 3 class “tidak”, ditulis dengan notasi [8+, 3-].

Entropy dari S adalah :

Entropy (S) = - P+ log2 P+ − P- log2 P-

Entropy ([8+, 3-])= -(8/11) log2 (8/11) - (3/11) log2 (3/11) = 0,8454

Dari tabel training example atribut play tennis=’yes’ merupakan sampel (+) dan tribute play tennis=’no’ merupakan sampel (-), dari sampel data pada tabel didapat :

Value (Nilai SPMB) = tinggi, sedang, r endah

Stinggi = [3+, 1-], entropy (Stinggi) = -(3/4) log2 (3/4) - (1/4) log2 (1/4) = 0,8113 Ssedang= [3+, 1-], entropy (Ssedang) = -(3/4) log2 (3/4) - (1/4) log2 (1/4) = 0,8113 Srendah = [2+, 1-], entropy (Srendah) = -(2/3) log2 (2/3) - (1/3) log2 (1/3) = 0,9183

Gain (S, Nilai SPMB) = entropy (S) – (4/11) entropy (Stinggi) – (4/11) entropy (Ssedang) –(3/11) entropy (Srendah)

= 0,8454 – (4/11) 0,8113– (4/11) 0,8113 – (3/11) 0,9183 = 0,0049

Value (UAN) = bagus, cukup, kurang

Sbagus = [3+, 0-], entropy (Sbagus) = -(3/3) log2 (3/3) - (0/3) log2 (0/3) = 0

Scukup = [4+, 1-], entropy (Scukup) = -(4/5) log2 (4/5) - (1/5) log2 (1/5) = 0,72192 Skurang = [1+, 2-], entropy (Skurang) = -(1/3) log2 (1/3) - (2/3) log2 (2/3) = 0,91829

Gain (S, UAN) = entropy (S) – (3/11) entropy (Sbagus) – (5/11) entropy (Scukup) –(3/11)

(51)

= 0,8454 – (3/11) 0 – (5/11) 0,72192– (3/11) 0,91829 = 0,26682

Value (Psikotest) = baik, bur uk

Sbaik = [6+, 0-], entropy (Sbaik) = -(6/6) log2 (6/6) - (0/6) log2 (0/6) = 0

Sburuk = [2+, 3-], entropy (Sburuk) = -(2/5) log2 (2/5) - (3/5) log2 (3/5) = 0,97094

Gain (S, Humidity) = entropy (S) – (6/11) entropy (Sbaik) – (5/11) entropy (Sburuk) = 0,8454 – (6/11) 0 – (5/11) 0,97094

= 0,40406

Jadi, information gain untuk 3 atribut yang ada adalah :

Gain ( S, Nil.SPMB) = 0,0049 Gain ( S, UAN) = 0,26682

Gain ( S, Psikotest) = 0,40406

Dari ketiga nilai Information Gain diatas Gain ( S, Psikotest ) adalah yang terbesar sehingga atribut Psikotest merupakan the best classifier dan harus diletakkan sebagai root.

Gambar 2.2 Pohon Keputusan level 1

o Level 1 Iterasi ke-1

Dari penjelasan sebelumnya didapat nilai Information Gain (S, Psikotest ) sebagai the best classifier karena gain-nya terbesar. Setelah mendapat the best

classifier langkah selanjutnya adalah setiap nilai pada atribut Psikotest akan di

cek apakah perlu dibuat subtree di level berikutnya atau tidak. Atribut [P1,P2, …P11]

(52)

Psikotest ada 2 nilai baik dan buruk. Untuk nilai “baik” terdapat 6 sampel yaitu [6+,0-].

Sbaik = [D1,D2,D5,D6,D9,D11]

Tabel 2.3 Atribut Psikotest pada Nilai Baik

Peser ta SPMB Nilai SPMB UAN Psikotest Diter ima

Semua nilai ”baik” termasuk dalam class “ya” maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label ”ya” .

Gambar 2.3 Pohon Keputusan level 1 Iterasi ke-1

Pada proses level 1 iterasi ke-1 sudah dilakukan pengecekan untuk atribut psikotest dengan nilai “baik”. Untuk nilai “buruk” terdapat 5 sampel yaitu [2+, 3-].

Sburuk = [D3,D4,D7,D8,D10]

Tabel 2.4 Atribut Psikotest pada Nilai Buruk

(53)

P7 Sedang Cukup Buruk Ya

P8 Sedang Kurang Buruk Tidak

P10 Rendah Cukup Buruk Tidak

Semua nilai ”buruk” termasuk dalam class “ya dan tidak” maka fungsi ini dilakukan perhitungan information gain.

Value (Nilai SPMB) = tinggi, sedang, r endah

Stinggi = [1+, 1-], entropy (Stinggi) = -(1/2) log2 (1/2) - (1/2) log2 (1/2) = 1

Value (UAN) = bagus, cukup, kur ang Sbagus = [0+, 0-], entropy (Sbagus) = 0

Jadi, information gain untuk 2 atribut yang ada adalah :

Gain (Sburuk, Nil.SPMB) = 0,1710

(54)

Dari kedua nilai Information Gain diatas, Gain (S, UAN) adalah yang terbesar dan harus diletakkan sebagai simpul dibawah simpul “Psikotest” pada cabang nilai “buruk”.

Pada pembahasan sebelumnya, dibawah simpul “Psikotest” pada cabang nilai

“buruk” terdapat atribut UAN yang merupakan atribut yang merupakan the

best classifier. Selanjutnya, setiap nilai pada atribut UAN akan dicek apakah

perlu dibuat subtree dilevel berikutnya atau tidak. Atribut UAN ada 3 nilai bagus, cukup dan kurang. Untuk nilai “bagus” terdapat nol sampel yang berarti Sbagus kosong yaitu [0+,0-]. Sehingga, perlu dibuat satu simpul daun (leaf node, simpul yang tidak punya anak dibawahnya).

(55)

Pada proses level 2 iterasi ke-2 sudah dilakukan pengecekan untuk atribut UAN dengan nilai “bagus”. Untuk nilai “cukup” terdapat 3 sampel yaitu [2+, 1-].

Sburuk = [D3, D7, D10]

Tabel 2.5 Atribut UAN pada Nilai Cukup

Peser ta SPMB Nilai SPMB UAN Diter ima

P3 Tinggi Cukup Ya

P7 Sedang Cukup Ya

P10 Rendah Cukup Tidak

Semua nilai ”cukup” termasuk dalam class “ya dan tidak”, sedangkan kumpulan atribut hanya berisi satu atribut yaitu nilai SPMB maka atribut yang menjadi the best classifier adalah nilai SPMB dan harus diletakkan sebagai simpul dibawah simpul ”UAN” pada cabang nilai ”cukup”.

(56)

sampel pada Stinggi termasuk dalam class “ya”, maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label “ya”.

(57)

Pada atribut nilai SPMB sudah dilakukan pengecekan dengan nilai “tinggi dan sedang” pada level iterasi ke-1 dan iterasi ke-2. Untuk nilai “rendah” terdapat 1 sampel yaitu [0+,1-] dimana semua sampel pada Srendah termasuk dalam class “tidak”, maka fungsi ini akan berhenti dan mengembalikan satu simpul

tunggal root dengan label “tidak”.

(58)

“tidak”, maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label “tidak”.

Gambar 2.10 merupakan pohon keputusan akhir yang dihasilkan oleh algoritma ID3, maka langkah selanjutkanya phon keputusan tersebut diubah menjadi sebuah aturan yaitu sebagai berikut :

(59)

BAB III

ANALISA DAN PERANCANGAN SISTEM

3.1 Rancangan Umum

Prosedur perancangan sistem secara umum untuk pembangunan sistem

pendukung keputusan berbasis web dengan PHP untuk penentuan recognize penyakit ginjal ini terdiri atas beberapa tahap, antara lain meliputi perancangan :

Gambar 3.1 Diagram Rancangan Umum Sistem 1. Data

Perancangan data yang dimaksudkan adalah perancangan data-data yang berkaitan dengan pembuatan perangkat lunak, meliputi :

• Data input

Termasuk di dalamnya data-data penunjang sebagai inputan pembuatan

sistem.

• Data output

Dari data input di atas, bagaimana sistem akan menggunakannya hingga didapatkan data baru sebagai output sistem.

2. Proses

(60)

Perancangan proses yang dimaksudkan adalah bagaimana sistem akan bekerja, proses-proses apa yang digunakan, mulai dari masuknya data input yang kemudian diproses oleh sistem hingga menjadi data output.

3. Antarmuka

Perancangan antarmuka disini mengandung penjelasan tentang penggunaan

tree dan keterangannya serta struktur data yang kita gunakan dalam sistem

yang kita buat.

3.2 Per a ncangan Algor itma Iterative Dichotomiser 3 (ID3)

Data diambil dengan 70% dari 674 pasien yang ada dipilih sebagai data

training, 224 pasien dengan diagnosa negatif pasien dan 248 pasien dengan

diagnosa positif pasien. Pada pembentukan pohon keputusan dipilih 5 variabel yang digunakan untuk menghasilkan aturan yaitu Glukosa Urine, Glukosa Acak, Glukosa 2 Jam PP, Test Toleransi Glukosa (TTG), dan Hemoglobin A1c (Hb A1c). Aturan-aturan yang dihasilkan selanjutnya digunakan dalam program aplikasi untuk mendiagnosa pasien apakah positif diabetes atau negatif diabetes. Lima parameter / atribut :

1) Glukosa Urine dikelompokan dalam 2 kategori negatif dan positif.

2) Glukosa Acak dikelompokkan dalam 3 kategori yaitu rendah (Glukosa Acak < 70 mg/dl), sedang (70 mg/dl <= Glukosa Acak <= 110 mg/dl), tinggi (Glukosa Acak > 110 mg/dl).

(61)

4) TTG dikelompokkan dalam 3 kategori yaitu rendah (TTG < 140 mg/dl), sedang (140 mg/dl <= TTG <= 180 mg/dl), tinggi (TTG > 180 mg/dl).

5) HbA1c dikelompokkan dalam 2 kategori yaitu rendah (HbA1c < 7 %) dan tinggi (HbA1c >= 7 %).

3.2.1 Pembahasan Proses Per hitungan Algor itma ID3

Pemaikaian data training yaitu 70% dari 674 data pasien, sehingga didapat 472 data training dengan diagnosa positif sebanyak 248 data dan diagnosa negatif sebanyak 224 data.

Entropy ([264+, 208-])= -(248/472) log2 (248/472) - (224/472) log2 (224/472) = 0.98982

Value (HbA1c) = tinggi, r endah

Stinggi = [281+, 47-], entropy (Stinggi) = -(281/328) log2 (281/328) - (47/328) log2 (47/328) = 0.59279

Srendah = [85+, 261-], entropy (Srendah) = -(85/346) log2 (85/346) - (261/346) log2 (261/346)

= 0.80433

Gain (S, Nilai HbA1c) = entropy (S) – (328/472) entropy (Stinggi) – (346/472) entropy (Srendah)

= 0.98982– (328/472) 0.59279 – (346/472) : 0.80433 = 0.01173

Value (TTG) = tinggi, nor mal, r endah

(62)

Snormal = [146+, 207-], entropy (S normal) = -(146/353) log2 (146/353) - (207/353) log2 (207/353) = 0.97835

Srendah = [2+, 101-], entropy (Srendah) = -(2/103) log2 (2/103) - (101/103) log2 (101/103) = 0.13817

Gain (S, Nilai TTG) = entropy (S) – (218/472) entropy (Stinggi) – (353/472) entropy (Snormal) – (103/472) entropy (Srendah)

= 0.98982 – (218/472) 0 – (353/472) 0.97835 – (103/472) 0.13817 = 0.73169

Value (Glu Acak) = tinggi, nor mal, r endah

Stinggi = [101+, 0-], entropy (Stinggi) = -(101/101) log2 (101/101) - (0/101) log2 (0/101) = 0 Snormal = [187+, 171-], entropy (S normal) = -(187/358) log2 (187/358) - (171/358) log2

(171/358) = 0.99856

Gain (S, Nilai Glu Acak) = entropy (S) – (101/472) entropy (Stinggi) – (358/472)

entropy (Snormal) – (215/472) entropy (Srendah)

= 0.98982 – (101/472) 0 – (358/472) 0.99856 – (215/472) 0.94498 = 0.19801

Value (Glu 2 J am pp) = tinggi, nor mal, r endah

Stinggi = [114+, 0-], entropy (Stinggi) = -(114/114) log2 (114/114) - (0/114) log2 (0/114) = 0 Snormal = [140+, 155-], entropy (S normal) = -(140/295) log2 (140/295) - (155/295) log2

(63)

Gain (S, Nilai Glu 2 Jam PP) = entropy (S) – (114/472) entropy (Stinggi) – (295/472)

entropy (Snormal) – (265/472) entropy (Srendah)

= 0.98982– (114/472) 0 – (295/472) 0.99813 – (265/472) 0.98266

= 0.18572

Value (Glu Ur in) = positif, negatif

Spositif = [286+, 138-], entropy (Spositif) = -(286/424) log2 (286/424) - (138/424) log2 (138/424) = 0.91023

Snegatif = [80+, 170-], entropy (Snegatif) = -(80/250) log2 (80/250) - (170/250) log2 (170/250) = 0.90438

Gain (S, Nilai Glu Urin) = entropy (S) – (424/472) entropy (Spositif) – (250/472)

entropy (Snegatif)

= 0.98982 – (424/472) 0.91023– (250/472) 0.90438

= 0.30685

Dari nilai Information Gain diatas Gain ( S, TTG ) adalah yang terbesar sehingga atribut TTG merupakan the best classifier dan harus diletakkan sebagai root.

Gambar 3.2 Pohon Keputusan level 1

Dari penjelasan sebelumnya didapat nilai Information Gain (S, TTG ) sebagai

the best classifier. Setelah mendapat the best classifier langkah selanjutnya

(64)

adalah setiap nilai pada atribut TTG akan di cek apakah perlu dibuat subtree di level berikutnya atau tidak. Atribut TTG ada 3 nilai tinggi, normal dan rendah. Untuk nilai “tinggi” terdapat 218 sampel yaitu [218+,0-]. Semua nilai ”tinggi” termasuk dalam class “positif” maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label ”positif” .

Pada proses level 1 iterasi ke-1 sudah dilakukan pengecekan untuk atribut TTG dengan nilai “tinggi”. Untuk nilai “rendah” terdapat 103 sampel yaitu [2+, 101-]. Semua nilai ”rendah” termasuk dalam class “positif dan negatif” maka fungsi ini dilakukan perhitungan information gain.

Value (HbA1c) = tinggi, r endah Stinggi = [0+, 0-], entropy (Stinggi) = 0

Gain (Srendah, Nilai HbA1c) = entropy (Srendah) – (0/103) entropy (Stinggi) – (103/103) entropy (Srendah)

= 0.13817 – 0 – (103/103) 0.13817 = 0

TTG

Positif