59357872 Penerapan Fuzzy C Means untuk Pengelompokkan Penyakit

(1)

PENERAPAN

FUZZY C-MEANS

UNTUK PENGELOMPOKKAN PENYAKIT

BERDASARKAN FAKTOR USIA DAN NILAI

BODY MASS

INDEX

PADA RUMAH SAKIT SARI MULIA BANJARMASIN

OLEH :

BAGUS WINDHYA KUSUMA WARDANA

3101 0701 1033

PROGRAM STUDI SISTEM INFORMASI

SEKOLAH TINGGI MANAJEMEN INFORMATIKA

DAN KOMPUTER BANJARBARU

(STMIK BANJARBARU)

(2)

PROGRAM STUDI SISTEM INFORMASI

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER BANJARBARU(STMIK BANJARBARU)

PERSETUJUAN PROPOSAL SKRIPSI

Nama : BAGUS WINDHYA KUSUMA WARDANA

NIM : 310107011033

Program Studi : SISTEM INFORMASI

Judul Skripsi : PENERAPAN FUZZY C-MEANS UNTUK

PENGELOMPOKKAN PENYAKIT BERDASARKAN FAKTOR USIA DAN NILAI BODY MASS INDEX PADA RUMAH SAKIT SARI MULIA BANJARMASIN

(3)

Banjarbaru (STMIK BANJARBARU).

Banjarmasin, 22 April 2011 Pembimbing Utama,

Budi Rahmani, S.Pd., M.Kom.

Mengetahui : Ketua Jurusan Sistem Informasi,

Bahar A. Rahman, M.Kom.

(4)

DAFTAR ISI

1.2.2. Ruang Lingkup Masalah...3

1.2.3. Rumusan Masalah...4

1.3. Tujuan dan Manfaat Penelitian...4

1.3.1. Tujuan Penelitian...4

1.3.2. Manfaat Penelitian...4

BAB II LANDASAN TEORI...5

2.1. Tinjauan Pustaka...5

2.2. Landasan Teori...6

2.2.1. Penyakit...6

2.2.2. Body Mass Index (BMI)...6

2.2.3. Data Mining...8

2.2.4. Fuzzy C-Means...11

2.2.5. Unified Modelling Language...13

2.3. Kerangka Pemikiran...14

BAB III METODE PENELITIAN...15

3.1. Analisa Kebutuhan...15

3.1.1. Metode Pengumpulan Data...16

3.2. Perancangan Penelitian...16

3.2.1. Sumber Data dan Variabel Penelitian...16

3.2.2. Diagram Konteks...17

3.2.3. Use Case Diagram...18

3.2.4. Sequence Diagram...19

(5)

3.4. Jadwal Penelitian...30

DAFTAR PUSTAKA...31

LAMPIRAN

(6)

DAFTAR TABEL

Ha

Tabel 2. 1 Rumus BMI...7

Tabel 2. 2 kategori BMI untuk orang dewasa...7

Tabel 2. 3 Tabel Body Mass Index dan resiko kesehatan...8

YTabel 3. 1. Data penyakit pasien laki-laki...21

Tabel 3. 2 Data penyakit pasien perempuan...23

Tabel 3. 3. Hasil perhitungan nilai BMI pasien laki-laki...25

Tabel 3. 4 Hasil perhitungan BMI pasien perempuan...27

Tabel 3. 5. Tabel Estimasi Jadwal...30

(7)

Hal

Gambar 3. 1. Diagram Konteks...17

Gambar 3. 2. Use Case Diagram...18

Gambar 3. 3. Sequence Diagram Clustering Penyakit...19

Gambar 3. 4. Activity Diagram...20

(8)

BAB I PENDAHULUAN

1.1. Latar Belakang

Rekam medis adalah catatan yang berisikan informasi tentang identitas pasien, anamnesa, penentuan fisik laboratorium, diagnosa segala pelayanan dan tindakan medik yang diberikan kepada pasien dan pengobatan baik yang dirawat inap, rawat jalan maupun yang mendapatkan pelayanan gawat darurat. Salah satunya berisikan informasi mengenai penyakit-penyakit yang pernah/sedang di derita oleh pasien. Penyakit merupakan suatu keadaan abnormal dari tubuh atau pikiran yang menyebabkan ketidaknyamanan, disfungsi atau kesukaran terhadap orang yang dipengaruhinya. Suatu penyakit biasanya dipengaruhi oleh beberapa faktor, diantaranya ialah usia pasien dan BMI (Body Mass Index).

(9)

bidang spesialisasi tertentu, penambahan stok obat, dan melakukan penyuluhan atau sosialisasi kepada masyarakat terhadap penyakit tertentu.

Melihat kondisi tersebut pihak rumah sakit tentunya perlu mengetahui jenis penyakit yang paling banyak dijumpai di rumah sakit tersebut, dan jenis penyakit apa yang paling banyak diidap oleh pasien yang berusia sekian. Dengan mengetahui kondisi ini, pihak rumah sakit dapat mengambil tindakan kebijakan dalam antisipasi pengobatan dan pencegahan penyakit. Untuk dapat membantu pihak rumah sakit Sari Mulia Banjarmasin dalam memberikan informasi mengenai data penyakit pasien berdasarkan faktor usia dan nilai BMI tentunya diperlukan suatu metode pendukung sebagai landasan dalam pengambilan keputusan.

Metode Clustering adalah salah satu metode dalam data mining yang dapat diterapkan untuk membantu membangun suatu sistem sebagai penyelesaian permasalahan tersebut. Metode ini telah banyak diterapkan untuk berbagai keperluan dalam mengatasi masalah yang sedang dihadapi. Beberapa penelitian diantaranya yang menerapkan metode ini adalah “Klasifikasi Kandungan Nutrisi Bahan Pangan Menggunakan Fuzzy C-Means”, dan “Aplikasi K-Means Untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka”.

Fuzzy C-Means adalah suatu teknik pengclusteran data yang mana

(10)

3

pasien yang berusia sekian tahun, dan berada pada kategori kurus, normal, atau gemuk dilihat dari nilai BMI pasien.

Penelitian ini akan menganalisis penerapan Fuzzy C-Means untuk pengelompokkan penyakit berdasarkan faktor usia dan nilai Body Mass Index pada Rumah Sakit Sari Mulia Banjarmasin.

1.2. Permasalahan Penelitian

1.2.1. Identifikasi Masalah

Berdasarkan uraian latar balakang di atas, maka identifikasi permasalahan dalam penelitian ini yaitu belum ada penerapan algoritma fuzzy c-means dalam kasus pengelompokkan penyakit di Rumah Sakit Sari Mulia berdasarkan faktor usia dan nilai body mass index.

1.2.2. Ruang Lingkup Masalah

Ruang lingkup masalah dalam penelitian ini adalah sebagai berikut : 1. Data yang digunakan pada penelitian ini adalah data penyakit yang berada

dalam rangking 5 besar terbanyak yang meliputi data nama penyakit pasien, usia pasien, berat badan pasien dan tinggi badan pasien yang didapat pada berkas rekam medis pasien Rumah Sakit Sari Mulia Banjarmasin dari bulan Maret 2011 sampai bulan Mei 2011.

2. Penelitian ini hanya mengelompokkan penyakit pasien yang di rawat nginap. 3. Penelitian ini hanya membahas pasien yang berusia diatas 18 tahun.

(11)

1.2.3. Rumusan Masalah

Rumusan masalah dalam penelitian ini adalah bagaimana menerapkan metode fuzzy c-means dalam kasus pengelompokkan penyakit di Rumah Sakit Sari Mulia Banjarmasin berdasarkan faktor usia dan nilai body mass index?

1.3. Tujuan dan Manfaat Penelitian

1.3.1. Tujuan Penelitian

Sesuai dengan latar belakang di atas, maka penelitian yang dilakukan ini memiliki tujuan menerapkan metode fuzzy c-means dalam kasus pengelompokkan penyakit di Rumah Sakit Sari Mulia Banjarmasin berdasarkan faktor usia dan nilai body mass index.

1.3.2. Manfaat Penelitian

1. Bagi Penulis, penelitian ini berguna untuk menambah wawasan mengenai metode fuzzy c-means beserta penerapannya dan sebagai sarana penerapan ilmu pengetahuan yang diperoleh selama kuliah dalam realita permasalahan yang ditemukan di lapangan.

(12)

BAB II LANDASAN TEORI

2.1. Tinjauan Pustaka

Penelitian mengenai pengclusteran penyakit berdasarkan usia dan body mass index (BMI) dengan metode fuzzy c-means clustering bukanlah baru pertama

kali ini dilakukan, sudah ada penelitian terdahulu tentang penerapan metode clustering tersebut. Penelitian terdahulu yang relevan dengan penelitian ini adalah

sebagai berikut.

Sri Kusumadewi (2007) dengan judul “Klasifikasi Kandungan Nutrisi Bahan Pangan Menggunakan Fuzzy C-Means” meneliti tentang klasifikasi bahan pangan berdasarkan kandungan nutrisinya. Penelitian tersebut menghasilkan 4 buah cluster : golongan hijau, golongan kuning, golongan jingga, golongan merah.

Tedy Rismawan (2007) dengan judulnya “Aplikasi K-Means Untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka” meneliti tentang pengelompokkan mahasiswa berdasarkan status gizi dan ukuran kerangka. Hasil penelitian tersebut diperoleh 3 kelompok : BMI normal dan kerangka besar, BMI obesitas sedang, kerangka sedang, dan BMI obesitas berat dan kerangka kecil.

Hasil penelitian sebelumnya dapat menjadi informasi dan acuan bagi peneliti saat ini yang menerapkan metode yang sama. Penelitian-penelitian diatas berbeda dengan penelitian kali ini, dimana penelitian ini menerapkan metode fuzzy c-means untuk pengelompokkan penyakit pasien berdasarkan usia dan

(13)

2.2. Landasan Teori

2.2.1. Penyakit

Penyakit merupakan suatu kondisi abnormal yang mempengaruhi organisme tubuh. Hal ini sering ditafsirkan sebagai kondisi medis yang terkait dengan spesifik gejala dan tanda-tanda. Ini mungkin disebabkan oleh faktor eksternal, seperti penyakit menular, atau mungkin disebabkan oleh disfungsi internal. Pada manusia, penyakit sering digunakan secara lebih luas untuk mengacu pada setiap kondisi yang menyebabkan rasa sakit, disfungsi, penderitaan, masalah sosial, dan/atau kematian kepada penderita, atau masalah serupa bagi mereka yang melakukan kontak dengan orang tersebut. Dalam arti yang lebih luas, penyakit termasuk cedera, cacat, gangguan, sindrom, dan infeksi. Penyakit biasanya tidak hanya mempengaruhi orang-orang secara fisik, tetapi juga secara emosional, hidup dengan menderita banyak penyakit dapat mengubah sudut pandang seseorang terhadap kehidupan, dan kepribadian mereka.

2.2.2. Body Mass Index (BMI)

Body Mass Index (BMI) merupakan suatu pengukuran yang menunjukkan

(14)

7

Tabel 2. 1 Rumus BMI

Satuan Internasional

Satuan Imperial/wilayah United States

Dengan batas pengelompokkan :

Tabel 2. 2 kategori BMI untuk orang dewasa

Kategori Untuk Laki-Laki Untuk Perempuan

Kurus (underweight) < 17 kg/m2 _{< 18 kg/m}2

Normal 17 – 23 kg/m2 _{18 – 25 kg/m}2

Kegemukan (overweight) 23 – 27 kg/m2 _{25 – 27 kg/m}2

Obesitas > 27 kg/m2 _{> 27 kg/m}2

Sumber : Pedoman praktis terapi gizi medis Departemen Kesehatan RI 2003

BMI dapat digunakan untuk menentukan seberapa besar seseorang dapat terkena resiko penyakit tertentu yang disebabkan karena berat badannya. Seseorang dikatakan obese dan membutuhkan pengobatan bila mempunyai BMI di atas 27. Resiko penyakit yang berhubungan dengan derajat kegemukan seperti penyakit jantung, kencing manis bahkan stroke dapat dilihat dari nilai BMI.

Berikut tabel BMI (Body Mass Index) atau indeks massa tubuh jika dihubungkan dengan resiko kesehatan.

(15)

2.2.3. Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan

penemuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengestraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai database besar.

Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti statistik dasn matematika.

Kemajuan luar biasa yang terus berlanjut dalam bidang data mining didorong oleh beberapa faktor, antara lain :

1. Pertumbuhan yang cepat dalam kumpulan data.

2. Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan memiliki akses ke dalam database yang andal.

(16)

9

4. Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam globalisasi ekonomi.

5. Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan teknologi).

6. Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan kapasitas media penyimpanan.

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

dapat dilakukan, yaitu : 1. Deskripsi

Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel dibuat berdasarkan nilai variabel prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan untuk (untuk keadaan yang tepat) prediksi.

(17)

Dalam klasifikasi, terdapat yang variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, pendapatan rendah.

5. Pengklusteran

Pengklusteran merupakan pengelompokkan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain.

Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.

2.2.4. Fuzzy C-Means

(18)

11

keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.

Konsep dasar FCM, pertama kali adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan

untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat klaster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimisasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.

Keluaran dari FCM bukan merupakan fuzzy inference system, namun merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system.

Algoritma Fuzzy C-Means (FCM) adalah sebagai berikut :

1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n=jumlah sampel data, m=atribut setiap data). Xij = data sampel ke-i (i=1,2,…,n), atribut ke-j (j=1,2,…,m).

2. Tentukan :

 Jumlah cluster = c;

 Pangkat = w;

(19)

 Error terkecil yang diharapkan = ξ;

 Fungsi obektif awal = P0 = 0;

 Iterasi awal = t = 1;

3. Bangkitkan bilangan random µik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-elemen matriks partisi awal U. Hitung jumlah setiap kolom :

(2.1)

Dengan j=1,2,…,n. Hitung :

(2.2) 4. Hitung pusat cluster ke-k: Vkj, dengan k=1,2,…c; dan j=1,2,…,m.

(2.3)

5. Hitung fungsi objektif pada iterasi ke-t, Pt :

(2.4)

6. Hitung perubahan matriks partisi :

(2.5)

7. Cek kondisi berhenti :

 Jika : (|Pt – Pt-1|<ξ) atau (t>MaxIter) maka berhenti;

 Jika tidak: t=t+1, ulangi langkah ke-4.

2.2.5. Unified Modelling Language

Unified Modelling Language (UML) adalah bahasa standar yang

(20)

13

dan desain berorientasi obyek. UML menyediakan standar notasi dan diagram yang bisa digunakan memodelkan suatu sistem. UML dikembangkan oleh Grady Booch, Jim Rumbaugh dan Ivar Jacobson. UML menjadi bahasa yang bisa digunakan untuk berkomunikasi dalam perspektif obyek antara user, developer dan project manajer.

UML memungkinkan developer melakukan pemodelan secara visual, yaitu penekanan pada penggambaran, bukan didominasi pada narasi. Pemodelan visual membantu untuk menangkap struktur dan kelakuan (behavior) suatu objek, mempermudah penggambaran interaksi antara elemen dalam system dan mempertahankan konsistensi antara design dan implementasi dalam pemrograman.

Namun karena UML hanya merupakan bahasa pemodelan, maka UML bukanlah rujukan bagaimana melakukan analisis dan desain berorientasi objek. Untuk mengetahui bagaimana melakukan analisis desain berorientasi obyek, sudah terdapat beberapa metodologi yang bisa diikuti. Didalam UML terdapat 8 diagram, antara lain Use Case Diagram, Class Diagram, Sequence Diagram, Collaboration Diagram, Statechart Diagram, Activity Diagram, Component

Diagram, dan Deployment Diagram.

(21)

(22)

BAB III METODE PENELITIAN

3.1. Analisa Kebutuhan

Analisa kebutuhan merupakan suatu penjelasan tentang kebutuhan dalam penyelesaian kasus clustering dan apa saja kebutuhan sistem dalam penerapan algoritma fuzzy c-means yang melingkupi kebutuhan perangkat keras dan perangkat lunak, dan analisa kebutuhan data .

Rumah Sakit Sari Mulia Banjarmasin memiliki jumlah pasien dalam skala besar dan keaneka ragaman jenis penyakit. Banyak kasus pasien yang menderita penyakit yang sama berdasarkan faktor usia dan nilai bmi. Sebagai upaya dalam antisipasi pengobatan dan pencegahan penyakit tentu pihak rumah sakit perlu mengetahui penyakit apa-apa saja yang banyak dijumpai di rumah sakit tersebut.

Hal ini dapat di lakukan salah satunya dengan menerapkan Algoritma fuzzy c-means yang bertujuan untuk membuat kelompok/cluster terhadap

informasi penyakit di Rumah Sakit Sari Mulia. Dengan adanya pengelompokkan penyakit diharapkan pihak rumah sakit dapat mengetahui kelompok penyakit yg paling banyak dijumpai di rumah sakit tersebut berdasarkan pada usia dan nilai bmi pasien. Sehingga dapat membantu pihak rumah sakit dalam pengambilan keputusan dalam hal pengobatan dan pencegahan penyakit.

Dalam penerapannya pada kasus pengelompokkan penyakit, algoritma fuzzy c-means membutuhkan beberapa informasi yang ada di dalam database

(23)

3.1.1. Metode Pengumpulan Data

1. Metode Kepustakaan

Metode ini digunakan untuk mengumpulkan data-data dan rumus-rumus yang diperlukan dalam kaitannya untuk menerapkan algoritma fuzzy c-means. Hal ini dapat diperoleh dari buku-buku dan literatur lainnya.

2. Wawancara

Metode ini dilakukan dengan mangadakan tanya jawab (wawancara) secara langsung dengan pihak-pihak yang berkaitan dengan informasi.

3. Metode observasi

Metode ini dilaksanakan dengan melakukan peninjauan langsung pada objek penelitian serta melakukan pencatatan mengenai hal-hal dan semua kejadian yang berhubungan dengan masalah yang diteliti. Observasi dilakukan di Rumah Sakit Sari Mulia Banjarmasin.

3.2. Perancangan Penelitian

3.2.1. Sumber Data dan Variabel Penelitian

Data penelitian yang digunakan adalah data sekunder yang diambil dari Rumah Sakit Sari Mulia Banjarmasin. Variabel penelitian yang digunakan dalam pengelompkkan dua variabel yang telah didefinisikan pada bab landasan teori. Kedua variabel tersebut adalah sebagai berikut :

(24)

17

3.2.2. Diagram Konteks

Diagram konteks merupakan gambaran umum mengenai interaksi yang terjadi antara sistem dengan admin. Diagram konteks dari sistem ini ditunjukkan pada gambar.

Pada diagram konteks digambarkan proses umum yang terjadi di dalam sistem. Terdapat komponen proses cluster dan external entity admin sebagai yang memasukkan input dan menerima output. Admin memasukkan jumlah cluster yang diminta untuk selanjutnya di proses. Setelah melakukan proses, sistem akan menghasilkan output berupa hasil cluster penyakit berdasarkan usia dan nilai bmi pasien.

Gambar 3. 1. Diagram Konteks

(25)

Use case adalah konstruksi untuk mendeskripsikan bagaimana sistem

terlihat di mata pengguna. Sasaran pemodelan use case diantaranya adalah mendefinisikan kebutuhan fungsional dan operasional sistem dengan mendefinisikan skenario penggunaan yang disepakati antara pemakai dan pengembang (developer). Use case diagram untuk pengelompokkan penyakit dapat dilihat pada Gambar 3.2 .

Gambar 3. 2. Use Case Diagram

(26)

19

Gambar 3. 3. Sequence Diagram Clustering Penyakit

(27)

Diagram aktifitas (Activity diagram) memodelkan urutan aktifitas dalam suatu proses. Berikut gambaran diagram aktifitas dalam pengelompokkan penyakit.

Gambar 3. 4. Activity Diagram

(28)

21

Teknik analisis yang dipakai pada penelitian ini adalah analisis cluster dengan metode fuzzy c-means. Analisis cluster merupakan teknik multivarian yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Dalam hal ini ialah pengelompokkan penyakit berdasarkan usia dan nilai bmi. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Fokus dari analisis cluster adalah membandingkan objek berdasarkan set variabel, set variabel cluster adalah suatu set variabel yang merepresentasikan karakteristik yang dipakai objek-objek.

Berikut data penyakit pasien laki-laki dan pasien perempuan beserta atribut sebelum dilakukan perhitungan untuk mencari nilai BMI dari masing-masing data dapat dilihat pada tabel 3.1. dan tabel

Tabel 3. 1. Data penyakit pasien laki-laki Pasie

n ke

Penyakit Usia Bb Tb

1 Congestive Heart Failure 58 87,0 1,57 2

Congestive Heart Failure 62

102,

0 1,72 3 Congestive Heart Failure 63 81,5 1,67 4 Congestive Heart Failure 53 74,0 1,58 5 Congestive Heart Failure 42 97,0 1,70 6 Congestive Heart Failure 70 76,5 1,75 7 Congestive Heart Failure 40 75,0 1,72 8 Congestive Heart Failure 65 67,0 1,57 9 Congestive Heart Failure 73 81,5 1,60 10 Congestive Heart Failure 42 75,0 1,54 11 Congestive Heart Failure 63 53,0 1,60 12 Congestive Heart Failure 32 93,0 1,70 13 Congestive Heart Failure 58 61,0 1,72 Pasie

n ke

(29)

14 Dyspepsia 46 58,0 1,78

15 Dyspepsia 36 49,0 1,88

16 Dyspepsia 27 63,0 1,70

17 Dyspepsia 26 62,0 1,70

18 Dyspepsia 50 65,0 1,78

19 Dyspepsia 50 37,0 1,61

20 Dyspepsia 44 43,0 1,58

21 Dyspepsia 50 50,0 1,62

22 Dyspepsia 53 50,5 1,70

23 Dyspepsia 22 45,0 1,70

24 Dyspepsia 42 50,0 1,68

25 Dyspepsia 36 56,0 1,73

26 Dyspepsia 92 45,0 1,63

27 Dyspepsia 60 60,0 1,77

28 Dyspepsia 65 52,0 1,68

29 Dyspepsia 56 55,0 1,70

30 Dyspepsia 19 54,0 1,73

31 Hipertensi 81 73,0 1,68

32 Hipertensi 51 75,0 1,67

33 Hipertensi 39 72,0 1,70

34 Hipertensi 61 61,5 1,67

35 Hipertensi 66 73,0 1,65

36 Hipertensi 44 79,0 1,69

37 Hipertensi 25 69,0 1,76

38 Hipertensi 46 80,0 1,67

39 Hipertensi 59 58,0 1,52

40 Hipertensi 25 73,0 1,72

41 Hipertensi 23 95,0 1,76

42 Hipertensi 70 82,5 1,57

43 Hipertensi 51 47,0 1,70

44 Hipertensi 59 50,0 1,72

45 Stroke Hemoragik 55 63,5 1,65

Pasie n ke

Penyakit Usia Bb Tb

(30)

23

59 Stroke Non Hemoragik 62 62,0 1,49 60 Stroke Non Hemoragik 62 56,0 1,79 61 Stroke Non Hemoragik 57 61,0 1,67 62 Stroke Non Hemoragik 70 63,0 1,79 63 Stroke Non Hemoragik 58 78,0 1,56 64 Stroke Non Hemoragik 35 59,0 1,58 65 Stroke Non Hemoragik 64 93,0 1,68 66 Stroke Non Hemoragik 68 64,0 1,56 67 Stroke Non Hemoragik 30 60,5 1,58 68 Stroke Non Hemoragik 56 63,0 1,52 69 Stroke Non Hemoragik 63 84,0 1,69 70 Stroke Non Hemoragik 56 67,0 1,61 71 Stroke Non Hemoragik 70 49,0 1,67 72 Stroke Non Hemoragik 60 88,5 1,51 73 Stroke Non Hemoragik 52 69,5 1,64

Tabel 3. 2 Data penyakit pasien perempuan

Pasien

ke Penyakit Usia berat Tinggi

1 Congestive Heart Failure 21 58 1,51 2 Congestive Heart Failure 54 51 1,46 3 Congestive Heart Failure 47 63 1,51 4 Congestive Heart Failure 56 72 1,59 5 Congestive Heart Failure 56 63 1,59 6 Congestive Heart Failure 68 71,5 1,56 7 Congestive Heart Failure 56 68 1,53 8 Congestive Heart Failure 54 66 1,55 9 Congestive Heart Failure 70 45 1,50 10 Congestive Heart Failure 50 58 1,52 11 Congestive Heart Failure 69 62 1,52 12 Congestive Heart Failure 60 46 1,48 Pasien

13 Dyspepsia 54 40 1,48

14 Dyspepsia 22 34 1,55

15 Dyspepsia 95 42 1,54

16 Dyspepsia 33 39,5 1,60

(31)

18 Dyspepsia 18 48 1,62

19 Dyspepsia 35 40 1,60

20 Dyspepsia 60 40 1,48

21 Dyspepsia 30 37,5 1,48

22 Dyspepsia 36 39 1,62

23 Dyspepsia 20 45 1,60

24 Dyspepsia 64 40 1,55

25 Dyspepsia 22 38 1,55

26 Dyspepsia 38 41 1,63

27 Dyspepsia 31 50 1,70

28 Dyspepsia 51 53 1,64

29 Dyspepsia 55 41 1,66

30 Dyspepsia 21 50 1,67

31 Dyspepsia 58 50 1,68

32 Dyspepsia 43 51 1,73

33 Hipertensi 56 73 1,68

Pasien

56 Stroke Hemoragik 56 47 1,59

(32)

25

61 Stroke Non Hemoragik 50 63 1,47

Ket :

Bb : Berat badan (kg) Tb : Tinggi badan (m)

Data pada tabel 3.1. dan tabel 3.2. kemudian digunakan untuk menghitung nilai BMI. Hasil dari perhitungan dapat di lihat pada tabel 3.3. dan tabel 3.4.

Tabel 3. 3. Hasil perhitungan nilai BMI pasien laki-laki Pasie

n

ke Penyakit Usia Bmi

(33)

11 _{Congestive Heart Failure} ₆₃ 20,703₁ 12 _{Congestive Heart Failure} ₃₂ 32,179₉ 13

15 _Dyspepsia ₃₆ 13,863₇

16 _Dyspepsia ₂₇ 21,799₃

17 _Dyspepsia ₂₆ 21,453₃

18 _Dyspepsia ₅₀ 20,515₁

19

27 _Dyspepsia ₆₀ 19,151₆

28 Dyspepsia 65 18,424

29 _Dyspepsia ₅₆ 19,143₅

30 _Dyspepsia ₁₉ 18,042₇

31 _Hipertensi ₈₁ 25,864₅

32 _Hipertensi ₅₁ 26,892₃

(34)

27

1

37 _Hipertensi ₂₅ 22,275₃

38 _Hipertensi ₄₆ 28,685₁

39 _Hipertensi ₅₉ 25,103₉

40 _Hipertensi ₂₅ 24,675₅

41

45 _{Stroke Hemoragik} ₅₅ 23,324₂

46 _{Stroke Hemoragik} ₅₀ 25,390₆

Pasie n ke

Penyakit Usia Bmi

47 _{Stroke Hemoragik} ₇₅ 27,587₃

48 _{Stroke Hemoragik} ₂₉ 23,051₈

49

51 _{Stroke Hemoragik} ₇₀ 29,442₄

52 _{Stroke Hemoragik} ₅₄ 25,221₄

53 _{Stroke Hemoragik} ₇₃ 28,804₄

54 _{Stroke Hemoragik} ₃₇ 29,757₈

55

57 Stroke Hemoragik 55 28,9811

58 _{Stroke Hemoragik} ₆₅ 32,690₅

59

Stroke Non Hemoragik 62

(35)

60 _{Stroke Non Hemoragik} ₆₂ 17,477₆ 61 _{Stroke Non Hemoragik} ₅₇ 21,872₄ 62

64 Stroke Non Hemoragik 35 23,634

65 67 _{Stroke Non Hemoragik} ₃₀ 24,234₉

69 71 _{Stroke Non Hemoragik} ₇₀ 17,569₇ 72 _{Stroke Non Hemoragik} ₆₀ 38,814₁ 73 _{Stroke Non Hemoragik} ₅₂ 25,840₃

Tabel 3. 4 Hasil perhitungan BMI pasien perempuan

Pasie n ke

Penyakit Usia Bmi

1 Congestive Heart Failure 21 25,44 2 Congestive Heart Failure 54 23,93 3 Congestive Heart Failure 47 27,63 4 Congestive Heart Failure 56 28,48 5 Congestive Heart Failure 56 24,92 6 Congestive Heart Failure 68 29,38 7 Congestive Heart Failure 56 29,05 Pasie

n ke

Penyakit Usia Bmi

(36)

(37)

53 Hipertensi 65 27,68

Selanjutnya data pada Tabel 3.2. dianalisa menggunakan algoritma fuzzy c-means yang mana tahapan algoritmanya telah disebutkan pada bab landasan

teori.

3.4. Jadwal Penelitian

Penelitian ini akan dilaksanakan dengan mengikuti estimasi jadwal yang telah disusun seperti pada Tabel 3.3. berikut :

Tabel 3. 5. Tabel Estimasi Jadwal

No Kegiatan Bulan 1 Bulan 2 Bulan 3 Bulan 4

(38)

31

1. Pengumpulan Data 2. Analisa Permasalahan 3. Penerapan Algoritma 4. Uji Algoritma dan

Implementasi 5. Pembuatan Laporan

Keterangan :

: Pelaksanaan Kegiatan

DAFTAR PUSTAKA

Andaka, D. (2008, Agustus 1). Normalkah Body Mass Index Anda? Retrieved April 6, 2011, from Andaka.com: www.andaka.com/normalkah-body-mass-index-bmi-anda.php

Anonim. (2011, Maret 27). Disease. Retrieved Maret 31, 2011, from http://en.wikipeia.org/wiki/Disease

(39)

Kusumadewi, S. (2010). Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.

Kusumadewi, S. (2008). Klasifikasi Kandungan Nutrisi Bahan Pangan Menggunakan Fuzzy C-Means. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2008 .

Luthfi, E. T. (2007, November 24). Fuzzy C-Means Untuk Clustering Data (Studi Kasus: Data Performance Mengajar Dosen). Seminar Nasional Teknologi (SNT 2007) .

Rismawan, T., & Kusumadewi, S. (2008). Aplikasi K-Means Untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2008 .