Pembobotan Kriteria Dalam Prediksi Meningitis Tuberkulosis Menggunakan Metode SWARA dan Nearest Neighbor

(1)

Pembobotan Kriteria Dalam Prediksi Meningitis Tuberkulosis Menggunakan Metode SWARA dan Nearest Neighbor

Dwika Assrani^*, Pahala Sirait, Andri

Program Studi Magister Teknologi Informasi, STMIK Mikroskil, Medan, Indonesia Email: ^1,*[email protected], ²[email protected], ³[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Bobot sangat mempengaruhi nilai dan hasil keputusan atau prediksi sebuah data pengujian, masalah yang sering terjadi pada hasil proses prediksi adalah pembobotan atribut gejala yang kurang pasti nilai bobotnya, sehingga mempengaruhi hasil prediksi dan tingkat akurasi dari sebuah prediksi itu sendiri. Penelitian ini melakukan prediksi terhadap sebuah data menggunakan metode Nearest Neighbor dimana pada proses prediksi nilai bobot atribut belum memiliki nilai yang pasti untuk dapat dilakukan pengujian. Maka dibutuhkan sebuah pembobotan atribut setiap atribut pengujian untuk mendapatkan hasil nilai bobot yang pasti. Salah satu metode yang dapat diterapkan untuk pembobotan atribut adalah metode SWARA. Berdasarkan penelitian yang dilakukan untuk perbandingan prediksi penyakit Menginitis Tuberkulosis tanpa pembobotan SWARA dan dengan pembobotan SWARA dilakukan pengujian dengan perbandingan rasio 90:10, 80:20, 70:30 hasil prediksi penyakit menggunakan metode Nearest Neighbor terdapat perbedaan hasil dan tingkat akurasi prediksi dan proses dalam prediksi membantu mempersingkat waktu menemukan hasil prediksi, hasil prediksi tertinggi menggunakan metode swara sebesar 100%

akurat dan tanpa metode pembobotan sebesar 91%..

Kata Kunci: Pembobotan; SWARA; Nearest Neighbor

Abstract−Weights greatly affect the value and results of decisions or predictions of a test data, a problem that often occurs in the results of the prediction process is the weighting of symptom attributes which is less certain of the value of the weight, thus affecting the prediction results and the level of accuracy of a prediction itself. This study predicts a data using the Nearest Neighbor method where in the process of predicting the attribute weight value does not yet have a definite value for testing.

Then we need an attribute weighting for each test attribute to get a definite weight value result. One method that can be applied to attribute weighting is the SWARA method. Based on research conducted to compare the prediction of Meningitis Tuberculosis without SWARA weighting and with SWARA weighting, testing with a ratio of 90:10, 80:20, 70:30 results in disease prediction using the Nearest Neighbor method, there are differences in results and levels of prediction accuracy and the process in prediction helps shorten the time to find prediction results, the highest prediction result using the swara method is 100% accurate and without weighting method is 91%.

Keywords: Weighting; SWARA; Nearest Neighbor

1. PENDAHULUAN

Meningitis tuberculosis (TB/TBM) adalah penyakit menular dan sangat berbahaya yang berasal dari bakteri mycobacterium tuberculosis dimana bakteri ini menginfeksi bagian selaput otak atau selaput yang berada mengelilingi bagian otak hingga sumsum tulang belakang. Permasalahan yang sering terjadi dalam diagnosis penyakit ini disebabkan oleh, dataset atribut gejala yang masih tidak diketahui dengan pasti nilai bobotnya, karena nilai bobot itu sendiri merupakan nilai penunjang terhadap kuantitas masing-masing atribut, dengan adanya bobot memperlihatkan fungsi kepentingan sebuah atribut kriteria, dan dalam proses diagnosis dilakukan teknik kultur dimana teknik ini sering sekali tidak sensitif dalam tahapan diagnosis, sehingga sering sekali dilakukan pemeriksaan secara berulang dan menyebabkan hasil dan proses konfirmasi diagnosis penyakit ini memakan waktu yang cukup lama dan hasil [1]. Hal tersebut mengakibatkan terjadi kurang akurasi dalam proses klasifikasi penyakit tersebut dan terjadinya keterlambatan terhadap diagnosis yang nantinya berdampak serius terhadap hasil data yang dilakukan pengujian sebelumnya.

Perlunya dilakukan penerapan kecerdasan manusia ke dalam sebuah sistem komputer untuk mempersingkat proses diagnosis dan menghasilkan akurasi yang tinggi. Sistem komputer tersebut akan diterapkan logika dari metode SWARA sebagai tahapan pencarian nilai bobot atribut kriteria dan algoritma Nearest Neighbor sebagai tahapan klasifikasi yang memberikan hasil prediksi terhadap diagnosis penyakit tersebut.

Penerapan pembobotan dalam sebuah kasus bukanlah merupakan hal yang baru lagi, banyak penelitian terdahulu melakukan pembobotan terhadap kriteria untuk mendapatkan hasil yang lebih tepat dengan menggunakan beberapa metode seperti Entropy [2], ROC (Rank Order Centroid) [3]–[5] AHP (analytical hierarchy process) [6] ANP (analytical network process) [7] dan lain-lain. Hasil dari metode tersebut meunjukan data nilai pembobotan yang dikelolah merupakan hasil dari pemikiran pengambil keputusan dan petinggi pengambil keputusan. Hal tersebut berbeda dengan metode pembobotan stepwise weight assessment ratio analysis (SWARA) dimana metode ini memperoleh nilai bobot yang akan diperhitungkan dari pernyataan para pakar / ahli dan menghasilkan nilai yang lebih akurat dan terpecaya [8] sehingga peneliti menggunakan metode SWARA dikarenakan berhubungan dengan mencari bobot kriteria gejala penyakit meningitis yang tentunya .

Dalam proses klasifikasi banyak tersedia berbagai jenis algoritma seperti naïve Bayes, Cart, ID3, J48, C4,5, C5.0 dan lain-lainnya dimana algoritma tersebut memanfaatkan pencarian pola terhadap kasus data dan angka yang sudah tersedia dari kasus yang ditetapkan dan tidak memfaatkan bobot kriteria dari masing-masing kasus.

(2)

Hal tersebut membuat peneliti memilih menggunakan algoritma Nearest Neighbor dimana pada penelitian terdahulu, memperlihatkan hasil dari penelitian diagnosis penyakit diabetes melitus dengan akurasi tinggi [9][10]

akan lebih optimal dan memiliki akurasi tinggi lebih tepat, jika diterapkan bobot terhadap kriteria dengan memanfaatkan metode pembobotan yang tepat. Sehingga akan lebih mudah menerapkan metode SWARA pada proses pembobotan [11][12] hasil yang akan diperoleh jauh lebih akurat, valid dan proses prediksi menjadi lebih efektif dan efisien.

Penelitian lainnya metode SWARA digunakan untuk membantu optimalisasi pembobotan atribut yang nantinya akan digunakan sebagai bobot dalam memenuhi akurasi terhadap data kriteria untuk pemilihan lokasi pabrik pembangkit energi arus terbaik menggunakan metode WASPAS, hasil pada penelitian memperlihatkan tingkat pengambilan keputusa yang lebih terperca.[9]

Pada penelitian terdahulu algortima nearest neighbor merupakan tekniks klasifikasi lama yang mengalamni ketidakseimbangan terhadap keriteria sehingga metode ini dilakukan kombinasi terhadap metode lain dalam menyelesaikan pemasalahan jarak antara tetangga terdekat dan mendapatkan hasil yang lebih optimal dan juga seimbang dan tidak bergantung pada mayoritas data semata.[13].

Dari permasalahan dan literatur yang penulis lakukan sehingga diusulkan sebuah model untuk memprediksi sebuah penyakit yang menular ini dengan mengetahui bobot terhadap dataset gejala meningitis tuberculosis dan melakukan prediksi diagnosis meningitis tuberculosis menggunakan penerapan metode SWARA dan algoritma Nearest Neighbor untuk menghasilkan akurasi tinggi dan tidak memakan waktu yang lama dalam melakukan prediksi diagnosis penyakit meningitis tuberculosis

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Tahapan penelitian adalah bentuk umum tahapan proses penyelesaian pada penelitian. Proses penyelesaian permasalahan pada penelitian ini dimulai dari tahapan dataset penyakit Meningitis Tuberkulosis, selanjutnya pada setiap atibut – atribut gejala pada dataset akan dilakukan pembobotan dengan menggunakan metode SWARA.

Setelah dilakukan pembobotan atribut – atribut pada dataset tahapan selanjutnya adalah melakukan proses prediksi dan mengukur tingkat akurasi dengan menggunakan algoritma Nearest Neighbor. Adapun untuk memperjelas tahapan penyelesaian pada penelitian ini dapat dilihat berdasarkan gambar 1 berikut:

Gambar 1. Tahapan Penelitian

Teknik analisis data merupakan cara yang dilakukan untuk menganalisis data dari penelitian. Proses dilakukan dari perumusan masalah hingga proses pengambilan keputusan dari hasil penelitian yang didapatkan. Proses pada analisis data dilakukan dengan memahami data yang tersedia pada dataset dan kemudian memprosesnya kembali.

Hasil dari proses analisis data kemudian disusun pada laporan penelitian serta menjabarkan hasil dan kesimpulan Start

Pengumpulan Data

Identifikasi Data Latih dan Data Uji

Preprocessing data

Nilai Terbobot Pembobotan Dengan

SWARA

Prediksi Menggunakan Nearest Neighbor

Evaluasi Output Hasil Prediksi

En d Nilai Dataset

Awal

(3)

agar mudah untuk dipahami serta dimengerti. Pada penelitian data yang akan diproses merupakan data set yang berasal dari RSU Imelda Pekerja Indoneia. Selanjutnya data set dianalisis dan diproses ke dalam 2 tahap, yaitu:

1. Pembobotan Atribut

Pembobotan data dilakukan untuk memberikan nilai pada setiap gejala atribut pada dataset. Dengan memberikan bobot pada setiap atribut dataset dapat mengetahui gejala atribut mana yang memiliki kepentingan utama didalam proses prediksi dan pengambilan keputusan pada diagnosis penyakit Menengitis Tuberkulosis.

Pemberian bobot diharapkan dapat membantu meningkatkan tingkat akurasi pada proses prediksi. Pemberian bobot pada gejala akan dilakukan dengam menggunakan metode SWARA.

2. Prediksi

Prediksi merupakan proses perkiraan pada pengambilan keputusan, proses pengambilan keputusan pada dataset berdasarkan dengan data yang sudah dikumpulkan sebelumnya. Proses prediksi dilakukan untuk mengukur tingkat akurasi dari metode pada dataset. Algoritma Nearest Neighbor adalah algoritma yang digunakan untuk melakukan proses prediksi dan mengukur tingkat akurasi dari hasil prediksi.

2.2 Data Mining

Data mining adalah proses dalam menganalisis, proses melakukan peninjauan dan pencarian secara otomatis terhadap kumpulan data yang berukuran besar untuk dilakukan pencarian informasi terhadap data tersebut. Data mining merupakan suatu bidang disiplin ilmu yang mengkombinasikan antara data pengenalan pola, data statistik, kumpulan data dalam sebuah database, data visualisasi terhadap teknik pembelajaran mesin. Pentingnya mengetahui proses dalam data mining akan sangat membantu manusia dalam banyak permasalahan dalam penanganan pengambilan informasi dari sebuah kumpulan data atau database dengan cara yang benar. Tekni dalam data mining yaitu bagaimana mencari data yang ingin dilakukan analisis untuk membuat sebuah model dan memanfaatkan model tersebut yang nantinya dapat berfungsi dalam mengenali pola sebuah data lain yang tidak tersedia dalam basis data yang tersimpan [14].

2.3 Metode SWARA

SWARA memiliki perbedaan dengan metode lain pada umumnya, penggunaan metode SWARA menerepkan pengambilan dan penentuan keputusan sesuai data yang diterangkan oleh para pakar dan pakar/ahli mempunyai peran penting pada proses evaluasi dan menghitung bobot[8], [15]–[18]. Metode SWARA memiliki kemampuan utama untuk memperkirakan pendapat ahli/pakar dalam menentukan rasio kepentingan terhadap masing-masing kriteria. Metode ini dikembangkan untuk melakukan identifikasi terhadap pentingnya sebuah kriteria dan penerapan bobot relatif terhadap kriteria.

Adapun rumus dalam penyelesaian masalah menggunakan metode SWARA sebagai berikut ini:

1. Lakukan penjumlahan terhadap penilaian pakar/ahli untuk masing-masing kriteria dan temukan nilai rata-rata dalam masing-masing nilai pendapat sehingga dapat diurutkan kriteria yang memiliki nilai tertinggi hingga kriteria yang memiliki nilai terendah.

𝑡̅_𝑗=^∑ ^𝑡^𝑗𝑘

𝑟𝑘=1

𝑟 (1) 2. Mencari Nilai komparatif (Sj)

Lalu diurutkan berdasarkan nilai tertinggi sebagai gejala paling penting dari gejala untuk dan pengurutan rangking awal, dimana urutan tersebut dijumlahkan, terlihat tabel 3 pada kolom rank awal.

3. Nilai Koefisien (Kj)

Pada tahapan ketiga dilakukan perhitungan terhadap nilai koefisien Kj dengan rumusan berikut ini:

𝑘_𝑗= {1 𝑗 = 1

𝑠_𝑗+ 1 𝑗 > 1 (2) 4. Tahapan perhitungan ulang terhadap bobot 𝑞_𝑗

Pada tahapan ini melakukan perhitungan ulang terhadap bobot 𝑞_𝑗 dengan menggunakan rumusan sebagai berkut:

𝑘_𝑗= {

1 𝑗 = 1

𝐾_𝑗−1

𝐾_𝑗 𝑗 > 1 (3) 5. Tahapan menentukan bobot

Tahapan ini merupakan tahapan akhir dalam menentukan bobot relatif kriteria menggunakan rumus berikut ini.

𝑤_𝑗=_∑ ^q^𝑗

𝑞_𝑗 𝑛𝑗=1

(4) 2.4 Algoritma Neareast Neighbor

Klasifikasi merupakan sebuah tata cara untuk mengelompokan data menjadi tiap kelas-kelas dan merupakan salah satu teknik terpenting dari data mining dimana teknik ini melakukan pekerjaan untuk melakukan pembangunan

(4)

terhadap data acak dalam sebuah model sebagai prototipe untuk dijadikan database, disimpan sebagai memori lalu membangun sebuah model pada suatu objek data untuk mengetahui objek data tersebut bagian objek mana saja.

Klasifikasi membangun model berdasarkan data latih yang ada dan model tersebut digunakan untuk mengklasifikasikan pada data yang baru. Pada penelitian ini klasifikasi menggunakan algoritma Nearest Neighbor, adapun langkah – langkah algoritma Nearest Neighbor yaitu:

1. Jika ingin mengetahui diagnosis penyakit terhadap pasien baru dapat diketahui dengan melihat kembali data pasien lama.

2. Metode ini dilakukan perhitungan dengan melihat kedekatan kasus data pasien baru dengan data pasien yang lama.

Penggunaan algoritma nearest neighbor klasik menggunakan rumusan sebagai berikut ini:

(𝑇, 𝑆) =^(∑^𝑛_𝑖=1𝑓(𝑇𝑖,𝑆𝑖 ×𝑤𝑖)

𝑤𝑖 (5) 2.5 Kinerja Klasifikasi

Matrik Konfunsi adalah matrik atau tabel yang mencatat hasil kerja klasifikasi, seperti tabel II-1 merupakan contoh matriks konfusi yang melakukan klasifikasi masalah biner hanya dua kelas, yaitu kelas 0 dan kelas 1. Setiap sel fij

dalam matriks menyatakan jumlah record/data dari kelas i yang hasil prediksinya masuk ke kelas j.

Tabel 1. Matriks Konfusi Untuk Dua Kelas

fij Kelas Hasil Prediksi (j)

Kelas = 1 Kelas = 0

Kelas Asli (i) Kelas = 1 F11 F10

Kelas = 0 F01 F00

Berdasarkan isi matriks konfusi, dapat diketahui jumlah data dari masing-masing kelas yang diprediksi secara benar dan data yang diklasifikasikan secara salah. Kuantitasi matriks konfusi dapat diringkas menjadi dua nilai, yaitu akurasi dan laju eror. Dengan mengetahui jumlah data yang diklasifikasi secara benar, dapat mengetahui akurasi hasil klasifikasi, dan dengan mengetahui jumlah data yang diklasifikasikasn secara salah, dapat mengetahui laju eror yang dilakukan. Untuk mengetahui akurasi digunakan formula :

Akurasi = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 𝑌𝑎𝑛𝑔 𝐷𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝐵𝑒𝑛𝑎𝑟

𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑌𝑎𝑛𝑔 𝐷𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛 = ^𝑓¹¹^+𝑓⁰⁰

𝑓11+ 𝑓10+ 𝑓01+ 𝑓00 (6) Untuk mengetahui laju eror digunakan formula :

Akurasi = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 𝑌𝑎𝑛𝑔 𝐷𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑆𝑎𝑙𝑎ℎ

𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑌𝑎𝑛𝑔 𝐷𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛 = _𝑓 ^𝑓¹⁰^+𝑓⁰¹

11+ 𝑓₁₀+ 𝑓₀₁+ 𝑓₀₀ (7)

3. HASIL DAN PEMBAHASAN

Hasil penelitian ini menggunakan data aktual sebanyak 121 record pasien yang mengidap penyakit meningitis tuberculosis dengan kelas meninggal dunia dan kelas baik (sembuh) yang diperoleh dari RSU Imelda Pekerja Indonesia. Berdasarkan dari data aktual tersebut dilakukan prediksi berdasarkan bobot tanpa menggunakan metode SWARA dan prediksi menggunakan bobot hasil metode SWARA Berikut merupakan contoh tabel penyelesaian dimana data merupakan pernyataan

dari kepentingan masing-masing atribut berdasarkan pendapat para ahli yang dapat dilihat pada tabel 2:

Tabel 2. Nilai Pendapat Pakar Terhadap Atribut

No Nama Atribut Keterangan P1 P2 P3 P4 P5 P6 P7

1 Age Usia 4 5 4 4 4 3 4

2 Breathing Problems Terdapat masalah pada

pernapasan 4 5 4 5 4 4 5

3 Presence of extrapyramidal movements

Adanya gerakan

ekstrapiramidal 3 3 2 4 3 4 5

4 Presence o f neck stiffness Kaku pada leher 4 5 5 4 4 3 5

5 Other serious illnesses Penyakit serius lainnya 4 3 4 5 4 2 5 6 Focal neurological deficit

(including cranial nerve palsy)

Kelumpuhan syaraf dan

kejang-kejang 5 5 5 4 5 4 5

7 Temperature Suhu tubuh atau demam 3 5 3 4 3 3 5

8 Digestive Disorder Symptoms Permasalahan lambung 4 1 1 3 4 2 2

9 AVPU score tingkat kesadaran 4 5 5 4 4 2 5

10 HIV sero-status Status HIV 5 5 5 5 5 4 5

(5)

Pada tabel 2 merupakan tabel nilai dari beberapa pendapat para dokter yag ada pada layanan aplikasi halodoc yang terdiri dari 7 dokter spesialis bagian dalam yang berbeda dimana, data sebelumnya sudah diberikan batasan penilaian (range) dari 1 sampai 5 dimana semakin tinggi tingkatannya semakin penting atribut tersebut.

Selanjutnya dilakukan perhitungan pencarian bobot dan berikut adalah nilai bobot SWARA yang digunakan sebagai bobot pengali untuk nilai nominal setiap atribut pasien yang dapat dilihat pada tabel 3:

Tabel 3. Nilai Bobot Menggunakan SWARA

Nama Atribut

Nilai Bobot

Awal

Rank

awal Sj Kj Qi Wi Kode

Bobot

HIV sero-status 4,85714 1 - 1 1 0,301147 W1

Focal neurological deficit (including

cranial nerve palsy) 4,71429 2 0,1818182 1,1818182 0,8461538 0,254816 W2 Breathing Problems 4,42857 3 0,3636364 1,3636364 0,6205128 0,186865 W3 Presence o f neck stiffness 4,28571 4 0,5454545 1,5454545 0,4015083 0,120913 W4

AVPU score 4,14286 5 0,7272727 1,7272727 0,2324522 0,070002 W5

Age 4 6 0,9090909 1,9090909 0,1217607 0,036668 W6

Other serious illnesses 3,85714 7 1,0909091 2,0909091 0,0582334 ,017537 W7

Temperature 3,71429 8 1,2727273 2,2727273 0,0256227 0,007716 W8

Presence of extrapyramidal

movements 3,42857 9 1,4545455 2,4545455 0,0104389 0,003144 W9

Digestive Disorder Symptoms 2,42857 10 1,6363636 2,6363636 0,0039596 0,001192 W10

5,5 3,320642 1

Tahapan dalam memperoleh nilai diatas adalah sebagai berikut ini:

1. Data yang telah dikumpulkan dari beberapa pakar kemudian dijumlahkan dengan mencari nilai rata-rata masing-masing atribut sehingga menjadi nilai bobot awal, contoh pada penentuan nilai bobot awal age dengan nilai masing-masing pakar sebesar 4,5,4,4,4,3,4. Sehingga nilai 28 untuk mendapatkan nilai rata-rata maka dibagi dengan banyak jumlah angka 28/7 = 4.

2. Lalu diurutkan berdasarkan nilai tertinggi sebagai gejala paling penting dari gejala untuk dan pengurutan rangking awal, dimana urutan tersebut dijumlahkan , terlihat tabel 3 pada kolom rank awal.

3. kepentingan komparatif (Sj)

nilai kepentingan komparatif tahapan awal tidak memiliki nilai karena tahapan tersebut tidak memiliki pasangan atau nominal pada bagian atas (merupakan awalan) tahapan tersebut melakukan perkalian pasangan menurun yaitu rangking awal -, untuk baris yang kedua rank 1 dibagi dengan total nilai rata-rata ranking pada tahapan ke 2. Untuk baris ke 3 nilai rangking ke dua dibagi dengan rata-rata nilai ranking.

4. Mencari nilai Koefisien (Qi)

dimulai dari nilai 1 sebagai ketetapan pada rumus, untuk baris kedua, tiga dan selanjutnya merupakan penjumlahan 1 dengan masing-masing nilai kepentingan komparatif (Sj)

5. Mencari nilai akhir Bobot (Wi)

Pada tahapan ini dimulai dengan nilai 1 juga sebagai rumus ketetapan tetapi pada prosesnya dilakukan pembagian 1 dengan masing-masing nilai koefisien.

3.1 Prediksi Naerest Neighbor Tanpa Bobot SWARA

Bagian ini berisi tentang proses prediksi meningitis tuberkolosis menggunakan data atribut pasein yang telah dibobot berdasarkan nilai nominal pada tabel berikut. Proses prediksi Naerest Neighbor menggunakan aplikasi rapidminer versi 9.8.1. Komposisi data yang digunakan adalah sebanyak 121 data dengan rasio 90:10, 80:20 dan 70:30 sebagai data training dan data uji dalam proses prediksi. Adapun jumlah data training dan data uji berdasarkan kompresi rasio dapat dilihat pada tabel di bawah ini:

Tabel 4. Tingkat Akurasi Prediksi Rasio 90:10 true Meninggal

Dunia true Baik class precision

pred. Meninggal Dunia 7 1 87,50%

pred. Baik 0 4 100,00%

class recall 100,00% 80,00% 91,67%

Tabel 5. Tingkat Akurasi Prediksi Rasio 80:20

true Meninggal

Dunia true Baik true Baik class precision

pred. Meninggal Dunia 10 1 0 90,91%

pred. Baik 4 8 1 61,54%

class recall 71,43% 88,89% 0,00% 75,00%

(6)

Tabel 6. Tingkat Akurasi Prediksi Rasio 70:30

true Meninggal

pred. Baik 6 7 3 43,75%

class recall 75,00% 77,78% 0,00% 69,44% %

3.2 Prediksi Naerest Neighbor Dengan Bobot SWARA

Bagian ini berisi tentang proses prediksi meningitis tuberkolosis menggunakan data atribut pasein yang telah dibobot berdasarkan nilai bobot SWARA pada tabel berikut. Proses prediksi Naerest Neighbor menggunakan aplikasi rapidminer versi 9.8.1. Komposisi data yang digunakan adalah sebanyak 121 data dengan rasio 90:10, 80:20 dan 70:30 sebagai data training dan data uji dalam proses prediksi. Adapun jumlah data training dan data uji berdasarkan kompresi rasio dapat dilihat pada tabel berikut ini:

Tabel 7. Tingkat Akurasi Prediksi Rasio 90:10 Dengan Bobot SWARA true Meninggal

Dunia true Baik class precision

pred. Meninggal Dunia 7 0 100,00%

pred. Baik 0 5 100,00%

pred. Baik 0 0 0,00%

class recall 100,00% 100,00% 100%

pred. Baik 3 8 1 66,67%

class recall 78,57% 88,89% 0,00% 79,17%

pred. Baik 4 11 1 68,75%

class recall 80,95% 78,57% 0,00% 77,78%

Untuk melihat apakah ada perbedaan dalam prediksi menggunakan metode Nearest Neighbor dengan adanya pembobotan SWARA, maka berikut adalah rangkuman perbandingan hasil kinerja prediksi tanpa dan menggunakan pembobotan SWARA berdasarkan data training dan data testing yang dilakukan dengan rasio 90:10, 80:20 dan 70:30:

Gambar 2. Grafik Perbandingan Akurasi Prediksi

4. KESIMPULAN

Berdasarkan dari uraian penjelasan permasalahan dan uraian setiap rangkaian hasil dari penelitian diatas, maka dapat ditarik kesimpulan sebagai yaitu metode SWARA dapat membantu menemukan nilai bobot yang sesuai berdasarkan perhitungan data yang diberikan oleh para pakar terkait, optimalisasi terhadap pembobotan menggunakan metode SWARA dengan hasil keseluruhan bobot mencapai 100% dari keseluruhan kriteria, terdapat

0.00%

50.00%

100.00%

150.00%

Rasio 90:10 Rasio 80:20 Rasio 70:30 PERBANDINGAN AKURASI PREDIKSI

Tanpa SWARA Dengan SWARA

(7)

perbedaan akurasi dari setiap rasio prediksi dimana jumlah data training dan data testing mempegaruhi hasil prediksi baik tanpa pembobotan SWARA maupun menggunakan pembobotan SWARA. Dan Waktu dalam proses diagnosis lebih cepat dengan bantuan pengetahuan algoritma dalam sebuah sistem komputer.

UCAPAN TERIMA KASIH

Terima kasih kepada kedua orang tua yang telah memberikan support dan semangat dalam menyelesaikan penelitian ini dan terima kasih kepada orang-orang yang memberikan masukan dan saran dalam penyelesaian penelitian ini.

REFERENCES

[1] R. B. Roy et al., “Defeating paediatric tuberculous meningitis: Applying the who ‘defeating meningitis by 2030: Global roadmap,’” Microorganisms, vol. 9, no. 4, pp. 1–18, 2021.

[2] Y. Sun, Q. Bao, and Z. Lu, “Coronavirus (Covid-19) outbreak, investor sentiment, and medical portfolio: Evidence from China, Hong Kong, Korea, Japan, and U.S,” Pacific Basin Financ. J., vol. 65, Feb. 2021.

[3] G. Zhang, Z. Wang, and H. Mei, “Sensitivity clustering and ROC curve based alarm threshold optimization,” Process Saf. Environ. Prot., vol. 141, pp. 83–94, 2020.

[4] M. Mesran, T. M. Diansyah, and F. Fadlina, “Implemententasi Metode Rank Order Cendroid (ROC) dan Operational Competitiveness Rating Analysis (OCRA) dalam Penilaian Kinerja Dosen Komputer Menerapkan (Studi Kasus: STMIK Budi Darma),” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. 0, p. 822, Sep. 2019.

[5] M. Mesran, J. Afriany, and S. H. Sahir, “Efektifitas Penilaian Kinerja Karyawan Dalam Peningkatan Motivasi Kerja Menerapkan Metode Rank Order Centroid (ROC) dan Additive Ratio Assessment (ARAS),” Pros. Semin. Nas. Ris. Inf.

Sci., vol. 1, no. 0, pp. 813–821, Sep. 2019.

[6] A. Petruni, E. Giagloglou, E. Douglas, J. Geng, M. C. Leva, and M. Demichela, “Applying Analytic Hierarchy Process (AHP) to choose a human factors technique: Choosing the suitable Human Reliability Analysis technique for the automotive industry,” Saf. Sci., vol. 119, pp. 229–239, Nov. 2019.

[7] M. O. khalil Ali, A. E. Elhassan, M. S. Elgara, M. Abdelhady, and H. Abdel Hadi, “Ancient foe, serious weapon:

Subarachnoid hemorrhage secondary to TB meningitis,” IDCases, vol. 22, p. e00941, 2020.

[8] H. Halimah, D. Kartini, F. Abadi, I. Budiman, and M. Muliadi, “Uji Sensitivitas Metode Aras Dengan Pendekatan Metode Pembobotan Kriteria Sahnnon Entropy Dan Swara Pada Penyeleksian Calon Karyawan,” J. ELTIKOM, vol. 4, no. 2, pp.

96–104, 2020.

[9] H. Li, X. Liu, T. Li, and R. Gan, “A novel density-based clustering algorithm using nearest neighbor graph,” Pattern Re[1] H. Li, X. Liu, T. Li, R. Gan, “A Nov. density-based Clust. algorithm using nearest neighbor graph,” Pattern Recognit., vol. 102, 2020, doi 10.1016/j.patcog.2020.107206.cognition, vol. 102, 2020.

[10] F. Xaverius, H. Jayawardana, and S. H. Hidayat, “Comparing euclidean distance and nearest neighbor algorithm in an expert system for diagnosis of diabetes mellitus,” Enferm. Clin., vol. 30, pp. 374–377, 2020.

[11] Z. Wang, Y. Li, D. Li, Z. Zhu, and W. Du, “Entropy and gravitation based dynamic radius nearest neighbor classification for imbalanced problem,” Knowledge-Based Syst., vol. 193, no. xxxx, p. 105474, 2020.

[12] Y. Zhu, C. Jia, F. Li, and J. Song, “Inspector: a lysine succinylation predictor based on edited nearest-neighbor undersampling and adaptive synthetic oversampling,” Anal. Biochem., vol. 593, no. January, p. 113592, 2020.

[13] M. R. Islam, A. R. M. Kamal, N. Sultana, R. Islam, M. A. Moni, and A. Ulhaq, “Detecting Depression Using K-Nearest Neighbors (KNN) Classification Technique,” Int. Conf. Comput. Commun. Chem. Mater. Electron. Eng. IC4ME2 2018, no. February, pp. 1–4, 2018.

[14] A. S. Albahri et al., “Role of biological Data Mining and Machine Learning Techniques in Detecting and Diagnosing the Novel Coronavirus (COVID-19): A Systematic Review,” J. Med. Syst., vol. 44, no. 7, 2020.

[15] E. Kılıç Delice, G. F. CAN, and E. KAHYA, “improving the rapid office strain assessment method with an integrated multi-criteria decision making approach,” Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Derg., no. September, 2020.

[16] D. Karabasevic, E. Kazimieras, D. Stanujkic, G. I. Popovic, and M. Brzakovic, “An approach to personnel selection in the IT industry based on the EDAS method,” Transform. Bus. Econ., vol. 17, no. 2, 2018.

[17] A. Valipour, N. Yahaya, N. Md Noor, J. Antuchevičienė, and J. Tamošaitienė, “Hybrid SWARA-COPRAS method for risk assessment in deep foundation excavation project: an Iranian case study,” J. Civ. Eng. Manag., vol. 23, no. 4, 2017.

[18] S. Urosevic, D. Karabasevic, D. Stanujkic, and M. Maksimovic, “An approach to personnel selection in the tourism industry based on the SWARA and the WASPAS methods,” Econ. Comput. Econ. Cybern. Stud. Res., vol. 51, no. 1, 2017.