Anda di halaman 1dari 37

PROPOSAL SKRIPSI

PENERAPAN FUZZY C-MEAAS


UNTUK PENGELOMPOKKAN PENYAKIT
BERDASARKAN FAKTOR USIA DAN NILAI BODY MASS
IADEX PADA RUMAH SAKIT SARI MULIA BAN1ARMASIN





OLEH :
BAGUS WINDHYA KUSUMA WARDANA
3101 0701 1033





PROGRAM STUDI SISTEM INFORMASI
SEKOLAH TINGGI MANA1EMEN INFORMATIKA
DAN KOMPUTER BAN1ARBARU
(STMIK BAN1ARBARU)
BAN1ARMASIN
2011


ll


PROGRAM STUDI SISTEM INFORMASI
SEKOLAH TINGGI MANA1EMEN INFORMATIKA DAN KOMPUTER
BAN1ARBARU(STMIK BAN1ARBARU)

PERSETU1UAN 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

Telah disetuiui untuk diseminarkan pada Sidang Proposal Skripsi Program Studi
Sistem InIormasi Sekolah Tinggi Manaiemen InIormatika & Komputer
Baniarbaru (STMIK BANJARBARU).

Baniarmasin, 22 April 2011
Pembimbing Utama,



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

Mengetahui :
Ketua Jurusan
Sistem InIormasi,


Bahar A. Rahman, M.Kom.

lll

DAFTAR ISI
Hal.
PROPOSAL SKRIPSI l
PERSETUJUAN PROPOSAL SKRIPSI ll
DAFTAR ISI lll
DAFTAR TABEL v
DAFTAR GAMBAR vl
BAB I PENDAHULUAN1
1.1. Latar Belakang 1
1.2. Permasalahan Penelitian 3
1.2.1. IdentiIikasi Masalah 3
1.2.2. Ruang Lingkup Masalah 3
1.2.3. Rumusan Masalah 4
1.3. Tuiuan dan ManIaat Penelitian 4
1.3.1. Tuiuan Penelitian 4
1.3.2. ManIaat Penelitian 4
BAB II LANDASAN TEORI 3
2.1. Tiniauan Pustaka 3
2.2. Landasan Teori 6
2.2.1. Penyakit 6
2.2.2. Bodv Mass Index (BMI) 6
2.2.3. Data Mining 8
2.2.4. Fuzzv C-Means 11
2.2.5. UniIied Modelling Language 13
2.3. Kerangka Pemikiran 14
BAB III METODE PENELITIAN 13
3.1. Analisa Kebutuhan 13
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

lv

3.2.5. Activity Diagram 20
3.3. Teknik Analisis Data 21
3.4. Jadwal Penelitian 30
DAFTAR PUSTAKA 31
LAMPIRAN





















v

DAFTAR TABEL
Hal.
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
Tabel 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 23
Tabel 3. 4 Hasil perhitungan BMI pasien perempuan 27
Tabel 3. 5. Tabel Estimasi Jadwal 30
















vl

DAFTAR GAMBAR
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






BAB I PENDAHULUAN

1.1. Latar Belakang
Rekam medis adalah catatan yang berisikan inIormasi tentang identitas
pasien, anamnesa, penentuan Iisik laboratorium, diagnosa segala pelayanan dan
tindakan medik yang diberikan kepada pasien dan pengobatan baik yang dirawat
inap, rawat ialan maupun yang mendapatkan pelayanan gawat darurat. Salah
satunya berisikan inIormasi mengenai penyakit-penyakit yang pernah/sedang di
derita oleh pasien. Penyakit merupakan suatu keadaan abnormal dari tubuh atau
pikiran yang menyebabkan ketidaknyamanan, disIungsi atau kesukaran terhadap
orang yang dipengaruhinya. Suatu penyakit biasanya dipengaruhi oleh beberapa
Iaktor, diantaranya ialah usia pasien dan BMI (Bodv Mass Index).
Rumah Sakit Sari Mulia Baniarmasin merupakan salah satu rumah sakit
yang memiliki iumlah pasien dalam skala besar dan keaneka ragaman ienis
penyakit. Dengan iumlah pasien yang begitu banyak, maka semakin banyak kasus
pasien yang menderita penyakit yang sama berdasarkan Iaktor usia dan nilai bmi.
Berdasarkan pada data penyakit yang diperoleh di rumah sakit tersebut, penyakit
gagal iantung kongestiI merupakan penyakit paling banyak diderita oleh pasien
yang berusia rata-rata 40 tahun ke atas dan memiliki nilai BMI diatas 27 yang
berarti pasien mengalami obesitas. Sehingga diperlukan langkah-langkah
antisipasi pengobatan dan pencegahan penyakit dalam rangka peningkatan
pelayanan kesehatan karena peningkatan pelayanan kesehatan terhadap pasien
merupakan salah satu tuiuan dari program Rumah Sakit Sari Mulia Baniarmasin.
Langkah-langkah tersebut salah satunya berupa penambahan tenaga medis di
2



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
ienis penyakit yang paling banyak diiumpai di rumah sakit tersebut, dan ienis
penyakit apa yang paling banyak diidap oleh pasien yang berusia sekian. Dengan
mengetahui kondisi ini, pihak rumah sakit dapat mengambil tindakan kebiiakan
dalam antisipasi pengobatan dan pencegahan penyakit. Untuk dapat membantu
pihak rumah sakit Sari Mulia Baniarmasin dalam memberikan inIormasi
mengenai data penyakit pasien berdasarkan Iaktor 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 'KlasiIikasi Kandungan Nutrisi
Bahan Pangan Menggunakan Fuzzy C-Means, dan 'Aplikasi K-Means Untuk
Pengelompokkan Mahasiswa Berdasarkan Nilai Bodv Mass Index (BMI) &
Ukuran Kerangka.
Fuzzv C-Means adalah suatu teknik pengclusteran data yang mana
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh deraiat
keanggotaan. Data-data penyakit pasien tersedia di dalam berkas rekam medis
diproses dan dianalisis untuk kemudian dilakukan pengelompokkan berdasarkan
Iaktor usia dan nilai BMI. Dengan menerapkan metode ini diharapkan akan
3



menghasilkan inIormasi mengenai ienis penyakit yang paling banyak diderita oleh
pasien yang berusia sekian tahun, dan berada pada kategori kurus, normal, atau
gemuk dilihat dari nilai BMI pasien.
Penelitian ini akan menganalisis penerapan Fuzzv C-Means untuk
pengelompokkan penyakit berdasarkan Iaktor usia dan nilai Bodv Mass Index
pada Rumah Sakit Sari Mulia Baniarmasin.
1.2. Permasalahan Penelitian
1.2.1. Identifikasi Masalah
Berdasarkan uraian latar balakang di atas, maka identiIikasi permasalahan
dalam penelitian ini yaitu belum ada penerapan algoritma 1uzzv c-means dalam
kasus pengelompokkan penyakit di Rumah Sakit Sari Mulia berdasarkan Iaktor
usia dan nilai bodv 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 Baniarmasin 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.
4. Pengelompokkan penyakit berdasarkan Iaktor usia dan nilai -odv mass index
menggunakan metode 1uzzv c-means pada Rumah Sakit Sari Mulia
Baniarmasin.
4



1.2.3. Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah bagaimana menerapkan
metode 1uzzv c-means dalam kasus pengelompokkan penyakit di Rumah Sakit
Sari Mulia Baniarmasin berdasarkan Iaktor usia dan nilai -odv 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 tuiuan menerapkan metode 1uzzv c-means dalam kasus pengelompokkan
penyakit di Rumah Sakit Sari Mulia Baniarmasin berdasarkan Iaktor usia dan nilai
-odv mass index.
1.3.2. Manfaat Penelitian
1. Bagi Penulis, penelitian ini berguna untuk menambah wawasan mengenai
metode 1uzzv c-means beserta penerapannya dan sebagai sarana penerapan
ilmu pengetahuan yang diperoleh selama kuliah dalam realita permasalahan
yang ditemukan di lapangan.
2. Bagi Rumah Sakit Mulia Baniarmasin, penelitian ini bermanIaat untuk
membantu bagian rekam medis dalam memperoleh inIormasi-inIormasi
strategis guna mendukung pengambilan keputusan oleh pihak manaiemen
dalam antisipasi pengobatan dan pencegahan penyakit.








BAB II LANDASAN TEORI

2.1. Tinjauan Pustaka
Penelitian mengenai pengclusteran penyakit berdasarkan usia dan -odv
mass index (BMI) dengan metode 1uzzv 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 iudul 'KlasiIikasi Kandungan Nutrisi
Bahan Pangan Menggunakan Fuzzy C-Means meneliti tentang klasiIikasi bahan
pangan berdasarkan kandungan nutrisinya. Penelitian tersebut menghasilkan 4
buah cluster : golongan hiiau, golongan kuning, golongan iingga, golongan
merah.
Tedy Rismawan (2007) dengan iudulnya 'Aplikasi K-Means Untuk
Pengelompokkan Mahasiswa Berdasarkan Nilai Bodv 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 meniadi inIormasi dan acuan bagi
peneliti saat ini yang menerapkan metode yang sama. Penelitian-penelitian diatas
berbeda dengan penelitian kali ini, dimana penelitian ini menerapkan metode 1uzzv
c-means untuk pengelompokkan penyakit pasien berdasarkan usia dan golongan
darah di Rumah Sakit Sari Mulia Baniarmasin.
6



2.2. Landasan Teori
2.2.1. Penyakit
Penyakit merupakan suatu kondisi abnormal yang mempengaruhi
organisme tubuh. Hal ini sering ditaIsirkan sebagai kondisi medis yang terkait
dengan spesiIik geiala dan tanda-tanda. Ini mungkin disebabkan oleh Iaktor
eksternal, seperti penyakit menular, atau mungkin disebabkan oleh disIungsi
internal. Pada manusia, penyakit sering digunakan secara lebih luas untuk
mengacu pada setiap kondisi yang menyebabkan rasa sakit, disIungsi,
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 inIeksi.
Penyakit biasanya tidak hanya mempengaruhi orang-orang secara Iisik, tetapi iuga
secara emosional, hidup dengan menderita banyak penyakit dapat mengubah
sudut pandang seseorang terhadap kehidupan, dan kepribadian mereka.
2.2.2. Bodv Mass Index (BMI)
Bodv Mass Index (BMI) merupakan suatu pengukuran yang menuniukkan
hubungan antara berat badan dan tinggi badan. BMI lebih berhubungan dengan
lemak tubuh dibandingkan dengan indikator lainnya untuk tinggi badan dan berat
badan. Rumus atau cara menghitung BMI yaitu dengan membagi berat badan
dalam kilogram dengan kuadrat dari tinggi badan dalam meter (kg/m).



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/m
2

18 kg/m
2

Normal 17 23 kg/m
2
18 25 kg/m
2

Kegemukan (overweight) 23 27 kg/m
2
25 27 kg/m
2

Obesitas ~ 27 kg/m
2
~ 27 kg/m
2

Sum-er . 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 deraiat kegemukan seperti
penyakit iantung, kencing manis bahkan stroke dapat dilihat dari nilai BMI.
Berikut tabel BMI (Bodv Mass Index) atau indeks massa tubuh iika
dihubungkan dengan resiko kesehatan.







8



Tabel 2. 3 Tabel Body Mass Index dan resiko kesehatan

2.2.3. Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan
penemuan di dalam data-ase. Data mining adalah proses yang menggunakan
teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengestraksi dan mengidentiIikasi inIormasi yang bermanIaat dan pengetahuan
yang terakit dari berbagai data-ase 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.
Kemaiuan luar biasa yang terus berlaniut dalam bidang data mining
didorong oleh beberapa Iaktor, antara lain :
1. Pertumbuhan yang cepat dalam kumpulan data.
2. Penyimpanan data dalam data arehouse, sehingga seluruh perusahaan
memiliki akses ke dalam data-ase yang andal.
9



3. Adanya peningkatan akses data melalui navigasi web dan intranet.
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 meniadi 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 penielasan untuk suatu pola atau kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasiIikasi, 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. Selaniutnya, pada peniniauan berikutnya estimasi nilai
dari variabel dibuat berdasarkan nilai variabel prediksi.
3. Prediksi
Prediksi hampir sama dengan klasiIikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode
10



dan teknik yang digunakan dalam klasiIikasi dan estimasi dapat pula
digunakan untuk (untuk keadaan yang tepat) prediksi.
4. KlasiIikasi
Dalam klasiIikasi, 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 obiek-obiek 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 klasiIikasi yaitu tidak adanya variabel
target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan
klasiIikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan
tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian
terhadap keseluruhan data meniadi 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
keraniang belania.
11



2.2.4. Fuzzv C-Means
Ada beberapa algoritma pengclusteran data, salah satu diantaranya adalah
Fuzzv C-Means (FCM). FCM adalah suatu teknik pengclusteran data yang mana
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh deraiat
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 deraiat keanggotaan
untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan deraiat
keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa
pusat klaster akan bergerak menuiu lokasi yang tepat. Perulangan ini didasarkan
pada minimisasi Iungsi obiektiI yang menggambarkan iarak dari titik data yang
diberikan ke pusat cluster yang terbobot oleh deraiat keanggotaan titik data
tersebut.
Keluaran dari FCM bukan merupakan 1uzzv in1erence svstem, namun
merupakan deretan pusat cluster dan beberapa deraiat keanggotaan untuk tiap-tiap
titik data. InIormasi ini dapat digunakan untuk membangun suatu 1uzzv in1erence
svstem.
Algoritma Fuzzv C-Means (FCM) adalah sebagai berikut :
1. Input data yang akan dicluster X, berupa matriks berukuran n x m (niumlah
sampel data, matribut setiap data). X
ii
data sampel ke-i (i1,2,.,n),
atribut ke-i (i1,2,.,m).
2. Tentukan :
12



O Jumlah cluster c;
O Pangkat w;
O Maksimum iterasi MaxIter;
O Error terkecil yang diharapkan c;
O Fungsi obektiI awal P
0
0;
O Iterasi awal t 1;
3. Bangkitkan bilangan random
ik
, i1,2,.,n; k1,2,.,c; sebagai elemen-
elemen matriks partisi awal U. Hitung iumlah setiap kolom :

(2.1)
Dengan i1,2,.,n. Hitung :

(2.2)
4. Hitung pusat cluster ke-k: V
ki
, dengan k1,2,.c; dan i1,2,.,m.

(2.3)
5. Hitung Iungsi obiektiI pada iterasi ke-t, P
t
:

(2.4)
6. Hitung perubahan matriks partisi :

(2.5)
7. Cek kondisi berhenti :
13



O Jika : ('Pt Pt-1'c) atau (t~MaxIter) maka berhenti;
O Jika tidak: tt1, ulangi langkah ke-4.
2.2.5. Unified Modelling Language
Uni1ied Modelling Language (UML) adalah bahasa standar yang
digunakan untuk menielaskan dan memvisualisasikan artiIak dari proses analisis
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 meniadi bahasa yang bisa
digunakan untuk berkomunikasi dalam perspektiI obyek antara user, developer
dan proiect manaier.
UML memungkinkan developer melakukan pemodelan secara visual, yaitu
penekanan pada penggambaran, bukan didominasi pada narasi. Pemodelan visual
membantu untuk menangkap struktur dan kelakuan (-ehavior) suatu obiek,
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 ruiukan bagaimana melakukan analisis dan desain berorientasi obiek.
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,
Colla-oration Diagram, Statechart Diagram, Activitv Diagram, Component
Diagram, dan Deplovment Diagram.
14



2.3. Kerangka Pemikiran



Gambar 2. 1. Kerangka Pemikiran




BAB III METODE PENELITIAN

3.1. Analisa Kebutuhan
Analisa kebutuhan merupakan suatu penielasan tentang kebutuhan dalam
penyelesaian kasus clustering dan apa saia kebutuhan sistem dalam penerapan
algoritma 1uzzv c-means yang melingkupi kebutuhan perangkat keras dan
perangkat lunak, dan analisa kebutuhan data .
Rumah Sakit Sari Mulia Baniarmasin memiliki iumlah pasien dalam skala
besar dan keaneka ragaman ienis penyakit. Banyak kasus pasien yang menderita
penyakit yang sama berdasarkan Iaktor usia dan nilai bmi. Sebagai upaya dalam
antisipasi pengobatan dan pencegahan penyakit tentu pihak rumah sakit perlu
mengetahui penyakit apa-apa saia yang banyak diiumpai di rumah sakit tersebut.
Hal ini dapat di lakukan salah satunya dengan menerapkan Algoritma
1uzzv c-means yang bertuiuan untuk membuat kelompok/cluster terhadap
inIormasi penyakit di Rumah Sakit Sari Mulia. Dengan adanya pengelompokkan
penyakit diharapkan pihak rumah sakit dapat mengetahui kelompok penyakit yg
paling banyak diiumpai 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
1uzzv c-means membutuhkan beberapa inIormasi yang ada di dalam data-ase
rekam medis seperti data-data mengenai penyakit yang diidap oleh pasien, beserta
usia serta berat badan dan tinggi badan pasien tersebut.
16



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 1uzzv c-
means. Hal ini dapat diperoleh dari buku-buku dan literatur lainnya.
2. Wawancara
Metode ini dilakukan dengan mangadakan tanya iawab (wawancara)
secara langsung dengan pihak-pihak yang berkaitan dengan inIormasi.
3. Metode observasi
Metode ini dilaksanakan dengan melakukan peniniauan langsung pada
obiek penelitian serta melakukan pencatatan mengenai hal-hal dan semua
keiadian yang berhubungan dengan masalah yang diteliti. Observasi dilakukan
di Rumah Sakit Sari Mulia Baniarmasin.
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 Baniarmasin. Variabel penelitian yang digunakan dalam
pengelompkkan dua variabel yang telah dideIinisikan pada bab landasan teori.
Kedua variabel tersebut adalah sebagai berikut :
X1 Usia pasien
X2 Nilai BMI



17



3.2.2. Diagram Konteks
Diagram konteks merupakan gambaran umum mengenai interaksi yang
teriadi antara sistem dengan admin. Diagram konteks dari sistem ini dituniukkan
pada gambar.
Pada diagram konteks digambarkan proses umum yang teriadi di dalam
sistem. Terdapat komponen proses cluster dan external entitv admin sebagai yang
memasukkan input dan menerima output. Admin memasukkan iumlah cluster
yang diminta untuk selaniutnya di proses. Setelah melakukan proses, sistem akan
menghasilkan output berupa hasil cluster penyakit berdasarkan usia dan nilai bmi
pasien.

Gambar 3. 1. Diagram Konteks








18



3.2.3. Use Case Diagram
Use case adalah konstruksi untuk mendeskripsikan bagaimana sistem
terlihat di mata pengguna. Sasaran pemodelan use case diantaranya adalah
mendeIinisikan kebutuhan Iungsional dan operasional sistem dengan
mendeIinisikan skenario penggunaan yang disepakati antara pemakai dan
pengembang (developer). Use case diagram untuk pengelompokkan penyakit
dapat dilihat pada Gambar 3.2 .
uc CIustering Penyakit Use Cases
Admin
Input Parameter &
VariabeI
Input Usia, Berat Badan,
Tinggi Badan
AIgoritma FCM
Input j umIah cIuster,
Pembobot, Error, MaxIter

Gambar 3. 2. Use Case Diagram







19



3.2.4. Sequence Diagram
sd CIustering Penyakit Sequence Diagram
Admi n
(from Actors)
Menu Utama nterface Vari abel
Algoritma FCM
(from Actors)
Kel uar nterface
Parameter
Masuk Menu Utama()
nput Variabel ()
nput Parameter()
Dimasukkan ke FCM()
Menampi lkan hasi l cluster()
Hasi l cl uster penyaki t()
Kel uar()

Gambar 3. 3. Sequence Diagram Clustering Penyakit














20



3.2.5. Activity Diagram
Diagram aktiIitas (Activitv diagram) memodelkan urutan aktiIitas dalam
suatu proses. Berikut gambaran diagram aktiIitas dalam pengelompokkan
penyakit.
act CIustering Penyakit Activ ity Diagram
Mul ai
Input VariabeI &
Parameter
AIgoritma Fuzzy C-Means
terasi > Maksi mum terasi
HasiI CIustering
Sel esai
Ya
Proses
Tidak

Gambar 3. 4. Activity Diagram







21



3.3. Teknik Analisis Data
Teknik analisis yang dipakai pada penelitian ini adalah analisis cluster
dengan metode 1uzzv c-means. Analisis cluster merupakan teknik multivarian
yang mempunyai tuiuan utama untuk mengelompokkan obiek-obiek berdasarkan
karakteristik yang dimilikinya. Dalam hal ini ialah pengelompokkan penyakit
berdasarkan usia dan nilai bmi. Analisis cluster mengklasiIikasi obiek sehingga
setiap obiek yang paling dekat kesamaannya dengan obiek 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 obiek berdasarkan set variabel, set variabel cluster adalah
suatu set variabel yang merepresentasikan karakteristik yang dipakai obiek-obiek.
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
Pasien
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
22



Pasien
ke
Penyakit Usia Bb Tb
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
46 Stroke Hemoragik 50 65,0 1,60
47 Stroke Hemoragik 75 68,0 1,57
48 Stroke Hemoragik 29 62,0 1,64
49 Stroke Hemoragik 45 51,0 1,72
50 Stroke Hemoragik 55 46,0 1,64
51 Stroke Hemoragik 70 73,5 1,58
23



Pasien
ke
Penyakit Usia Bb Tb
52 Stroke Hemoragik 54 69,5 1,66
53 Stroke Hemoragik 73 71,0 1,57
54 Stroke Hemoragik 37 86,0 1,70
55 Stroke Hemoragik 49 39,0 1,47
56 Stroke Hemoragik 60 73,5 1,63
57 Stroke Hemoragik 55 77,0 1,63
58 Stroke Hemoragik 65 89,0 1,65
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
24



Pasien
ke
Penyakit Usia berat Tinggi
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
17 Dyspepsia 19 43 1,52
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
34 Hipertensi 65 60 1,52
35 Hipertensi 52 82 1,68
36 Hipertensi 86 74 1,59
37 Hipertensi 45 83 1,66
38 Hipertensi 63 75 1,67
39 Hipertensi 45 72 1,65
40 Hipertensi 100 59 1,63
41 Hipertensi 33 72 1,64
42 Hipertensi 73 73 1,68
43 Hipertensi 40 85 1,73
44 Hipertensi 70 75 1,67
45 Hipertensi 24 65 1,61
46 Hipertensi 51 71 1,58
47 Hipertensi 44 73 1,53
48 Hipertensi 60 67 1,44
49 Hipertensi 44 123 1,72
50 Hipertensi 83 75 1,67
23



Pasien
ke
Penyakit Usia berat Tinggi
51 Hipertensi 70 81 1,56
52 Hipertensi 52 73 1,64
53 Hipertensi 65 59 1,46
54 Hipertensi 45 75 1,59
55 Hipertensi 46 69 1,60
56 Stroke Hemoragik 56 47 1,59
57 Stroke Hemoragik 50 49 1,65
58 Stroke Hemoragik 60 60 1,70
59 Stroke Hemoragik 68 57 1,86
60 Stroke Hemoragik 40 64 1,50
61 Stroke Non Hemoragik 50 63 1,47
62 Stroke Non Hemoragik 76 53 1,86
63 Stroke Non Hemoragik 75 83 1,57
64 Stroke Non Hemoragik 49 77 1,66
65 Stroke Non Hemoragik 90 55 1,57
66 Stroke Non Hemoragik 53 58 1,61
67 Stroke Non Hemoragik 45 79 1,55
68 Stroke Non Hemoragik 42 48 1,56

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
Pasien
ke
Penyakit Usia Bmi
1 Congestive Heart Failure 58 35,2956
2 Congestive Heart Failure 62 34,4781
3
Congestive Heart Failure 63 29,2229
4 Congestive Heart Failure 53 29,6427
5 Congestive Heart Failure 42 33,564
6 Congestive Heart Failure 70 24,9796
7 Congestive Heart Failure 40 25,3515
8 Congestive Heart Failure 65 27,1816
26



Pasien
ke
Penyakit Usia Bmi
9 Congestive Heart Failure 73 31,8359
10 Congestive Heart Failure 42 31,6242
11 Congestive Heart Failure 63 20,7031
12 Congestive Heart Failure 32 32,1799
13 Congestive Heart Failure 58 20,6193
14 Dyspepsia 46 18,3058
15 Dyspepsia 36 13,8637
16 Dyspepsia 27 21,7993
17 Dyspepsia 26 21,4533
18 Dyspepsia 50 20,5151
19 Dyspepsia 50 14,2741
20 Dyspepsia 44 17,2248
21 Dyspepsia 50 19,052
22 Dyspepsia 53 17,4741
23
Dyspepsia 22 15,5709
24 Dyspepsia 42 17,7154
25 Dyspepsia 36 18,711
26 Dyspepsia 92 16,937
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
33 Hipertensi 39 24,9135
34 Hipertensi 61 22,0517
35 Hipertensi 66 26,8136
36 Hipertensi 44 27,6601
37 Hipertensi 25 22,2753
38 Hipertensi 46 28,6851
39 Hipertensi 59 25,1039
40 Hipertensi 25 24,6755
41 Hipertensi 23 30,6689
42 Hipertensi 70 33,4699
43 Hipertensi 51 16,263
44 Hipertensi 59 16,901
45 Stroke Hemoragik 55 23,3242
46 Stroke Hemoragik 50 25,3906
27



Pasien
ke
Penyakit Usia Bmi
47 Stroke Hemoragik 75 27,5873
48 Stroke Hemoragik 29 23,0518
49 Stroke Hemoragik 45 17,2391
50 Stroke Hemoragik 55 17,1029
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 Stroke Hemoragik 49 18,0408
56 Stroke Hemoragik 60 27,6638
57 Stroke Hemoragik 55 28,9811
58 Stroke Hemoragik 65 32,6905
59 Stroke Non Hemoragik 62 27,9267
60 Stroke Non Hemoragik 62 17,4776
61
Stroke Non Hemoragik 57 21,8724
62 Stroke Non Hemoragik 70 19,6623
63 Stroke Non Hemoragik 58 32,0513
64 Stroke Non Hemoragik 35 23,634
65 Stroke Non Hemoragik 64 32,9507
66 Stroke Non Hemoragik 68 26,2985
67 Stroke Non Hemoragik 30 24,2349
68 Stroke Non Hemoragik 56 27,268
69 Stroke Non Hemoragik 63 29,4107
70 Stroke Non Hemoragik 56 25,8478
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
Pasien
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
28



Pasien
ke
Penyakit Usia Bmi
8 Congestive Heart Failure 54 27,47
9 Congestive Heart Failure 70 20,00
10 Congestive Heart Failure 50 25,27
11 Congestive Heart Failure 69 27,01
12 Congestive Heart Failure 60 21,00
13 Dyspepsia 54 18,39
14 Dyspepsia 22 14,15
15 Dyspepsia 95 17,71
16 Dyspepsia 33 15,43
17 Dyspepsia 19 18,73
18 Dyspepsia 18 18,40
19 Dyspepsia 35 15,63
20 Dyspepsia 60 18,26
21 Dyspepsia 30 17,12
22 Dyspepsia 36 14,86
23 Dyspepsia 20 17,58
24 Dyspepsia 64 16,65
25 Dyspepsia 22 15,82
26 Dyspepsia 38 15,43
27 Dyspepsia 31 17,30
28 Dyspepsia 51 19,71
29 Dyspepsia 55 14,88
30 Dyspepsia 21 17,93
31 Dyspepsia 58 17,72
32 Dyspepsia 43 17,04
33 Hipertensi 56 25,86
34 Hipertensi 65 25,97
35 Hipertensi 52 29,05
36 Hipertensi 86 29,27
37 Hipertensi 45 30,12
38 Hipertensi 63 26,89
39 Hipertensi 45 26,45
40 Hipertensi 100 22,21
41 Hipertensi 33 26,77
42 Hipertensi 73 25,86
43 Hipertensi 40 28,40
44 Hipertensi 70 26,89
45 Hipertensi 24 25,08
29



Pasien
ke
Penyakit Usia Bmi
46 Hipertensi 51 28,44
47 Hipertensi 44 31,18
48 Hipertensi 60 32,31
49 Hipertensi 44 41,58
50 Hipertensi 83 26,89
51 Hipertensi 70 33,28
52 Hipertensi 52 27,14
53 Hipertensi 65 27,68
54 Hipertensi 45 29,67
55 Hipertensi 46 26,95
56 Stroke Hemoragik 56 18,59
57 Stroke Hemoragik 50 18,00
58 Stroke Hemoragik 60 20,76
59 Stroke Hemoragik 68 16,48
60 Stroke Hemoragik 40 28,44
61 Stroke Non Hemoragik 50 29,15
62 Stroke Non Hemoragik 76 15,32
63 Stroke Non Hemoragik 75 33,67
64 Stroke Non Hemoragik 49 27,94
65 Stroke Non Hemoragik 90 22,31
66 Stroke Non Hemoragik 53 22,38
67 Stroke Non Hemoragik 45 32,88
68 Stroke Non Hemoragik 42 19,72

Selaniutnya data pada Tabel 3.2. dianalisa menggunakan algoritma 1uzzv c-
means yang mana tahapan algoritmanya telah disebutkan pada bab landasan teori.






30



3.4. 1adwal Penelitian
Penelitian ini akan dilaksanakan dengan mengikuti estimasi iadwal yang
telah disusun seperti pada Tabel 3.3. berikut :
Tabel 3. 5. Tabel Estimasi 1adwal
No Kegiatan
Bulan 1 Bulan 2 Bulan 3 Bulan 4
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1. Pengumpulan Data
2. Analisa Permasalahan
3. Penerapan Algoritma
4. Uii Algoritma dan
Implementasi

5. Pembuatan Laporan

Keterangan :
: Pelaksanaan Kegiatan












31



DAFTAR PUSTAKA

Andaka u (2008 AausLus 1) Notmolkob 8oJv Moss loJex AoJo? 8eLrleved Aprll 6
2011 from Andakacom wwwandakacom/normalkahbodvmasslndexbmlandaphp
Anonlm (2011 MareL 27) ulseose 8eLrleved MareL 31 2011 from
hLLp//enwlklpelaora/wlkl/ulsease
kusrlnl (2009) Alootltmo uoto Mloloo ?oavakarLa enerblL Andl
kusumadewl S (2010) Apllkosl loolko lozzv ootok leoJokooo kepotosoo ?oavakarLa
Craha llmu
kusumadewl S (2008) klaslflkasl kandunaan nuLrlsl 8ahan anaan Menaaunakan luzzv
CMeans 5emloot Nosloool Apllkosl 1ekoolool lofotmosl (5NA1l) 2008
LuLhfl L 1 (2007 november 24) luzzv CMeans unLuk ClusLerlna uaLa (SLudl kasus
uaLa erformance Menaa[ar uosen) 5emloot Nosloool 1ekoolool (5N1 2007)
8lsmawan 1 kusumadewl S (2008) Apllkasl kMeans unLuk enaelompokkan
Mahaslswa 8erdasarkan nllal 8oJv Moss loJex (8Ml) ukuran keranaka 5emloot
Nosloool Apllkosl 1ekoolool lofotmosl (5NA1l) 2008
Sedlvono L Wldlasarl l 8 Mllasarl (2006) enenLuan Lokasl laslllLas Ceduna
Menaaunakan luzzv CMeans (lCM) Iotool lofotmotlko 133166