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 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
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