Dermatititis
Dermatititis
net/publication/323365469
CITATIONS READS
0 1,566
3 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Rizal Setya Perdana on 23 February 2018.
Abstrak
Kulit merupakan organ tubuh pada manusia yang sangat penting karena terletak pada bagian luar
tubuh yang berfungsi untuk menerima rangsangan seperti sentuhan, rasa sakit dan pengaruh lainnya
dari luar. Penyakit kulit salah satu penyakit yang sering dijumpai pada negara beriklim tropis seperti
Indonesia. Kurangnya pengetahuan tentang jenis penyakit kulit serta tidak mengetahui cara
pencegahannya mengakibatkan sesorang dapat terkena penyakit kulit tingkat akut. Sehingga dengan
adanya bantuan teknologi komputer diharapkan penyakit yang menyerang kulit tubuh manusia dapat
diketahui secara dini dan hal tersebut dapat memperkecil terjadinya penyakit yang lebih berbahaya.
Penelitian ini bertujuan untuk menentukan klasifikasi penyakit kulit pada manusia menggunakan
metode Binary Decision Tree Support Vector Machine (BDTSVM). Berdasarkan hasil pengujian
didapatkan nilai akurasi terbaik sebesar 97,14% dengan pengujian parameter SVM yaitu nilai λ
(lambda) = 0,5, C (complexity) = 1, konstanta 𝛾 (gamma) = 0,01, dan itermax = 10.
Kata kunci: Penyakit Kulit, Klasifikasi, Binary Decision Tree, Support Vector Machine
Abstract
The skin is an organ in the human body is very important because it lies on the outside of the body that
serves to receive stimuli such as touch, pain and other influences from the outside. Skin disease is one
of the most common diseases in tropical countries such as Indonesia. The lack of knowledge about the
type of skin disease and do not know how to prevent it cause a person can get acute skin disease. So
with the help of computer technology is expected to attack the skin of the human body can be detected
early and it can minimize the occurrence of more dangerous diseases. This research aims to determine
the classification of skin diseases in humans using the method of Binary Decision Tree Support Vector
Machine (BDTSVM) Based on the test results obtained the best accuracy of 97.14% with SVM
parameter test that is the value of λ (lambda) = 0,5, C (complexity) = 1, constant γ (gamma) = 0,01,
and itermax = 10.
Keywords: Skin Disease, Classification, Binary Decision Tree, Support Vector Machine
dirumah sakit seIndonesia (Kemenkes, 2010). klasifikasi multi class. Hasil yang diperoleh
Kejadian penyakit kulit di Indonesia masih bahwa metode BDTSVM memiliki nilai error
tergolong tinggi dan menjadi permasalahan rate dan training time yang lebih baik
yang cukup berarti. Hal tersebut karena dibandingkan DAGSVM. Kelebihan dari
kurangnya kesadaran dan ketidakpedulian metode BDTSVM adalah mendapatkan
masyarakat terhadap lingkungan sekitar yang penentuan kelas yang lebih dinamis dengan
menyebabkan penularan penyakit kulit sangat didasarkan pada jarak Euclidean dan dalam hal
cepat. Berbagai penyakit kulit dapat disebabkan efektifitas komputasi serta tingkat akurasi yang
oleh beberapa faktor seperti lingkungan dan tinggi.
kebiasaan sehari-hari yang buruk, perubahan
Berdasarkan permasalahan tersebut maka
iklim, virus, bakteri, alergi, daya tahan tubuh
dirancang sebuah sistem untuk klasifikasi
dan lain-lain (Pardiansyah, 2015).
penyakit kulit pada manusia menggunakan
Kurangnya pengetahuan tentang jenis metode Binary Decision Tree Support Vector
penyakit kulit serta tidak mengetahui cara Machine (BDTSVM). Sistem ini bekerja
pencegahannya mengakibatkan sesorang dapat dengan cara menerima masukan gejala dari
terkena penyakit kulit tingkat akut. Sehingga pengguna dan akan dilakukan proses
dengan adanya bantuan teknologi komputer perhitungan menggunakan algoritme Binary
diharapkan penyakit yang menyerang kulit Decision Tree Support Vector Machine
tubuh manusia dapat diketahui secara dini dan (BDTSVM). Hasil dari proses tersebut berupa
hal tersebut dapat memperkecil terjadinya klasifikasi penyakit kulit pada manusia dengan
penyakit yang lebih berbahaya. Penggunaan harapan dapat memberikan informasi kepada
teknologi komputer dapat membantu berbagai pengguna sehingga memperkecil terjadinya
praktisi di segala bidang, karena dapat penyakit kulit yang lebih berbahaya.
menyimpan data hingga mengolahnya menjadi
suatu hasil yang diinginkan pembuatnya 2. DASAR TEORI
(Mahardika, 2013). Banyak manfaat yang
2.1. Penyakit Kulit Pada Manusia
didapat dengan adanya teknologi komputer
dalam mendeteksi penyakit kulit diantaranya Penyakit kulit adalah kelainan kulit akibat
meningkatkan efisiensi pekerjaan, penghematan adanya jamur, kuman, parasit, virus maupun
waktu dalam menyelesaikan masalah, serta infeksi yang dapat menyerang siapa saja dari
pengetahuan pakar dapat didokumentasikan segala umur. Penyakit kulit dapat menyerang
tanpa ada batas waktu. seluruh maupun sebagian tubuh tertentu dan
dapat memperburuk kondisi kesehatan
Metode SVM adalah salah satu metode penderita jika tidak ditangani secara serius.
klasifikasi yang prinsip nya mencari hyperplane Gangguan pada kulit sering terjadi karena
pemisah antara kelas positif dan kelas negatif. adanya faktor-faktor penyebabnya seperti iklim,
Kelebihan dari SVM adalah mampu menangani lingkungan, tempat tinggal, kebiasaan hidap
masalah dengan input space yang berdimensi yang kurang sehat, alergi dan lain-lain.
tinggi. SVM juga memiliki kelemahan yaitu
masalah komputasi yang lama untuk proses 2.1.1 Dermatitis
klasifikasi. Kemudian muncul pengembangan Dermatitis adalah peradangan kulit pada
dari metode SVM untuk masalah klasifikasi epidermis dan dermis yang disebabkan oleh
multi class yaitu One-Against-All (OAA), One- faktor eksogen ataupun endogen dengan
Against-One (OAO), dan Directed Acyclic ditandai gejala obyektif lesi bersifat polimorf
Graph SVM (DAGSVM). Metode OAA dan gejala subyektif gatal (Maryunani, 2010).
memiliki kelemahan pada tahap pelatihan dan Gejala utama yang dirasakan pada penderita
pengujian yang sangat lambat. Sedangkan OAO penyakit dermatitis adalah gatal, alergi, kulit
memiliki kelemahan pengujian yang lambat melepuh, kulit meradang, perih, keluar nanah,
karena melakukan klasifikasi untuk setiap muncul kemerahan pada wajah, lutut, tangan
pasangan kelas harus satu per satu. Sehingga dan kaki, tetapi tidak menutup kemungkinan
muncul metode DAGSVM yang dapat kemerahan muncul di daerah lain, daerah yang
melakukan pengujian lebih cepat daripada OAO terkena akan terasa sangat kering dan panas
(Meshram et al., 2014). Namun pada tahun pada area tersebut.
2009 metode BDTSVM dikenalkan oleh
Madzarov untuk dapat menyelesaikan masalah
Nilai rata-rata dari masing-masing kelas dapat gejala-gejala pada penyakit kulit pada manusia
dilihat pada Persamaan 13. beserta diagnosanya sebanyak 150 data. Data
∑𝑛
𝑚=1 𝑥𝑚
gejala yang digunakan ada 14 gejala dengan 6
𝐺𝐶𝐶𝑖 𝐹𝑗 = (13) jenis penyakit yang sering ditangani yaitu
𝑛
Keterangan:
𝑑𝑖𝑗 = Jarak antara kelas I dan kelas j Pengujian Sistem
positif dan kelas yang lebih besar mengarah ke pada nilai iterasi maksimal digunakan beberapa
kanan yang bernilai negatif. Kemudian kelas nilai yaitu 2, 10, 50, 100 dan 150. Pada
yang tersisa akan dicari jarak terdekatnya antara pengujian nilai parameter sequential training
kedua kelas yang memiliki jarak terjauh. Proses SVM yang digunakan adalah λ (lambda) = 0,5,
tersebut akan terus diulang sampai level C (complexity) = 1, konstanta 𝛾 (gamma) =
terakhir dan masing-masing node hanya terdiri 0,01, dan itermax = 10.
dari 1 kelas. Kemudian untuk proses klasifikasi
menggunakan metode Support Vector Machine Pengujian Akurasi Iterasi Maksimal
dari proses training hingga testing dengan 97,14 97,14 97,14 97,14
100
menggunakan metode sequential training SVM.
Akurasi (%)
95 91,43
Keluaran yang dihasilkan berupa klasifikasi
penyakit kulit pada manusia terdiri dari 6 jenis 90
yaitu dermatitis, abses, scabies, herpes, urtikaria 85
dan pioderma. 2 10 50 100 150
Nilai Iterasi Maksimal
Mulai
Gambar 6. Grafik Tingkat Akurasi Hasil Pengujian
Iterasi Maksimal
Data Penyakit
Berdasarkan hasil grafik pada Gambar 6
Kulit
bahwa rerata dengan akurasi tertinggi sebesar
97,14% pada nilai iterasi maksimal yaitu 10.
Sehingga untuk pengujian selanjutnya
Binary Decision Tree
digunakan nilai iterasi maksimal yaitu 10.
Hasil pengujian nilai iterasi maksimal
dengan rerata akurasi tertinggi sebesar 97,14%
Support Vector menunjukkan bahwa nilai iterasi maksimal
Machine yang semakin besar maka akurasi semakin baik.
Pengujian iterasi maksimal berpengaruh pada
perubahan nilai alpha dan bias. Pada hasil
Hasil Klasifikasi pengujian untuk jumlah iterasi maksimal 10,
50, 100 dan 150 akurasi cenderung stabil.
Namun pada iterasi 4 akurasi sudah tinggi
sehingga tidak membutuhkan waktu yang lama
Selesai
untuk mencapai akurasi yang tinggi.
Gambar 5. Diagram Alir Proses Klasifikasi 5.2 Hasil dan Analisis Pengujian Parameter
Menggunakan Metode BDTSVM λ (Lambda)
100 60 54,29
Pengujian nilai parameter C (Complexity)
50
untuk mengetahui pengaruh tingkat akurasi
0
pada sequential training SVM. Untuk
0,001 0,01 0,1 1 10
pengujian pada nilai parameter C (Complexity)
digunakan beberapa nilai yaitu 0,0001, 0,001, Nilai 𝜸
0,01, 0,1 dan 1. Pada pengujian nilai parameter
sequential training SVM yang digunakan Gambar 9. Grafik Tingkat Akurasi Hasil Pengujian
adalah λ (lambda) = 0,5, C (complexity) = 1, Nilai 𝜸 (Gamma)
konstanta 𝛾 (gamma) = 0,01, dan itermax = 10. Berdasarkan hasil grafik pada Gambar 9
bahwa rerata dengan akurasi tertinggi sebesar
Pengujian Akurasi Nilai 𝑪 97,14% pada nilai 𝛾 (Gamma) yaitu 0,01.
(Complexity) Sehingga untuk pengujian selanjutnya
97,14 digunakan nilai 𝛾 (Gamma) yaitu 0,01.
100 90 90 90
Hasil pengujian parameter 𝛾 (Gamma)
Akurasi (%)
85,72
90
dengan rerata akurasi tertinggi sebesar 97,14%
80 menunjukkan bahwa nilai konstanta 𝛾 (Gamma)
0,0001 0,001 0,01 0,1 1 yang semakin besar maka nilai learning rate
Nilai C semakin besar dimana learning rate merupakan
laju pembelajaran sehingga jika proses
Gambar 8. Grafik Tingkat Akurasi Hasil Pengujian pembelajaran semakin cepat maka ketelitian
Nilai C (Complexity) sistem semakin berkurang dan akurasi
Berdasarkan hasil grafik pada Gambar 8 cenderung menurun. Sebaliknya jika nilai
bahwa rerata dengan akurasi tertinggi sebesar learning rate semakin kecil maka ketelitian
sistem semakin besar dan akurasi semakin baik.