See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/323365469

Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary Decision

Tree Support Vector Machine (BDTSVM) (Studi Kasus: Puskesmas Dinoyo Kota
Malang)

Article · August 2017

CITATIONS READS

0 1,566

3 authors, including:

Rizal Setya Perdana

Brawijaya University
39 PUBLICATIONS   14 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Smart Mobile Navigation System View project

Twitter event detection View project

All content following this page was uploaded by Rizal Setya Perdana on 23 February 2018.

The user has requested enhancement of the downloaded file.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X
Vol. 2, No. 5, Mei 2018, hlm. 1912-1920 http://j-ptiik.ub.ac.id

Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary

Decision Tree Support Vector Machine (BDTSVM)
(Studi Kasus: Puskesmas Dinoyo Kota Malang)
Dyan Dyanmita Putri1, M.Tanzil Furqon2, Rizal Setya Perdana3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1dyan2mp@gmail.com, 2m.tanzil.furqon@ub.ac.id, 3rizalespe@ub.ac.id

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

sifatnya yang cenderung tidak berbahaya dan

1. PENDAHULUAN
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 (Nuraeni, 2016).
Kulit yang tidak terjaga kesehatannya dapat
menimbulkan berbagai penyakit kulit sehingga
perlu menjaga kesehatan kulit sejak dini agar
terhindar dari penyakit. Kulit tubuh seseorang
yang terkena penyakit sangat mengganggu
penampilan dan aktifitas orang tersebut.
Penyakit kulit sering dianggap remeh karena
tidak menyebabkan kematian. Hal tersebut
sangat salah karena jika penyakit kulit terus
menerus dibiarkan dapat menyebabkan penyakit
tersebut semakin menyebar dan sulit untuk
mengobatinya.
Penyakit kulit dapat menyerang siapa saja
dan dapat menyerang pada bagian tubuh mana
pun. Penyakit kulit salah satu penyakit yang
sering dijumpai pada negara beriklim tropis
seperti Indonesia. Data Profil Kesehatan
Indonesia 2010 menunjukkan bahwa penyakit
kulit menjadi peringkat ketiga dari sepuluh
penyakit terbanyak pada pasien rawat jalan

Fakultas Ilmu Komputer

Universitas Brawijaya 1912
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
dirumah sakit seIndonesia (Kemenkes, 2010).
Kejadian penyakit kulit di Indonesia masih
tergolong tinggi dan menjadi permasalahan
yang cukup berarti. Hal tersebut karena
kurangnya kesadaran dan ketidakpedulian
masyarakat terhadap lingkungan sekitar yang
menyebabkan penularan penyakit kulit sangat
cepat. Berbagai penyakit kulit dapat disebabkan
oleh beberapa faktor seperti lingkungan dan
kebiasaan sehari-hari yang buruk, perubahan
iklim, virus, bakteri, alergi, daya tahan tubuh
dan lain-lain (Pardiansyah, 2015).
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. Penggunaan
teknologi komputer dapat membantu berbagai
praktisi di segala bidang, karena dapat
menyimpan data hingga mengolahnya menjadi
suatu hasil yang diinginkan pembuatnya
(Mahardika, 2013). Banyak manfaat yang
didapat dengan adanya teknologi komputer
dalam mendeteksi penyakit kulit diantaranya
meningkatkan efisiensi pekerjaan, penghematan
waktu dalam menyelesaikan masalah, serta
pengetahuan pakar dapat didokumentasikan
tanpa ada batas waktu.
Metode SVM adalah salah satu metode
klasifikasi yang prinsip nya mencari hyperplane
pemisah antara kelas positif dan kelas negatif.
Kelebihan dari SVM adalah mampu menangani
masalah dengan input space yang berdimensi
tinggi. SVM juga memiliki kelemahan yaitu
masalah komputasi yang lama untuk proses
klasifikasi. Kemudian muncul pengembangan
dari metode SVM untuk masalah klasifikasi
multi class yaitu One-Against-All (OAA), One-
Against-One (OAO), dan Directed Acyclic
Graph SVM (DAGSVM). Metode OAA
memiliki kelemahan pada tahap pelatihan dan
pengujian yang sangat lambat. Sedangkan OAO
memiliki kelemahan pengujian yang lambat
karena melakukan klasifikasi untuk setiap
pasangan kelas harus satu per satu. Sehingga
muncul metode DAGSVM yang dapat
melakukan pengujian lebih cepat daripada OAO
(Meshram et al., 2014). Namun pada tahun
2009 metode BDTSVM dikenalkan oleh
Madzarov untuk dapat menyelesaikan masalah
Fakultas Ilmu Komputer, Universitas Brawijaya
1913
klasifikasi multi class. Hasil yang diperoleh
bahwa metode BDTSVM memiliki nilai error
rate dan training time yang lebih baik
dibandingkan DAGSVM. Kelebihan dari
metode BDTSVM adalah mendapatkan
penentuan kelas yang lebih dinamis dengan
didasarkan pada jarak Euclidean dan dalam hal
efektifitas komputasi serta tingkat akurasi yang
tinggi.
Berdasarkan permasalahan tersebut maka
dirancang sebuah sistem untuk klasifikasi
penyakit kulit pada manusia menggunakan
metode Binary Decision Tree Support Vector
Machine (BDTSVM). Sistem ini bekerja
dengan cara menerima masukan gejala dari
pengguna dan akan dilakukan proses
perhitungan menggunakan algoritme Binary
Decision Tree Support Vector Machine
(BDTSVM). Hasil dari proses tersebut berupa
klasifikasi penyakit kulit pada manusia dengan
harapan dapat memberikan informasi kepada
pengguna sehingga memperkecil terjadinya
penyakit kulit yang lebih berbahaya.
2. DASAR TEORI
2.1. Penyakit Kulit Pada Manusia
Penyakit kulit adalah kelainan kulit akibat
adanya jamur, kuman, parasit, virus maupun
infeksi yang dapat menyerang siapa saja dari
segala umur. Penyakit kulit dapat menyerang
seluruh maupun sebagian tubuh tertentu dan
dapat memperburuk kondisi kesehatan
penderita jika tidak ditangani secara serius.
Gangguan pada kulit sering terjadi karena
adanya faktor-faktor penyebabnya seperti iklim,
lingkungan, tempat tinggal, kebiasaan hidap
yang kurang sehat, alergi dan lain-lain.
2.1.1 Dermatitis
Dermatitis adalah peradangan kulit pada
epidermis dan dermis yang disebabkan oleh
faktor eksogen ataupun endogen dengan
ditandai gejala obyektif lesi bersifat polimorf
dan gejala subyektif gatal (Maryunani, 2010).
Gejala utama yang dirasakan pada penderita
penyakit dermatitis adalah gatal, alergi, kulit
melepuh, kulit meradang, perih, keluar nanah,
muncul kemerahan pada wajah, lutut, tangan
dan kaki, tetapi tidak menutup kemungkinan
kemerahan muncul di daerah lain, daerah yang
terkena akan terasa sangat kering dan panas
pada area tersebut.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1914

2.1.2 Abses cepat timbul dan hilang perlahan-lahan sekitar

dalam waktu 1-24 jam (Fitria, 2013). Gejala
Abses merupakan sebuah penimbunan
yang dirasakan pada penderita urtikaria
nanah yang terakumulasi di sebuah kabitas
biasanya gatal, demam, muncul ruam merah,
jaringan karena akibat infeksi bakteri atau
alergi, bengkak, dan panas pada area tersebut.
karena adanya benda asing seperti serpihan,
luka peluru, atau jarum suntik. Gejala yang 2.1.6 Pioderma
dirasakan biasanya gatal pada bagian kulit
Pioderma merupakan penyakit infeksi
tertentu, timbul benjolan kecil dengan warna
bakterial kulit. Penyebab utama pioderma
kemerahan, keluar nanah, nyeri tekan, nyeri
adalah bakteri staphylococcus aureus maupun
kepala, kulit meradang, bengkak dan demam.
streptococcus sp. Pioderma merupakan infeksi
Penyebab penyakit abses antara lain infeksi
bakteri pada kulit yang sering dijumpai.
bakteri melalui cara bakteri masuk ke bawah
Penyakit ini dapat menyerang laki-laki maupun
kulit akibat luka yang berasal dari tusukan
perempuan pada semua kalangan usia. Gejala
jarum yang tidak steril.
pada penyakit pioderma biasanya gatal, terdapat
2.1.3 Scabies benjolan merah pada kulit, membesar dan
kemudian menjadi nanah, kulit meradang, serta
Scabies merupakan penyakit infeksi kulit
demam. Terjadinya pioderma dipengaruhi oleh
menular dengan adanya rasa gatal pada lesi
gizi, kondisi imunologis, integritas kuit, serta
ketika malah hari yang disebabkan oleh tungau
faktor lingkungan seperti panas, lembab,
sarcoptes scabiei var hominis (Prativi et al.,
kurangnya sanitasi dan higieni.
2013). Gejala yang sering dirasakan adalah
gatal terutama malam hari, bentol/bintik merah 2.2 Support Vector Machine
seperti jerawat, kulit meradang, panas pada area
Support Vector Machine (SVM) merupakan
tersebut, perih, dan keluar nanah. Faktor
salah satu teknik baru yang memiliki
berkembangnya penyakit scabies antara lain
performansi yang lebih baik di berbagai bidang
penyakit tersebut banyak diderita oleh
aplikasi seperti pengenalan tulisan tangan,
masyarakat dengan higiene buruk, sosial
bioinformatika, klasifikasi teks, klasifikasi
ekonomi yang rendah, hubungan seksual
diagnosis penyakit dan sebagainya (Feng-Chia,
dengan bergonta-ganti pasangan, kesalahan
2009). Tujuan dari SVM yaitu menemukan
dalam mendiagnosis dan perkembangan
fungsi pemisah (classifier hyperplane) terbaik
demografi serta ekologi.
untuk memisahkan dua buah kelas pada input
2.1.4 Herpes space. Untuk dapat menemukan hyperplane
terbaik antara dua kelas dengan mengukur
Herpes merupakan penyakit radang kulit
margin hyperplane yang diperoleh dari
yang disebabkan oleh virus dengan ditandai
mengukur margin yang maksimal antara ruang
munculnya bintik yang berisi cairan pada
input non-linear dengan ruang ciri
bagian kulit tertentu. World Health
menggunakan kaidah kernel (Putri et al., 2015).
Organization (WHO) melaporkan prevalensi
Prinsip nya SVM bekerja secara linear,
herpes di Negara berkembang seperti Indonesia
tetapi dapat berkerja juga pada masalah non-
lebih tinggi dibandingan dengan di negara
linear dengan memasukkan metode kernel trick.
maju. Gejala yang dirasakan pada penderita
Fungsi klasifikasi Support Vector Machine
herpes biasanya gatal, demam, nyeri kepala,
Linear digunakan untuk memisahkan data
nyeri tekan, kulit meradang, kulit melepuh,
pelatihan terbagi menjadi dua kelas dengan
perih dan muncul gelembung air.
memisahkan hyperplane. Misal diketahui 𝑥𝑖 =
2.1.5 Urtikaria {𝑥1 , … , 𝑥𝑛 } adalah titik pada dataset, dan 𝑦𝑖 =
Urtikaria merupakan penyakit yang 𝑦 𝜖 {+1, −1} adalah class pada data 𝑥𝑖 . Bidang
ditandai dengan adanya edema kulit superfisial pemisah terbaik yaitu yang dapat memisahkan
setempat dengan ukuran yang bervariasi semua data set sesuai dengan class dan
dikelilingi oleh halo eritem disertai rasa gatal memiliki margin paling besar. Alternatif bidang
atau panas dan terkadang perut terasa mulas pemisah dapat dilihat pada Gambar 1.
serta demam. Pada bagian tengah bintul tampak
kepucatan yang biasanya kelainan ini bersifat
sementara, gatal, dan dapat terjadi dimanapun
di seluruh permukaan kulit. Ruam urtikaria
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1915

Variabel 𝑚 adalah jumlah support vector

atau suatu titik data yang memiliki 𝛼𝑖 > 0, dan
notasi 𝑥 adalah data yang akan diklasifikasikan.
Metode yang digunakan untuk
mengklasifikasikan data yang tidak dapat
diklasifikasikan secara linear adalah dengan
mentransformasikan data ke dalam ruang fitur
yang berdimensi tinggi sehingga dapat dipisah
secara linear pada fitur space. Pada proses
feature space biasanya memiliki dimensi yang
lebih tinggi dari vektor input (input space) yang
Gambar 1. Alternatif bidang pemisah (kiri) dan mengakibatkan komputasi pada feature space
bidang pemisah terbaik dengan margin (m) terbesar menjadi sangat besar, karena kemungkinan
(kanan) feature space memiliki jumlah feature yang
Sumber: Sembiring (2007) tidak terhingga. Untuk mengetahui fungsi
Data yang berada pada bidang pembatas transformasi yang tepat sangat lah sulit.
disebut support vector. Pada Gambar 1, dua Sehingga pada SVM menggunakan kernel trick.
kelas dapat dipisahkan oleh sepasang bidang Data yang tidak dapat dipisah secara linear
pembatas yang sejajar. Class pertama dibatasi ditunjukkan pada Gambar 2.
bidang pemisah pertama sedangkan class kedua
dibatasi bidang pemisah kedua. Bidang pemisah
untuk setiap kelas ditunjukkan pada Persamaan
1 dan Persamaan 2.
(𝒘. 𝑥𝑖 + 𝑏) ≥ +1, untuk 𝑦𝑖 = +1 (1)
(𝒘. 𝑥𝑖 + 𝑏) ≤ −1, untuk 𝑦𝑖 = -1 (2)
Keterangan:
𝑥𝑖 = data ke-i
𝑤 = bidang normal antara bidang pemisah Gambar 2. Data non-linear
terhadap pusat koordinat Sumber: Muis (2015)
𝑏 = posisi bidang relatif terhadap pusat Metode kernel trick digunakan untuk
koordinat mencari hyperplane dengan cara
𝑦𝑖 = kelas data ke-i mentransformasi dataset ke ruang vektor yang
SVM dapat digunakan untuk mengatasi berdimensi lebih tinggi (feature space),
masalah linear dan non-linear. Masalah linear kemudian proses klasifikasi dilakukan pada
dapat diatasi dengan cara mendapatkan feature space. Pada permasalahan ini
hyperplane dengan fungsi sebagai berikut: menggunakan kernel Gaussian RBF yang
𝑓(𝑥 ) = (𝑤. 𝑥 + 𝑏) (3) didefiniskan dengan Persamaan 8.
2
𝑤 = ∑𝑛𝑖=1 𝛼𝑖 , 𝑦𝑖 , 𝑥𝑖 (4) K(𝑥𝑖 , 𝑥𝑗 ) = exp (−𝛾‖𝑥𝑖 − 𝑥𝑗 ‖ ) (8)
dan Penentuan fungsi kernel yang digunakan
1 + − sangat berpengaruh terhadapa hasil prediksi
𝑏 = − 2 (𝑤. 𝑥 + 𝑤. 𝑥 ) (5)
(Muis, 2015).
Nilai 𝑥 + adalah nilai dari salah satu support 2.3 Sequential Training SVM
vector dari class positive dan 𝑥 − adalah nilai
dari salah satu support vector dari class Metode sequential training SVM adalah metode
alternatif sederhana untuk menemukan bidang
negative.
hyperplane yang optimal. Metode ini lebih baik
Untuk mendapatkan klasifikasi yang optimal dibandingkan dengan metode Quadric Programming
data testing 𝑥 digunakan Persamaan 6 dan (QP) yang penyelesaiannya cukup kompleks,
untuk hasil klasifikasi dapat dilihat pada membuang-buang waktu serta rentan terhadap
Persamaan 7. ketidakstabilan numerik. Berikut langkah-langkah
algoritmenya (Cholissodin et al., 2014).
𝑓(𝑥 ) = ∑𝑚
𝑖=1 𝛼𝑖 𝑦𝑖 𝐾(𝑥𝑖 , 𝑥) + 𝑏 (6)
Fungsi klasifikasi = 𝑠𝑖𝑔𝑛 (𝑓(𝑥 )) (7)

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1916

1. Inisialisasi nilai parameter, λ = 2, 𝛾 (learning mempengaruhi kualitas dari pohon biner.

rate) = 5, 𝐶 = 1, Iterasi Max = 10, dan 𝜀 = Berikut ini ilustrasi Binary Decision Tree
0.0001. Support Vector Machine (BDTSVM) dalam
2. Set nilai 𝑎𝑖 = 0, kemudian menghitung matriks mengklasifikasikan N-kelas yang ditunjukkan
Hessian dengan menggunakan Persamaan 9. pada Gambar 3.
𝐷𝑖𝑗 = 𝑦𝑖 𝑦𝑗 (𝐾(𝑥𝑖 , 𝑥𝑗 ) + 𝜆2 ) untuk 𝑖, 𝑗 = 1,.,N (9) 1,2,3,4,5,6,7
Keterangan:
SVM
𝑥𝑖 = data ke-i
𝑥𝑗 = data ke-j
𝑦𝑖 = kelas data ke-i 2,3,4,7 1,5,6
𝑦𝑗 = kelas data ke-j SVM
SVM
N = jumlah data
𝐾(𝑥𝑖 , 𝑥𝑗 ) = fungsi kernel yang digunakan
3. Melakukan proses iterasi dari data ke-i sampai 2,3 4,7 1,5
data ke-j dengan i=1 sampai N menggunakan SVM SVM SVM
6
Persamaan 10, 11 dan 12.
𝐸𝑖 = ∑𝑁 𝑗=1 𝛼𝑖 𝐷𝑖𝑗 (10)
[ ( ) ]
𝛿𝛼𝑖 = min{max 𝛾 1 − 𝐸𝑖 , −𝛼𝑖 , 𝐶 − 𝛼𝑖 } (11)
2 3 4 7 1 5
𝛼𝑖 = 𝛼𝑖 + 𝛿𝛼𝑖 (12)
Keterangan:
Gambar 3. Ilustrasi BDTSVM
𝛾 = 𝑙𝑒𝑎𝑟𝑛𝑖𝑛𝑔 𝑟𝑎𝑡𝑒 Sumber: Sembiring (2007)
4. Kembali pada langkah ke 3 hingga kondisi iterasi
max telah tercapai atau max(|𝛿𝛼𝑖 |) < 𝜀. Berikut adalah langkah-langkah untuk
5. Kemudian didapatkan nilai Support Vector (SV) mendapatkan struktur dari tree:
= 𝛼𝑖 > 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑. Nilai thresholdSV ditentukan 1. Menghitung nilai gravity center dari setiap
dari beberapa percobaan yang biasa digunakan kelas.
𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑 ≥ 0.
2. Menghitung jarak Euclidean distance dari
2.4 Binary Decision Tree Support Vector masing-masing kelas.
Machine
3. Mencari jarak terjauh dari matriks hasil
Metode Binary Decision Tree Support perhitungan jarak Euclidean distance,
Vector Machine (BDTSVM) digunakan untuk kemudian memisahkan kedua kelas yang
memecahkan permasalahan klasifikasi multi memiliki jarak terjauh masing-masing ke
kelas menggunakan pohon biner. Metode ini anak kanan dan anak kiri.
dapat diterapakan untuk menangani masalah
komputasi yang lama untuk proses klasifikasi 4. Kelas yang tersisa dicari jarak terdekatnya
yang merupakan kelemahan dari SVM. dengan kelas yang telah dipisahkan. Kelas
Sehingga metode ini memiliki kelebihan dalam dengan jarak terdekat terhadap kelas yang
hal efektifitas komputasi dan nilai akurasi yang dipisahkan akan digabungkan dengan kelas
tinggi. tersebut.
Prinsip dari metode ini dengan membagi N 5. Selanjutnya ulangi langkah 4 hingga
kelas yang ada menjadi dua kelompok besar seluruh kelas yang tersisa telah
dan memisahkannya dengan menempatkan ke dikelompokkan. Pada langkah ini telah
anak kanan dan anak kiri dari pohon biner. menyelesaikan struktur tree pada level 1.
Pembagian kelas dalam metode ini dilakukan 6. Kemudian ulangi langkah 3 dan 4 hingga
secara rekursif hingga didapatkan pada setiap masing-masing node hanya terdiri dari 1
node hanya terdapat satu kelas yang kelas.
mempresentasikan kategori tersebut. Pada
proses training SVM dilakukan untuk 2.4.1 Gravity Center
menentukan kemana data dikelompokkan
menurut kelasnya. Dalam membagi N kelas ke Gravity Center adalah titik pusat dari setiap
dalam dua buah kelompok terdapat banyak kelas. Untuk mendapatkan titik pusat dari setiap
cara. Pemilihan cara yang tepat dapat kelas, dapat dihitung dengan mencari rata-rata
setiap parameter dari masing-masing kelas.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1917

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: dermatitis, abses, scabies, herpes, urtikaria,

serta pioderma.
𝐺𝐶𝐶𝑖 𝐹𝑗 = Gravity Center kelas ke-I parameter
ke-j, dimana i=1,…,jumlah kelas Studi Literatur
𝑥𝑚 = Nilai data ke-m pada kelas ke-I
parameter ke-j
Analisa Kebutuhan Sistem
𝑛 = jumlah data pada setiap kelas

2.4.2 Euclidean Distance Pengumpulan Data

Euclidean Distance adalah nilai jarak yang
memisahkan antara dua buah kelas. Ukuran
jarak ini yang paling umum digunakan. Untuk Perancangan Sistem
menentukan nilai jarak dapat digunakan
Persamaan 14.
𝑑𝑖𝑗 = √∑𝑛𝑚=1(𝑓𝑚𝑖 − 𝑓𝑚𝑗 )2 (14) Implementasi Sistem

Keterangan:
𝑑𝑖𝑗 = Jarak antara kelas I dan kelas j Pengujian Sistem

𝑓𝑚𝑖 = Rata-rata fitur ke-m pada kelas ke-i,

dimana i = 1,…,jumlah kelas
Penarikan Kesimpulan
𝑓𝑚𝑗 = Rata-rata fitur ke-m pada kelas ke-j,
dimana j = 1,…,jumlah kelas Gambar 4. Diagram Alir Metodologi Penelitian
𝑛 = Jumlah fitur
4. PERANCANGAN SISTEM
3. METODOLOGI PENELITIAN Pada bagian perancangan menjelaskan
mengenai langkah penyelesaian masalah
Metodologi penelitian untuk klasifikasi
klasifikasi penyakit kulit pada manusia
penyakit kulit pada manusia menggunakan
menggunakan metode Binary Decision Tree
metode Binary Decision Tree Support Vector
Support Vector Machine (BDTSVM). Gambar
Machine (BDTSVM) ditunjukkan pada Gambar
5 merupakan diagram alir proses klasifikasi
4. Studi literatur difokuskan pada pencarian
menggunakan metode Binary Decision Tree
referensi relevan yang berkaitan dengan
Support Vector Machine.
permasalahan yang sedang di teliti oleh penulis.
Proses klasifikasi penyakit kulit diawali
Hal ini dilakukan agar peneliti mampu
dengan memberikan masukan berupa data
meningkatkan pemahaman dan pengetahuan
gejala penyakit kulit pada manusia yang
teori tentang permasalahan yang sedang diteliti.
diperoleh dari Puskesmas Dinoyo Kota Malang.
Referensi berupa teori yang didapatkan
Proses pembentukan kelas positif dan negatif
berkaitan dengan Klasifikasi Penyakit Kulit
menggunakan metode Binary Decision Tree
Pada Manusia Menggunakan Metode Binary
yang diawali dengan menghitung gravity center
Decision Tree Support Vector Machine
(BDTSVM). kemudian menghitung jarak Euclidean distance
setelah terbentuk matriks Euclidean Distance
Lokasi penelitian di Puskesmas Dinoyo
selanjutnya membuat pohon biner yaitu dengan
Kota Malang. Analisis kasus dilakukan dengan
mencari jarak terjauh dari hasil matriks
cara mengumpulkan data melalui observasi dan
wawancara secara langsung dengan tujuan Euclidean. Kemudian memisahkan kedua kelas
yang memiliki jarak terjauh dimana kelas yang
mendapatkan informasi lebih dari pihak yang
kecil akan mengarah ke kiri yang bernilai
bersangkutan. Data yang diperoleh berupa data

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
positif dan kelas yang lebih besar mengarah ke
kanan yang bernilai negatif. Kemudian kelas
yang tersisa akan dicari jarak terdekatnya antara
kedua kelas yang memiliki jarak terjauh. Proses
tersebut akan terus diulang sampai level
terakhir dan masing-masing node hanya terdiri
dari 1 kelas. Kemudian untuk proses klasifikasi
menggunakan metode Support Vector Machine
dari proses training hingga testing dengan
menggunakan metode sequential training SVM.
Keluaran yang dihasilkan berupa klasifikasi
penyakit kulit pada manusia terdiri dari 6 jenis
yaitu dermatitis, abses, scabies, herpes, urtikaria
dan pioderma.
Mulai
Data Penyakit
Kulit
Binary Decision Tree
Support Vector
Machine
Hasil Klasifikasi
Selesai
Gambar 5. Diagram Alir Proses Klasifikasi
Menggunakan Metode BDTSVM
5. PENGUJIAN DAN ANALISIS
Pengujian yang dilakukan pada sistem
klasifikasi penyakit kulit pada manusia
menggunakan metode Binary Decision Tree
Support Vector Machine (BDTSVM)
menggunakan data training. Pengujian yang
dilakukan terdiri dari pengujian terhadap
jumlah iterasi, pengujian parameter λ (lambda),
pengujian parameter 𝐶 (Complexity), dan
pengujian parameter 𝛾 (gamma).
5.1 Hasil dan Analisis Pengujian Nilai
Iterasi Maksimal
Pengujian nilai iterasi maksimal untuk
mengetahui pengaruh tingkat akurasi pada
sequential training SVM. Untuk pengujian
Fakultas Ilmu Komputer, Universitas Brawijaya
1918
pada nilai iterasi maksimal digunakan beberapa
nilai yaitu 2, 10, 50, 100 dan 150. Pada
pengujian nilai parameter sequential training
SVM yang digunakan adalah λ (lambda) = 0,5,
C (complexity) = 1, konstanta 𝛾 (gamma) =
0,01, dan itermax = 10.
Pengujian Akurasi Iterasi Maksimal
97,14 97,14 97,14 97,14
100
Akurasi (%)
95 91,43
90
85
2 10 50 100 150
Nilai Iterasi Maksimal
Gambar 6. Grafik Tingkat Akurasi Hasil Pengujian
Iterasi Maksimal
Berdasarkan hasil grafik pada Gambar 6
bahwa rerata dengan akurasi tertinggi sebesar
97,14% pada nilai iterasi maksimal yaitu 10.
Sehingga untuk pengujian selanjutnya
digunakan nilai iterasi maksimal yaitu 10.
Hasil pengujian nilai iterasi maksimal
dengan rerata akurasi tertinggi sebesar 97,14%
menunjukkan bahwa nilai iterasi maksimal
yang semakin besar maka akurasi semakin baik.
Pengujian iterasi maksimal berpengaruh pada
perubahan nilai alpha dan bias. Pada hasil
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
untuk mencapai akurasi yang tinggi.
5.2 Hasil dan Analisis Pengujian Parameter
λ (Lambda)
Pengujian nilai parameter λ (lambda) untuk
mengetahui pengaruh tingkat akurasi pada
sequential training SVM. Untuk pengujian
pada nilai parameter lambda digunakan
beberapa nilai yaitu 0,5, 100, 1000, 10000, dan
100000. Pada pengujian nilai parameter
sequential training SVM yang digunakan
adalah λ (lambda) = 0,5, C (complexity) = 1,
konstanta 𝛾 (gamma) = 0,01, dan itermax = 10.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pengujian Akurasi Nilai λ (lambda)
97,14
100 90 88,58 85,72
81,44
Akurasi (%)
90
80
70
Nilai λ
Gambar 7. Grafik Tingkat Akurasi Hasil Pengujian
Nilai λ (lambda)
Berdasarkan hasil grafik pada Gambar 7
bahwa rerata dengan akurasi tertinggi sebesar
97,14% pada nilai λ (lambda) yaitu 0,5.
Sehingga untuk pengujian selanjutnya
digunakan nilai λ (lambda) yaitu 0,5.
Hasil pengujian parameter λ (lambda)
dengan rerata akurasi tertinggi sebesar 97,14%
menunjukkan bahwa semakin besar nilai λ
(lambda) maka akurasi cenderung menurun.
Sebaliknya semakin kecil nilai λ (lambda) maka
akurasi semakin besar, hal tersebut dikarenakan
saat nilai λ (lambda) kecil maka membuat lebar
margin mengecil dan titik bergerak dari dalam
margin menuju luar margin dan akan
mendapatkan hyperplane yang baik.
5.3 Hasil dan Analisis Pengujian Parameter
𝑪 (Complexity)
Pengujian nilai parameter C (Complexity)
untuk mengetahui pengaruh tingkat akurasi
pada sequential training SVM. Untuk
pengujian pada nilai parameter C (Complexity)
digunakan beberapa nilai yaitu 0,0001, 0,001,
0,01, 0,1 dan 1. Pada pengujian nilai parameter
sequential training SVM yang digunakan
adalah λ (lambda) = 0,5, C (complexity) = 1,
konstanta 𝛾 (gamma) = 0,01, dan itermax = 10.
Pengujian Akurasi Nilai 𝑪
(Complexity)
97,14
100 90 90 90
Akurasi (%)
85,72
90
80
0,0001 0,001 0,01 0,1
Nilai C
Gambar 8. Grafik Tingkat Akurasi Hasil Pengujian
Nilai C (Complexity)
Berdasarkan hasil grafik pada Gambar 8
bahwa rerata dengan akurasi tertinggi sebesar
Fakultas Ilmu Komputer, Universitas Brawijaya
1919
97,14% pada nilai C (Complexity) yaitu 1.
Sehingga untuk pengujian selanjutnya
digunakan nilai C (Complexity) yaitu 1.
Hasil pengujian parameter C (Complexity)
dengan rerata akurasi tertinggi sebesar 97,14%
menunjukkan bahwa nilai parameter C
(Complexity) yang mendekati nilai 0 maka
akurasi cenderung menurun. Nilai parameter C
semakin besar membuat waktu komputasi
semakin lama untuk proses training data tetapi
nilai akurasi semakin baik. Nilai parameter C
memberikan penalti yang besar pada titik data
yang melewati bidang pemisah, sehingga dapat
menghindari kesalahan klasifikasi.
5.4 Hasil dan Analisis Pengujian Parameter
𝜸 (Gamma)
Pengujian nilai parameter 𝛾 (Gamma) untuk
mengetahui pengaruh tingkat akurasi pada
sequential training SVM. Untuk pengujian
pada nilai parameter 𝛾 (Gamma) digunakan
beberapa nilai yaitu 0,001, 0,01, 0,1, 1 dan 10.
Pada pengujian nilai parameter sequential
training SVM yang digunakan adalah λ
(lambda) = 0,5, C (complexity) = 1, konstanta
𝛾 (gamma) = 0,01, dan itermax = 10.
Pengujian Akurasi Nilai 𝜸 (Gamma)
150 92,86 97,14 80,01
Akurasi (%)
100 60 54,29
50
0
0,001 0,01 0,1 1 10
Nilai 𝜸
Gambar 9. Grafik Tingkat Akurasi Hasil Pengujian
Nilai 𝜸 (Gamma)
Berdasarkan hasil grafik pada Gambar 9
bahwa rerata dengan akurasi tertinggi sebesar
97,14% pada nilai 𝛾 (Gamma) yaitu 0,01.
Sehingga untuk pengujian selanjutnya
digunakan nilai 𝛾 (Gamma) yaitu 0,01.
Hasil pengujian parameter 𝛾 (Gamma)
dengan rerata akurasi tertinggi sebesar 97,14%
menunjukkan bahwa nilai konstanta 𝛾 (Gamma)
1 yang semakin besar maka nilai learning rate
semakin besar dimana learning rate merupakan
laju pembelajaran sehingga jika proses
pembelajaran semakin cepat maka ketelitian
sistem semakin berkurang dan akurasi
cenderung menurun. Sebaliknya jika nilai
learning rate semakin kecil maka ketelitian
sistem semakin besar dan akurasi semakin baik.
 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
6. KESIMPULAN
Berdasarkan pada hasil perancangan,
implementasi, pengujian dan analisis yang telah
dilakukan pada sistem Klasifikasi Penyakit
Kulit Pada Manusia Menggunakan Metode
Binary Decision Tree Support Vector Machine
(BDTSVM). Sehingga dapat disimpulkan
sebagai berikut ini:
1. Metode Binary Decision Tree Support
Vector Machine dapat diimplementasikan
dengan baik untuk menyelesaikan masalah
klasifikasi penyakit kulit pada manusia.
Banyaknya jumlah data dapat
mempengaruhi hasil akurasi pada proses
klasifikasi.
2. Pada permasalahan klasifikasi penyakit kulit
pada manusia menggunakan metode
BDTSVM digunakan data sebanyak 150
data. Perubahan nilai 𝛼𝑖 , nilai bias dan
akurasi dipengaruhi pada pemilihan
parameter λ (lambda), C (complexity),
konstanta 𝛾 (gamma), 𝜀 (epsilon) pada
metode sequential training SVM.
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.
7. DAFTAR PUSTAKA
Cholissodin, I., Maya Kurniawati., Indriati., dan
Issa Arwani., 2014. Classification of
campus e-complaint documents using
Directed Acyclic Graph Multi-class
SVM based on analytic hierarchy
process. Universitas Brawijaya,
Malang.
Feng-Chia, L., 2009. Comparison Of The
Primitive Classifiers Without Features
Selection in Credit Scoring.
Management and Service Science.
Fitria., 2013. Aspek Etiologi dan Klinis Pada
Urtikaria dan Angioedema. Fakultas
Kedokteran Universitas Syiah Kuala.
Kementerian Kesehatan Indonesia, 2010. Profil
Kesehatan Indonesia Tahun 2009.
Jakarta: Kementerian Kesehatan RI.
Mahardika, A.P., 2013. Sistem Pakar
Mendeteksi Penyakit Dalam Dengan
Metode Backward Chaining
Fakultas Ilmu Komputer, Universitas Brawijaya
View publication stats
1920
Menggunakan Visual Basic 2010. Teknik
Informatika Universitas Semarang.
Maryunani, A., 2010. Kamus Perawat: Definisi
Istilah dan Singkatan Kata-Kata dalam
Keperawatan. Jakarta: CV.Trans Info
Media.
Meshram, A., Roopam, G dan Sanjeev, S.,
2014. Advance Probabilistic Binary
Decision Tree using SVM. School of
Information Technology UTD, RGPV,
Bhopal, M.P., India.
Muis, I.A., 2015. Penerapan Metode Support
Vector Machine (SVM) Menggunakan
Kernel Radial Basis Function (RBF)
Pada Klasifikasi Tweet. Jurusan teknik
Informatika, Fakultas Sains dan
Teknologi, UIN Sultan Syarif Kasim
Riau.
Nuraeni, F., 2016. Aplikasi Pakar Untuk
Diagnosa Penyakit Kulit Menggunakan
Metode Forward Chaining Di Al Arif
Skin Care Kabupaten Ciamis. Teknik
Informatika STMIK Tasikmalaya.
Pardiansyah, R., 2015. Association Between
Personal Protective Equipment With
the Irritant Contact Dermatitis in
Scavengers. Faculty of Medicine,
Lampung University.
Prativi, G.S., M. Yunita, I dan Linda, S.B.,
2013. Hubungan Pengetahuan Dengan
Sikap Keluarga Dalam Mencegah
Kejadian Skabies Di Desa Laksana
Mekar.
Putri, E., Diyah, P dan Andre, M., 2015.
Identifikasi Tanda Tangan Dengan
Pendekatan Support Vector Machine.
Program Studi Teknik Informatika,
Fakultas Teknik, Universitas Bengkulu.
Sembiring, K., 2007. Penerapan Teknik
Support Vector Machine Untuk
Pendeteksian Intrusi Pada Jaringan. S1
Teknik Informatika, Sekolah Teknik
Elektro dan Informatika, ITB.