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

net/publication/324038430

Identifikasi Penyakit Gagal Ginjal Menggunakan Metode Neighbor Weighted

K-Nearest Neighbor (NWKNN)

Article · September 2018

CITATIONS READS

0 793

3 authors, including:

Dian Eka Ratnawati Candra Dewi

Brawijaya University Brawijaya University
45 PUBLICATIONS   11 CITATIONS    40 PUBLICATIONS   23 CITATIONS   

SEE PROFILE SEE PROFILE

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

Identifying Quality of Patchouli Leaves through Its Leave Image Using Learning Vector Quantization View project

Image Processing and Computer Vision View project

All content following this page was uploaded by Dian Eka Ratnawati on 27 March 2018.

The user has requested enhancement of the downloaded file.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X
Vol. 2, No. 9, September 2018, hlm. 2562-2569 http://j-ptiik.ub.ac.id

Identifikasi Penyakit Gagal Ginjal Menggunakan Metode Neighbor

Weighted K-Nearest Neighbor (NWKNN)
Azizul Hanifah Hadi1, Dian Eka Ratnawati2, Candra Dewi3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1azizulhanifahhadi@gmail.com, 2dian_ilkom@ub.ac.id, 3dewi_candra@ub.ac.id

Abstrak
Penyakit gagal ginjal dapat disebabkan oleh beberapa faktor yakni hipertensi, kadar asam urat, kadar
kreatinin, diabetes, dan masih banyak yang lain. Dari beberapa faktor itu, kita bisa mengetahui tingkat
resiko terjadinya penyakit gagal ginjal. Tetapi banyak orang yang tidak menyadari, malas dan acuh
mengenai pemeriksaan kesehatan terutama pada ginjal karena proses yang lama dan rumit. Menurut
Indonesian Renal Registry, pada tahun 2014 pasien penyakit gagal ginjal di Indonesia mencapai 12.770
jiwa. Oleh karena itu maka dibutuhkan suatu sistem yang dapat melakukan deteksi atau identifikasi
mengenai penyakit gagal ginjal. Pada penelitian ini akan dilakukan identifikasi penyakit gagal ginjal
menggunakan metode Neighbor Weighted K-Nearest Neighbor (NWKNN). Metode ini hampir sama
dengan metode KNN tetapi yang membedakan terdapat pada proses pembobotan di setiap kelas
identifikasi. Kelas identifikasi pada penelitian ini ada 2 yakni ckd atau terkena gagal ginjal dan notckd
atau tidak terkena gagal ginjal. Hasil dari penelitian ini menunjukkan bahwa metode NWKNN dapat
melakukan identifikasi terhadap penyakit gagal ginjal pada saat data latih yang digunakan sebanyak 150
data dan data uji sebanyak 50 data dengan nilai K=2 dan nilai E=2 dengan hasil akurasi mencapai 88%.
Kata kunci: identifikasi, gagal ginjal, NWKNN
Abstract
Kidney disease can be caused by several factors such as hypertension, uric acid levels, creatinine levels,
diabetes, and many others. From that factors, we know about the level of kidney disease risk. Some
people are unaware, lazy and indifferent about health, especially on kidney disease because of the long
process and complicated. According to the Indonesian Renal Registry, in 2014 patients with kidney
disease in Indonesia reach 12,770 inhabitants. Therefore, we need a system that can detect or identify
the kidney disease. In this research, we will identify the kidney disease using Neighbor Weighted K-
Nearest Neighbor (NWKNN) method. This method is similar to the KNN method but the differentiates
are in the weighting process in each identification class. Identification class in this study decided in two
part, ckd or exposed to kidney disease and notckd or not affected kidney disease. The results of this study
indicate that the NWKNN method can identify kidney disease when the data are 150 data and the test
data are 50 data with K = 2 and E = 2 and accuracy level is 88%.
Keywords: identification, kidney disease, NWKNN

darah, dan lain sebagainya (Cahyaningsih,

1. PENDAHULUAN
Ginjalxxmerupakan dua buah organ
berbentuk sepertiikacang yang berada di bawah
tulang rusuk dengan panjang sekitar 11 cm, lebar
6cm, tebal 3 cm, dan berat sekitar 150 g (Waugh,
et al., 2011). Ginjal mempunyai fungsi untuk
menyaring atau membersihkan darah, mengatur
atau mengeluarkan kelebihan cairan tubuh,
sebagai penyeimbang kadar kimia darah,
mengeluarkan hormon yang mengatur tekanan
2011). Pada intinya, ginjal merupakan organ
yang sangat vital dan penting untuk menjaga
kesehatan tubuh pada manusia dan jika terjadi
penurunan fungsi ginjal maka dapat beresiko
terjadinya penyakit ginjal (Cahyaningsih, 2011).
Penyakit ginjal atau yang biasa disebut gagal
ginjal adalah kelainan organ ginjal yang
diakibatkan oleh berbagai faktor, misal infeksi,
tumor, kelainan bawaan, dan lain-lain
(Kementrian Kesehatan RI, 2013). Gagal ginjal

Fakultas Ilmu Komputer

Universitas Brawijaya 2562
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
tersebut dapat mempengaruhi fungsi serta
struktur ginjal yang memiliki tingkat keparahan
berbeda. Menurut Indonesian Renal Registry,
pada tahun 2014 pasien penyakit gagal ginjal di
Indonesia mencapai 12.770 jiwa, dan yang
terbanyak disebabkan karena hipertensi. Jika
pasien sudah terdiagnosis gagal ginjal, maka
penanganannya adalah dengan cara melakukan
hemodialisis atau cuci darah secara berkala serta
bisa juga melakukan transplantasi ginjal untuk
menggantikan ginjal sebelumnya yang telah
rusak atau tidak berfungsi. Tetapi hemodialisis
dan transplantasi ginjal membutuhkan biaya
yang tidak sedikit, sehingga diperlukan deteksi
atau pemeriksaan secara dini agar resiko
terjadinya penyakit gagal ginjal dapat segera
diatasi.
Terjadinya penyakit gagal ginjal dapat
disebabkan beberapa faktor yang diantaranya
adalah hipertensi, kadar asam urat, kadar
kreatinin, diabetes, dan masih banyak yang
lainnya. Dari beberapa faktor tersebut, kita dapat
mengetahui tingkat resiko terjadinya penyakit
gagal ginjal. Tetapi banyak yang tidak
menyadari, malas serta acuh mengenai
pemeriksaan kesehatan terutama pada ginjal
karena proses yang rumit dan lama. Proses
pemeriksaan kesehatan biasanya dari cek
laboratorium dan selanjutnya konsultasi dokter.
Tetapi jarak dari lokasi laboratorium menuju
dokter spesialis atau sebaliknya biasanya cukup
jauh dan terkadang konsultasi ke dokterispesialis
harus diperlukan antre jadwal periksa,,sehingga
berakibat beberapa orang malas melakukan
pemeriksaan kesehatan tersebut. Jika beberapa
orang mengetahui bahwa mereka belum atau
tidak terkena gagal ginjal, maka hal tersebut
dapat dihindari dan tidak perlu dilakukan cuci
darah atau transplantasi ginjal (Maghfirah, et al.,
2014). Berdasar penjelasan tersebut maka
dibutuhkan suatu sistem yang dapat melakukan
deteksi atau identifikasi mengenai penyakit
gagal ginjal. Salah satu cara yang dapat
digunakan adalah dengan menggunakan
klasifikasi (Maghfirah, et al., 2014). Pada
penelitian ini terdapat dua kelas dalam
melakukan identifikasi yakni mengalami gagal
ginjal dan tidak mengalami gagal ginjal.
Terkadang pada klasifikasi terdapat data
yang tidak merata atau data yang tidak
seimbang. Seperti data pada penelitian yang
penulis gunakan yakni terdapat 43 data
mengalami gagal ginjal dan 107 data tidak
mengalami gagal ginjal. Salah satu pemecahan
terkait data yang tidak seimbang adalah
Fakultas Ilmu Komputer, Universitas Brawijaya
2563
menggunakanxmetode Neighbor Weighted K-
Nearest Neighbor (NWKNN). Penelitian
menggunakan metode Neighbor Weighted K-
Nearest Neighbor (NWKNN) dengan dataayang
tidak seimbang yang dilakukan oleh Arissaputra
et al. (2015) mengenai klasifikasi dokumen
tanaman obat memiliki nilai rata-rata f-measure
sebesar 86,37% (Arissaputra, et al., 2015).
Pengaruh data latih tidak seimbang pada
penelitian ini dapat mempengaruhi nilai akurasi.
Hasilnya metode NWKNN lebih baik 6,7%
daripada metode KNN. Penelitian berikutnya
mengenai metode Neighbor Weighted K-Nearest
Neighbor (NWKNN) dengan data kelas tidak
seimbang dilakukan oleh Fadila et al. (2016).
Hasil dari penelitian ini yakni sistem mampu
melakukan klasifikasi terhadap anak usia dini
yang terserang penyakit Attention Deficit
Hyperactivity Disorder. Keakuratan pada sistem
ini dapat mencapai 95% dan lebih baik 2%
daripada menggunakan metode KNN (Fadila, et
al., 2016). Padaaapenelitian ini penulis
menggunakan data penyakit gagal ginjal yang
beberapaaakelas datanya tidak merata atau
seimbang, sehingga penulis menggunakan
metode Neighbor Weighted K-Nearest Neighbor
(NWKNN).
2. TINJAUAN PUSTAKA
2.1 Penyakit Ginjal
Penyakit ginjal atau yang biasa disebut
gagal ginjal adalah kelainan organ ginjal yang
diakibatkan oleh berbagai faktor, misal infeksi,
tumor, kelainan bawaan, dan lain-lain
(Kementrian Kesehatan RI, 2013). Gagal ginjal
adalah salah satu penyakit mematikan dan
penyebab kematian utama di dunia (Indra,
2006). Ginjal yang sakit ditandai dengan
pengeluaran kotaran atau racun dan pengaturan
air, keseimbangan asam-basa yang terganggu,
tekanan darah tinggi, anemia dan sakit tulang
(Budiyanto, 2002). Penyakit pada ginjal yang
berat dibagi dua jenis atau kategori yakni gagal
ginjallakut dan gagallginjal kronis. Gagallginjal
akut dapat ditandai dengan fungsi ginjal berhenti
secara mendadak yang dapat terjadi pemulihan
secara berangsur-angsur (Indra, 2006).
Sedangkan gagal ginjal kronis ditandai dengan
hilangnya proses dari fungsi nefron secara
progresif sehingga penurunan fungsi ginjal
menurun secara bertahap.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2564

2.2 Data Tidak Seimbang Euclidean Distance atau Cosine

Similiraty/CosSim).
Pada suatu penelitian, adanya suatu data
▪ Untuk menghitung nilai kedekatan
pada suatu kelas tidak sama, ada yang memiliki
ketetanggaan menggunakan rumus
jumlah data yang banyak dibanding kelas
Euclidean Distance dapat menggunakan
lainnya. Kondisi tersebut dapat dikatakan
Persamaann1:
sebagai kondisi data tidak seimbang. Data tidak
seimbang adalah kondisi dimana persebaran data 𝑑(𝑥1 , 𝑥2 ) = √∑𝑛𝑖=1(𝑥2𝑖 − 𝑥1𝑖 )2 (2)
tidak merata di dalam kelas yang ada. Pada data Dimana::
yang tidakiseimbang akan ada istilah yakni kelas X1 = nilaiitiap data latih
mayoritas dan kelasiminoritas (Ridok & Latifah, X2 = nilaiitiap data uji
2015). n = banyak dataa
i = dataike-i
2.3 Neighbor Weighted K-Nearest Neighbor ▪ Untuk menghitung nilai kedekatan
(NWKNN) ketetanggaan menggunakan rumus Cosine
Similarity (CosSim) seperti berikut:
Variabel atau atribut adalah bagian dari data ⃗⃗⃗⃗
𝑑 • 𝑞⃗ ∑𝑚
𝑖=1(𝑤𝑖𝑗 • 𝑤𝑖𝑞 )
yang mewakili karakteristik dari objek data. 𝐶𝑜𝑠𝑆𝑖𝑚(𝑞, 𝑑𝑗 ) = ⃗⃗⃗⃗⃗⃗⃗𝑗 ⃗⃗⃗⃗⃗
=
|𝑑𝑗 | • |𝑞| √∑𝑚
2 𝑚 2
𝑖=1 𝑤𝑖𝑗 • ∑𝑖=1 𝑤𝑖𝑞
Nilai ini biasanya memilikiirentang yang hampir
(3)
sama dan ada pula yang bervariasi. Misal atribut
Dimana:
A memiliki nilai rentang besar yakni 1000-2000
Q = data ujii
sedangkan atribut B bernilai hanya 1 atau 0,
dj = data latih
sehingga selisih jarak kedua atribut tersebut ⃗⃗⃗
𝑑𝑗 • 𝑞 = hasilltotal perkalian vektorrantara
tidak seimbang. Maka diperlukan normalisasi
untuk menjaga keseimbangan data. Salah satu data latihidengan data ujii
⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ = hasil total perkalian vektor
|𝑑𝑗 | • |𝑞|
teknik normalisasi data yakni normalisasi min-
max. Berikut merupakan rumus penggunaan antara norm dataalatih dengan data ujii
teknik normalisasi min-max (Jain & Bhandare, wij = bobot nilaiii pada data latihij
2011): wiq = bobot nilaiii pada data ujii
𝑉−𝑚𝑖𝑛𝐴 m = banyak jumlah nilaii
𝑉′ = (1)
𝑚𝑎𝑥𝐴 −𝑚𝑖𝑛𝐴
3. Mengurutkan hasillperhitungan kedekatan
Dimana:: ketetanggaan berdasarijarak atau kedekatan
𝑉′ = hasil perhitungan normalisasi min- dalam kelompok/similarity.
max 4. Mengumpulkan kategoriiklasifikasi nearest
V = nilaiiatribut A yang akan dinormalisasi neighbor.
minA = nilaiiminimum dari suatu atribut A 5. Perhitunganibobot dapattdilakukan dengan
maxA = nilaiimaksimum dariisuatu atribut A persamaan (Tan, 2005):
1
𝑊𝑒𝑖𝑔ℎ𝑡𝑖 = 1 (4)
2.4 Neighbor Weighted K-Nearest Neighbor 𝑒𝑥𝑝
𝑁𝑢𝑚(𝑐𝑑
𝑖)
(NWKNN) ( )
𝑁𝑢𝑚(𝑐𝑗𝑑 )|𝑛 = 1, … , 𝐾 ∗}
𝑀𝑖𝑛{

Metode NWKNN merupakan Dimana::

pengembangan metode KNN, perbedaan
terdapat pada pemberian bobot yang dilakukan
algoritma NWKNN (Feizar, et al., 2014). Pada
tetanggaiyang berasal dari kelas mayoritas maka
diberi bobot yang kecil, sedangkan pada
tetangga yang berasalldari kelas minoritas maka
diberi bobot yang besar (Ridok & Latifah, 2015).
Persamaan matematika harus diberi nomor
urut dalam kurung biasa dan harus diacu dalam
tulisan.
Langkah-langkah pada algoritma NWKNN
adalah sebagai berikut (Fadila, et al., 2016):
1. Menentukan nilai K tetangga.
2. Menghitung nilai kedekatan ketetanggaan
antara dataiuji dan data latih (menggunakan
Fakultas Ilmu Komputer, Universitas Brawijaya
𝑁𝑢𝑚(𝐶𝑖𝑑 ) = banyak data latih d padaikelas i
𝑁𝑢𝑚(𝐶𝑗𝑑 ) = banyak data latih d padaikelas
j, dimana j terdapat dalam himpunan k
tetanggaiterdekat
Exp =inilai exponen lebih dari 1
Setelah mendapat nilai bobot, maka
menghitung nilai skor dengan cara
mengalikan setiap jumlah skor dari tiap
kelasidengan masing-masing bobot dari
tiap kelas. Perhitungannskor padaametode
NWKNN adalah sebagai berikut:
𝑆𝑘𝑜𝑟(𝑋, 𝐶𝑖 ) = 𝑊𝑒𝑖𝑔ℎ𝑡𝑖 ∗
(∑𝑑𝑗𝑁𝑊𝐾𝑁𝑁(𝑋)((√∑𝑛𝑖=1(𝑥2𝑖 − 𝑥1𝑖 )2 ) ∗
𝛿(𝑑𝑗 , 𝐶𝑖 ))) (5)
atauu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
𝑆𝑘𝑜𝑟(𝑋, 𝐶𝑖 ) = 𝑊𝑒𝑖𝑔ℎ𝑡𝑖 ∗
(∑𝑑𝑗𝑁𝑊𝐾𝑁𝑁(𝑋)((𝑆𝑖𝑚(𝑞, 𝑑𝑗 ) ∗ 𝛿(𝑑𝑗 , 𝐶𝑖 ))) (6)
Dimana:
Weighti = bobot kelas i
djNWKNN(x) = data latih dj pada kumpulan
tetangga terdekat dari data uji x
𝛿(𝑑𝑗 , 𝐶𝑖 ) = akan bernilai 1 jika jarak ∈
Ci dan bernilai 0 jika nilai jarak ∉ Ci
Sim(q,dj) = nilai CosSim antara data uji
dan data latih.
Ci = jenis atau kelas i
3. METODOLOGI
3.1 Data Penelitian
Pada penelitian ini menggunakan data dari
UCI Machine Learning Repository: Chronic
Kidney Disease. Pada data tersebut terdapat
sebanyak 200 data dengan 24 atribut yakni
meliputi age, blood pressure, specific gravity,
albumin, sugar, red blood cells, pus cell, pus cell
clumps, bacteria, blood glucose random, blood
urea, serum creatinine, sodium, potassium,
hemoglobin, packed cell volume, white blood
cell count, red blood cell count, hypertension,
diabetes mellitus, coronary artery disease,
appetite, pedal edema, dan anemia. Pada data
yang akan di ujikan terdapat missing value yang
mana nilai dari data missing tersebut sudah dicari
menggunakan perhitungan manual.
3.2 Alur NWKNN
Proses NWKNN
Gambar 1. Proses NWKNN
Fakultas Ilmu Komputer, Universitas Brawijaya
2565
Gambar 1 menunjukkan proses pada
metode NWKNN yakni Melakukan perhitungan
nilai ketetanggaan menggunakan Cosine
Similarity (CosSim) dan didapatkan hasil nilai
kedekatan ketetanggaan, melakukan pengukuran
hasil kedekatan ketetanggan melakukan
perhitungan pembobotan setiap kelas, dan
melakukan perhitungan nilai skor.
Proses yang pertama yakni menghitung
tetangga terdekat menggunakan Cosine
Similarity untuk mengetahui data mana yang
masuk klasifikasi kelas yang dicari. Kedua yakni
mengurutkan hasil Cosine Similarity sesuai dari
yang terbesar ke terkecil. Ketiga yakni proses
pembobotan setiap kelas dari gagal ginjal, pada
proses ini berfungsi untuk memberikan bobot
pada setiap kelas dengan bobot besar diberikan
pada kelas dengan jumlah sedikit dan bobot kecil
diberikan pada kelas dengan jumlah banyak.
Terakhir yakni proses perhitungan nilai skor
hasil identifikasi, proses ini berfungsi untuk
mengetahui hasil identifikasi dari dari penyakit
gagal ginjal.
4. PENGUJIAN DAN ANALISIS
4.1 Pengujian Nilai K dan Nilai E
Pada pengujian ini dilakukan dengan
mengubah nilai K mulai dari 2 hingga 28, nilai E
(eksponen) yang digunakan yakni 2, 4, 6 dan 8
serta data uji yang digunakan sebanyak 50 data.
Pada penelitian ini terdapat 2 macam kelas
identifikasi yakni CKD atau terkena gagal ginjal
dan NOTCKD atau tidak terkena gagal ginjal
yang mana jumlah datanya tidak seimbang atau
terdapat kelas mayoritas dan minoritas. Pada
pengujian ini komposisi data latih yang
digunakan sebanyak 3 kali dengan terdapat kelas
mayoritas dan minoritas untuk mendapatkan
data mana yang memiliki akurasi tertinggi.
Komposisi data latih yang digunakan adalah
sebagai berikut:
- 150 data latih (CKD sebanyak 43 dan
NOTCKD sebanyak 107),
- 125 data latih (CKD sebanyak 33 dan
NOTCKD sebanyak 92),
- 100 data latih (CKD sebanyak 23 dan kelas
NOTCKD sebanyak 77)
Pada pengujian nilai K dan nilai E ini
dilakukan 4 kali skenario dengan skenario
pertama yakni nilai K diubah dari 2 hingga 28,
nilai E=2 dan menggunakan semua komposisi
data latih yakni 150, 125 dan 100 data.
Kemudian untuk skenario kedua, ketiga dan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2566

keempat yang berbeda adalah nilai E, skenario

kedua menggunakan nilai E=4, skenario ketiga Pengujian nilai K bervariasi dan
nilai E=6 dan skenario keempat nilai E=8. Hasil 100% nilai E=8
grafik pengujian nilai K dan nilai E ditunjukkan 80%
pada Gambar 2, Gambar 3, Gambar 4 dan

Akurasi
Gambar 5. 60%
40%

Pengujian nilai K bervariasi dan nilai 20%

100% E=2 0%
2 4 6 9 13 17 20 23 27
80%
K
150 data 125 data 100 data
Akurasi

60%

40%
Gambar 5. Grafik pengujian nilai K bervariasi dan
20% nilai E=8
0% Berdasar pada semua grafik, semakin besar
2 4 6 9 13 17 20 23 27 nilai K pada semua komposisi data latih maka
K nilai akurasi semakin menurun. Hal ini
150 data 125 data 100 data
dikarenakan hasil identifikasi kelas pada sistem
memiliki perbedaan dengan kelas awal. Hasil
Gambar 2. Grafik pengujian nilai K bervariasi dan
nilai E=2
identifikasi kelas yang berbeda ini terus
bertambah seiring bertambahnya nilai K yang
menjadikan tingkat akurasi semakin menurun.
Pengujian nilai K bervariasi dan nilai
Kemudian komposisi data latih dengan 150 data
100% E=4
memiliki nilai akurasi tertinggi dibandingkan
80% komposisi data latih yang lain dikarenakan
semakinnbanyak data latih yang digunakan,
Akurasi

60% maka semakinibanyak data yang dibandingkann

40% denganidata uji dan memungkinkanxuntuk
memperoleh hasil CosSimxyang mempunyai
20%
similarity terbaik.
0%
Dari semua skenario pengujian, maka
2 4 6 9 13 17 20 23 27
diperoleh hasil gabungan pengujian pengaruh
150 data K
125 data 100 data nilai E terhadap akurasi dengan menggunakan
kombinasi data latih terbaik yakni 150 data.
Gambar 3. Grafik pengujian nilai K bervariasi dan Hasil gabungan pengujian pengaruh nilai E
nilai E=4 terhadap akurasi dapat dilihat pada Gambar 6.

Pengujian nilai K bervariasi dan nilai Pengujian Nilai E

100%
E=6 100%

80% 80%
Akurasi
Akurasi

60% 60%

40% 40%

20% 20%

0% 0%
2 4 6 9 13 17 20 23 27 2 4 6 9 13 17 20 23 27
K E=2 E=4
Nilai KE=6 E=8
150 data 125 data 100 data

Gambar 4. Grafik pengujian nilai K bervariasi dan Gambar 6. Grafik pengujian nilai E
nilai E=6

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Grafik pengujian nilai E menunjukkan
bahwa dengan semua nilai E pada nilai K=2, 3,
4 dan 6 memiliki nilai akurasi yang sama
bagusnya yakni 88% pada K=2, 86% pada K=3,
4 dan 6, sedangkan untuk nilai K=5 dan K>6
memiliki nilai akurasi yang bervariasi dengan
nilai E=2 terlihat unggul nilai akurasinya dari
pada nilai E yang lain. Pada pengujian yang
menggunakan data penyakit ginjal ini terlihat
bahwa adanya perbedaan nilai akurasi dari
perubahan nilai E. Nilai E tersebut terdapat pada
perhitungan bobot setiap kelas, ketika nilai E
diubah maka hasil dari bobot setiap kelas
tersebut juga berubah. Hal ini menunjukkan
bahwa perubahan nilai E serta nilai K yang
digunakan pada penelitian ini memberikan
pengaruh terhadap hasil akurasi pada sistem
identifikasi penyakit gagal ginjal. Semakin besar
nilai K pada semua nilai E, maka semakin turun
pula tingkat akurasinya.
4.2 Pengujian perbandingan akurasi metode
NWKNN berdasarkan metode
pengukuran jarak
Pengujian perbandingan akurasi metode
NWKNN berdasarkan metode pengukuran jarak
menggunakan Euclidean Distance atau CosSim
dilakukan untuk mengetahui bagaimana nilai
akurasi pada sistem identifikasi penyakit gagal
ginjal ketika perhitungan ketetanggaan terdekat
pada NWKNN menggunakan Euclidean
Distance atau CosSim. Pengujian ini dilakukan
dengan menggunakan data latih sebanyak 150,
data uji 50, nilai K yang bervariasi mulai dari 2
hingga 28, dan nilai E yang digunakan adalah
nilai terbaik pada pengujian nilai E yakni
bernilai 2. Hasil pengujian perbandingan akurasi
NWKNN berdasarkan metode pengukuran jarak
ditunjukkan pada Gambar 7.
Perbandingan Akurasi NWKNN
berdasarkan metode pengukkuran
jarak
100%
50%
0%
2 4 6 9 13 17 20 23 27
Euclidean Distance CosSim
Gambar 7. Grafik pengujian perbandingan akurasi
NWKNN berdasarkan metode pengukuran jarak
Fakultas Ilmu Komputer, Universitas Brawijaya
2567
NWKNN dengan menggunakan CosSim
memiliki rata-rata nilai akurasi lebih baik 8%
dibandingkan menggunakan Euclidean
Distance. Ketika nilai K<=4, nilai akurasi
Euclidean Distance dan CosSim sama dan
terlihat bagus hasilnya ketika nilai K kecil.
Tetapi ketika nilai K>4 maka perbandingan nilai
akurasinya mulai terlihat. Meskipun nilai akurasi
sama-sama turun ketika nilai K>4, tetapi CosSim
cukup baik dan konsisten dari pada Euclidean
Distance ketika nilai K semakin besar. Ini
menunjukkan bahwa perbandingan dari
Euclidean Distance dan CosSim memiliki
pengaruh terhadap hasil akurasi ketika nilai K
semakin besar pada identifikasi gagal ginjal pada
sistem.
4.3 Pengujian perbandingan akurasi metode
NWKNN dan KNN
Pengujian perbandingan akurasi metode
NWKNN dengan KNN dilakukan untuk
mengetahui bagaimana nilai akurasi pada sistem
identifikasi penyakit gagal ginjal ketika
menggunakan metode NWKNN dan KNN.
Pengujian ini dilakukan dengan menggunakan
data latih sebanyak 150, data uji 50, nilai K yang
bervariasi mulai dari 2 hingga 28 dan kedekatan
ketetanggaan menggunakan CosSim. Hasil
pengujian perbandingan akurasi metode
NWKNN dan KNN ditunjukkan pada Gambar 8.
Perbandingan Akurasi NWKNN dan
KNN
100%
80%
60%
40%
20%
0%
2 4 6 9 13 17 20 23 27
NWKNN KNN
Gambar 8. Grafik hasil perbandingan akurasi
NWKNN dan KNN
Perbandingan antara metode NWKNN dan
KNN pada pengujian ini memberikan hasil
bahwa metode NWKNN di beberapa nilai K
lebih unggul dibandingkan metode KNN. Ketika
nilai K 2, 3, 4, dan 6 nilai akurasi metode
NWKNN sama dengan metode KNN, tetapi
untuk nilai K yang lain metode NWKNN lebih
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
unggul dibandingkan dengan metode KNN.
Perbedaan nilai akurasi ini bisa saja terjadi
karena metode NWKNN menggunakan bobot
saat perhitungan skor, proses pembobotan ini
dapat membantu identifikasi kelas yang berasal
dari kelas minoritas pada data. Oleh karena itu,
dapat dikatakan pada kasus identifikasi penyakit
gagal ginjal dengan data yang tidak seimbang ini
lebih baik menggunakan metode NWKNN
dibandingkan metode KNN dengan hasil metode
NWKNN lebih baik 5% rata-rata hasil
akurasinya.
5. KESIMPULAN
Cara mengidentifikasi gagal ginjal dengan
menggunakan metode NWKNN adalah dengan
cara memasukkan data pasien yang meliputi 24
gejala kemudian dilakukan normalisasi data
menggunakan min-max (karena data memiliki
selisih nilai yang besar). Selanjutnya
menghitung nilai kedekatan ketetanggaan
dengan menggunakan Cosine Similarity
(CosSim) dengan menghitung nilai similarity
antara data pasien terhadap data latih. Kemudian
diurutkan berdasar nilai CosSim terbesar sesuai
K tetangga terdekat. Selanjutnya dilakukan
pembobotan sesuai kelas identifikasinya dan
dihitung nilai skornya. Skor tertinggilah yang
masuk kedalam identifikasi.
Pada pengujian parameter identifikasi
penyakit gagal ginjal menggunakan metode
NWKNN ini, nilai K yang digunakan adalah
bernilai 2 hingga 28, nilai E yang digunakan
bernilai 2, 4, 6 dan 8, serta data latih yang
digunakan adalah 150 data, 125 data dan 100
data. Nilai akurasi tertinggi yang didapatkan
yakni sebesar 88% pada nilai K=2, dengan
semua nilai E serta pada data latih sebanyak 150
data. Tetapi pada penelitian ini untuk nilai E
yang terbaik adalah E dengan nilai 2.
Diketahui bahwa tingkat akurasi yang
dihasilkan metode NWKNN memiliki selisih
nilai sebesar 5% dibandingkan metode KNN.
Metode NWKNN memiliki akurasi sebesar
70%, sedangkan metode KNN menghasilkan
akurasi sebesar 65%.
6. DAFTAR PUSTAKA
Arissaputra, V., Ridok, A. & Indriati, 2015.
Klasifikasi Dokumen Tanaman Obat
Menggunakan Metode Neighbor
Weighted K-Nearest Neighbor
(NWKNN). Malang: s.n.
Fakultas Ilmu Komputer, Universitas Brawijaya
2568
Budiyanto, M. A. K., 2002. Gizi dan Kesehatan
(Relevensi Gizi dengan Obesitas,
Penyakit Ginjal, Penyakit Jantung,
Diabetes Mellitus, Hipertensi, Kanker,
Osteoporosis, Penyakit Saluran
Cerna, Anemia, dan Penyakit pada
Bayi dan Anak). Malang: Bayu Media
dan UMM Press.
Cahyaningsih, N. D., 2011. Hemodialisis (Cuci
Darah). Yogyakarta: Mitra Cendikia
Press.
Fadila, P. N., Indriati & Ratnawati, D. E., 2016.
Identifikasi Jenis Attention Deficit
Hyperactivity Disorder (ADHD) Pada
Anak Usia Dini Menggunakan Metode
Neighbor Weighted K-Nearest
Neighbor (NWKNN). Malang: s.n.
Feizar, F. H., Indriati & Yusdistira, N., 2014.
Analisis Sentimen Opini Film
Berbahasa Indonesia Berbasis Kamus
Menggunakan Metode Neighbor
Weighted K-Nearest Neighbor.
Malang: s.n.
Indra, M. R., 2006. Fisiologi Ginjal. Malang:
Fakultas Kedokteran Universitas
Brawijaya.
Jain, Y. K. & Bhandare, S. K., 2011. Min Max
Normalization Based Data
Perturbation Method for Privacy
Protection. International Journal of
Computer & Communication
Technology, II(8), pp. 45-50.
Kementrian Kesehatan RI, 2013. Riset
Kesehatan Dasar 2013. [Online]
Available at: http://www.depkes.go.id/
resources/download/general/Hasil%20
Riskesdas%202013.pdf
[Accessed 27 Januari 2017].
Maghfirah, N., Dewi, C. & Hidayat, N., 2014.
Implementasi Algoritma Fuzzy K-
Nearest Neighbor (F-KNN) untuk
Mengetahui Tingkat Resiko Penyakit
Gagal Ginjal. Doro: Repository Jurnal
Mahasiswa Ptiik Universitas
Brawijaya, Volume 9.
Ridok, A. & Latifah, R., 2015. Klasifikasi Teks
Bahasa Indonesia Pada Corpus Tak
Seimbang Menggunakan NWKNN.
Konfrensi Nasilnal Sistem &
Informatika, pp. 222-227.
 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2569

Tan, S., 2005. Neighbor-weighted K-nearest Waugh, A., Grant, A., Nurachmah, E. &
neighbor for unbalanced text corpus. Angriani, R., 2011. Dasar-Dasar
Expert Systems with Applications, pp. Anatomi dan Fisiologi. Singapore:
667-671. Elsevier.

Fakultas Ilmu Komputer, Universitas Brawijaya

View publication stats