SKRIPSI
Oleh :
(125314074)
Teknik Informatika
2016
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Thesis
By :
(125314074)
YOGYAKARTA
2017
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSETUJUAN
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
MOTO
( Yohanes 1:5)
“Musuh yang Paling Berbahaya adalah Penakut dan Bimbang. Teman yang
Paling Setia adalah Keberanian dan Keyakinan Untuk Mau Maju.”
(Andrew Jackson)
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
karunia-Nya.
kasihnya.
skripsi ini.
menyelesaikan skripsi.
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Kesehatan manusia bisa sangat bergantung dari banyak faktor, antara lain
karena faktor lingkungan tempat tinggal ataupun karena faktor keturunan/genetikal.
Kesehatan inilah yang menjadi kekuatan utama manusia untuk melaksanakan
aktivitas hidupnya. Salah satu penyakit yang menjadi mesin pembunuh adalah
Diabetes Mellitus(DM). Pemeriksaan kesehatan yang berkaitan dengan DM dalam
dunia medis dapat dilakukan dengan cara pendiagnosaan penyakit yang
menghasilkan data hasil uji laboratorium dan rekam medis gejala sakit. Guna
menekan angka kematian dari penyakit DM ini, para pakar kesehatan harus
melakukan pendiagnosaan penyakit sedini mungkin.
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus, yang telah
memeberikan rahmat dan karunia yang berlimpah sehingga penulis dapat
menyelesaikan tugas akhir yang berjudul Klasifikasi Diagnosa Diabetes Mellitus
dengan Penerapan Metode Naive Bayesian Clasifier dengan baik. Sebagaimana
disyaratkan dalam Kurikulum Program Studi Teknik Informatika (TI), Fakultas
Sains dan Teknologi (FST), Universitas Sanata Dharma (USD) Yogyakarta.
Penulis menyadari bahwa pada saat penulisan dan pengerjaan tugas akhir ini
penulis menyadari bahwa mendapatkan banyak sekali bantuan dari berbagai pihak,
baik berupa dukungan, perhatian, kritik dan saran, serta doa yang sangat dibutuhkan
penulis guna kelancaran pengerjaan dan mendapatkan hasil yang baik. Pada
kesempatan ini secara khusus penulis akan menyampaikan terimakasih kepada :
1. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan
Teknologi Universitas Sanata Dharma Yogyakarta
2. Dr. Anastasia Rita Widiarti, M.Kom. selaku Ketua Program Studi Teknik
Informatika yang selalu memberikan dukungan dan perhartian serta saran
kepada mahasiswa tugas akhir dalam pengerjaan tugas akhir.
3. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing
akademik dan pembimbing tugas akhir yang telah dengan sabar dan penuh
perhatian membimbing penulis dalam penyususnan tugas akhir mulai dari awal
pengerjaan, pertengahan dan pada akhir penulisan.
4. Segenap dosen Program Studi Teknik Informatika Sanata Dharma yang dengan
penuh dedikasi mendidik, membimbing, memberikan dukungan, bantuan, dan
arahan yang sangat bermanfaat dari awal kuliah sampai selesai.
5. Staff personalia, rekam medis, dan seluruh staff yang berada di Rumah Sakit
Panti Nugroho, Pakem, Yogyakarta yang telah memberikan waktu dan
kesempatannya untuk melakukan penelitian serta pengambilan data rekam
medis tentang diabetes mellitus.
6. Kedua orang tua, Bapak Ignatius Sukemi dan Ibu Anna Supariyem yang telah
memberikan cinta, doa, dan dukungan baik secara moral maupun material bagi
penulis selama menjalani masa perkuliahan sampai selesai ini.
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
MOTO ..................................................................................................................... v
ABSTRAK ............................................................................................................. ix
ABSTRACT ............................................................................................................ x
BAB I ...................................................................................................................... 1
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN...................................................................................................................... 51
xvi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Gambar 2. 1 Data Mining dan proses KDD (Source: Fayyad, et.al., 1996) ......... 11
Gambar 2. 2 Proses Diskretisasi............................................................................ 13
Gambar 3. 1 Alur Pengolahan Data ..................................................................... 27
Gambar 3. 2 Alur Kerja Naive Bayes .................................................................. 31
Gambar 3. 3 Alur Kerja Desain Pengujian .......................................................... 38
Gambar 4. 1 Grafik Perbandingan Akurasi .......................................................... 42
Gambar 4. 2 Halaman Sistem............................................................................... 44
Gambar 4. 3 Menu Import dan Tabel Data .......................................................... 45
Gambar 4. 4 Menu Proses Klasifikasi .................................................................. 45
Gambar 4. 5 Menu Grafik Data............................................................................ 46
Gambar 4. 6 Menu Confution Matrix dan Akurasi .............................................. 46
Gambar 4. 7 Menu Uji Data Tunggal................................................................... 47
xvii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
xviii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR LAMPIRAN
xix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
Pada bab pertama ini akan dibahas tentang latar belakang, rumusan masalah,
tujuan dan manfaat penelitian, batasan masalah, metodologi penelitian, dan
sistematika penulisan.
1.3. Tujuan
Sesuai dengan latar belakang dan rumusan masalah di atas, tujuan
penelitian ini secara umum adalah membangun sistem tentang klasifikasi
Diabetes Mellitus dengan penerapan metode Naive Bayesian Clasifier
sehingga mampu mempermudah dunia medis guna menentukan klasifikasi
seseorang terkena diabetes. Sementara itu, secara khusus tujuan penelitian ini
dirinci sebagai berikut :
Membangun sistem berdasarkan pendekatan Naive Bayesian
yang secara otomatis mampu mengklasifikasikan jenis-jenis dari
penyakit diabetes.
Bab V : Penutup
Dalam bab ini berisi tentang kesimpulan dan juga saran-saran yang terkait
dengan seluruh proses dan penulisan tugas akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Jenis Etiologi
Diabetes
Tipe 1 Destruksi sel β, umumnya menjurus ke defisiensi
insulin absolut, yaitu :
• Autoimun
• Idiopatik
Tipe 2 Bervariasi, mulai dari resistensi insulin yang disertai
defisiensi insulin relatif hingga defeksekresi insulin
yang dibarengi resistensi insulin.
Tipe Lain • Defek genetik fungsi selβ
• Defek genetik kerja insulin
• Penyakit eksokrin pankreas
• Endokrinopati
• Karena obatatau zat kimia
• Infeksi
• Sebab imunologi (jarang)
• Sindrom genetik lain yang berkaitan dengan
Diabetes Mellitus
Diabetes Intoleransi glukosa yang timbul atau terdeteksi pada
Melitus kehamilan pertama dan gangguan toleransi glukosa
gestasional setelah terminasi kehamilan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
11
Gambar 2. 1 Data Mining dan proses KDD (Source: Fayyad, et.al., 1996)
1. Selection :
2. Data Selection merupakan penyeleksian data dimana data yang
relevan dikembalikan ke dalam database yang memiliki tugas
untuk analisis data (Fadli,2011).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
3. Cleaning :
Data Cleaning merupakan pembersihan atau penghilangan
missing value pada data. Pembersihan data ini akan
mempengaruhi performasi dari teknik mining sendiri karena
data yang ditangani akan diberikan nilai untuk setiap data yang
kosong yang mengacu pada mean tiap atributnya. Mean adalah
rata-rata dari data yang diperoleh berupa angka yang didapat
dari nilai-nilai dibagi dengan jumlah individu (Sutrisno Hadi,
1998), dengan rumusan :
∑𝑋
𝑀= ...............................................................................(2.1)
𝑁
∑ 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑛𝑖𝑙𝑎𝑖 𝑝𝑎𝑑𝑎 𝑎𝑡𝑟𝑖𝑏𝑢𝑡
𝑅𝑎𝑡𝑎𝑎𝑛 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 = 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑏𝑎𝑟𝑖𝑠 𝑎𝑡𝑟𝑖𝑏𝑢𝑡
4. Transformation :
Data Transformation merupakan cara untuk
mentransformasikan data yang diubah ke bentuk yang tepat
untuk diproses pada proses mining.
5. Data mining :
Data mining merupakan langkah terpenting dimana akan
diaplikasikannya metode kerja yang paling tepat untuk
mengekstrasi data.
6. Interpretation / Evalution :
Proses ini yang nantinya kana berguna untuk mengidentifikasi
dan mengevaluasi pola yang benar dan menarik. Pola inilah
yang akan mewakili pengetahuan berdasarkan atas beberapa
tindakan mining yang menarik.
7. Knowledge Presentation :
Dalam tahap ini hasil dari mining yang berupa pola-pola
tersebut direpresentasikan kepada pengguna(user) dan dari
langkah ini akan ditemukannya sebuah pengetahuan yang akan
dijadikan acuan guna pengambilan keputusan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Proses diskretisasi secara umum terdiri dari empat tahapan pada gambar
di atas, yaitu :
14
15
16
17
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang
muncul dalam satu waktu (Kusrini, 2009). Asosiasi lebih kental
dengan suatu analisis kebutuhan.
Keterangan :
E = data dengan class yang belum diketahui
H = hipotesis data E merupakan suatu class spesifik
P(H|E) = probabilitas hipotesis H berdasarkan kondisi E
(posteriori probability)
P(H) = pobabilitas hipotesis H (prior probability)
P(E|H) = probabilitas E berdasaerkan kondisi pada hipotesis H
P(E) = probabilitas dari E
Menurut buku dari Eko Prasetyo, ide dasar dari aturan Bayes
adalah bahwa hasil dari hipotesis atau peristiwa (H) dapat
diperkirakan berdasarkan bukti (E) yang diamati. Ada beberapa hal
penting yang perlu diperhatikan yaitu :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
19
𝑞
𝑃(𝑌)𝜋𝑖=1 𝑃(𝑋𝑖 |𝑌)
𝑃(𝑌|𝑋) = ............................................(2.5)
𝑃(𝑋)
Keterangan :
P(Y|X) : Probabilitas data dengan vektor X pada kelas Y
P(Y) : Probabilitas awal kelas Y
𝑞
𝜋𝑖=1 𝑃(𝑋𝑖 |𝑌): Probabilitas independen kelas Y dari semua fitur
vektor X
20
21
BAB III
METODOLOGI PENELITIAN
Pada bab ke tiga ini, akan dijelaskan tentang analisa kebutuhan, data
penelitian, skenario pengambilan data, analisa pengolahan data, analisa
kebutuhan pengguna, spesifikasi hardware dan software yang digunakan serta
beberapa user interface awal.
Nama
No Keterangan Bobot
Atribut
1. No. RM Nomer kode pasien Nomor ID
2. Jenis kelamin pasien Laki-laki /
SEX
Perempuan (1..2)
3. Umur Umur pasien 1..n
4. Atribut ini
menentukan adanya
Penyakit turunan
Faktor sifat penyakit turunan
atau bukan (1...2)
Keturunan atau tidak tentang
riwayat penyakit yang
diderita pasien
22
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
5. Atribut ini
menentukan adanya
Gangguan Bermasalah-tidak
gangguan atau tidak
pada sistem bermasalah
pada sistem
Pernafasan (1..2)
pernafasan pasien
(dada)
6. Atribut ini
Gangguan
menentukan adanya
pada sistem Bermasalah-tidak
gangguan atau tidak
kerja bermasalah
pada sistem kerja
Jantung dan (1..2)
jantung dan darah
Darah
pasien
7. Atribut ini
Gangguan menentukan adanya Bermasalah-tidak
pada sistem gangguan atau tidak bermasalah
Integumen pada sistem (1..2)
integumen pasien
8. Atribut ini
Gangguan menentukan adanya Bermasalah-tidak
pada sistem gangguan atau tidak bermasalah
saraf pada sistem saraf (1..2)
pasien
9. Atribut ini
menentukan adanya Bermasalah-tidak
Gangguan
gangguan atau tidak bermasalah
pada sendi
pada sistem kerja (1..2)
sendi pasien
10. Atribut ini
Gangguan menentukan terganggu Bermasalah-tidak
pada sistem atau tidaknya sistem bermasalah
penglihatan penglihatan(indra) (1..2)
pasien
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
25
26
Dari data-data tersebut, didapatkan 258 data bersih, yang mana data
itu akan masuk ke proses selanjutnya. Dan pada saat melakukan proses
mining, yang dipakai adalah 25 atribut yaitu menghilangkan no.RM.
27
28
3.2.3. Transformasi
Pada tahap ini akan dilakukan perubahan data menjadi data
numerik semua untuk mempermudah penghitungan pada proses
mining nanti. Yaitu mengubah nilai pada atribut sex, diagnosa
penyakit dan atribut kelas. Perubahan itu dengan melakukan
transformasi sebagai berikut ini dan hasilnya terdapat pada
lampiran tabel contoh data pada contoh kolom K1 dan K25:
1. Transformasi pada kolom K1 :
a. L = 1
b. P = 2
2. Transformasi pada kolom K3 sampai kolom K12 :
a. T = 1
b. Y = 2
3. Transformasi pada kolom data kontinu dilakukannya
proses diskretisasi dengan EWD.
a. Pilih atribut yang akan didiskretisasi, sebagai contoh
atribut umur (K3) dan gula darah (K13), data diambil
secara acak.
K3 K13
83 360
69 312
51 352
30 125
40 222
b. Data tersebut akan dicari nilai n untuk interval dari
tiap data pada atributnya. Cari nilai minimal dan
maksimal dari tiap atribut
K3 nilai minimal 30, nilai maksimal 83
K13 nilai minimal 125, nilai maksimal 360
c. Hitung besarnya nilai n (interval) yaitu dengan
rumusan EWD yang telah dibahas pada pembahasan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Tabel 3. 3 Menghitung n
2
∑𝑦 −2 (∑ 𝑦)
𝑆 = √ 𝑛−1 𝑛 ................................................(3.1)
(273)2
16751− 1845.2
𝑆(𝑛𝐾3) = √ 5
= √ = √461.3 =
5−1 4
21.4779 = 22
(1371)2
415757− 39828.8
𝑆(𝑛𝐾13) = √ 5
= √ =
5−1 4
√7965.76 = 89.2511 = 89
30
nK3 nK13 k
𝑥 < 52 𝑥 < 214 1
𝑥 > 74 214 ≤ 𝑥 < 303 2
𝑥 > 392 3
....
d. Setiap nilai atribut akan dicocokkan dengan nilai
interval yang telah dibuat di tabel 3.4 di atas.
Masukkan data pada varibel x, maka ditemukanlah
hasil diskretisasi datanya sebagai berikut :
31
atribut gejala sakit dan data lab. dan outputya adalah kelas dari
diabetes yang diderita.
1 1 2 3 1 2
2 3 2 4 2 2
2 3 2 3 1 2
2 2 2 3 1 2
2 2 1 4 1 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
2 3 1 4 1 3
1 3 1 3 1 3
2 3 1 4 1 3
1 3 2 3 3 4
1 3 1 4 1 4
2 3 2 5 1 4
1 2 2 4 1 4
2 3 1 5 1 5
2 2 2 5 1 5
1 3 2 5 2 5
2 2 2 4 3 5
2 4 2 5 1 5
1 3 1 5 1 6
1 4 1 5 1 6
2 2 1 5 1 6
𝑃(𝑋 |𝐻 )𝑃(𝐻)
𝑃(𝑃) = 𝑃𝑋
Probabilitas kelas :
4
𝑃(𝐾25 = 2) = 20 = 0.2 ,
4
𝑃(𝐾25 = 3) = 20 = 0.2,
4
𝑃(𝐾25 = 4) = 20 = 0.2,
5
𝑃(𝐾25 = 5) = 20 = 0.25 ,
3
𝑃(𝐾25 = 6) = 20 = 0.15
33
2 1
𝑃(𝐾1(1)|6) = = 0,67 , 𝑃(𝐾1(2)|6) = = 0,33
3 3
𝑃(𝐾2(5)|2) = 0
1
𝑃(𝐾2(1)|3) = 0 ,𝑃(𝐾2(2)|3) = 4 = 0,25
3
𝑃(𝐾2(3)|3) = 4 = 0,75 , 𝑃(𝐾2(4)|3) = 0
𝑃(𝐾2(5)|3) = 0
1
𝑃(𝐾2(1)|4) = 0 , 𝑃(𝐾2(2)|4) = 4 = 0,25
3
𝑃(𝐾2(3)|4) = 4 = 0,75 , 𝑃(𝐾2(4)|4) = 0
𝑃(𝐾2(5)|4) = 0
2
𝑃(𝐾2(1)|5) = 0 ,𝑃(𝐾2(2)|5) = 5 = 0,4
2 1
𝑃(𝐾2(3)|5) = 5 = 0,4 , 𝑃(𝐾2(4)|5) = 5 = 0,2
𝑃(𝐾2(5)|5) = 0
1
𝑃(𝐾2(1)|6) = 0 ,𝑃(𝐾2(2)|6) = 3 = 0,33
1 1
𝑃(𝐾2(3)|6) = 3 = 0,33 , 𝑃(𝐾2(4)|6) = 3 = 0,33
𝑃(𝐾2(5)|6) = 0
34
𝑃(𝐾14(5)|2) = 0
𝑃(𝐾14(1)|3) = 0, 𝑃(𝐾14(2)|3) = 0
1
𝑃(𝐾14(3)|3) = 4 = 0.25 , 𝑃(𝐾14(4)|3) = 0.75
𝑃(𝐾14(5)|3) = 0
𝑃(𝐾14(1)|4) = 0 ,𝑃(𝐾14(2)|4) = 0
1
𝑃(𝐾14(3)|4) = = 0.25 , 𝑃(𝐾14(4)|4) = 0.5
4
𝑃(𝐾14(5)|4) = 0.25
𝑃(𝐾14(1)|5) = 0 ,𝑃(𝐾14(2)|5) = 0
𝑃(𝐾14(3)|5) = 0 , 𝑃(𝐾14(4)|5) = 0.2
𝑃(𝐾14(5)|5) = 0.8
𝑃(𝐾14(1)|6) = 0 ,𝑃(𝐾14(2)|6) = 0
𝑃(𝐾14(3)|6) = 0 , 𝑃(𝐾14(4)|6) = 0
𝑃(𝐾14(5)|6) = 1
𝑃(𝐾15(3)|2) = 0 , 𝑃(𝐾15(4)|2) = 0
𝑃(𝐾15(5)|2) = 0
4
𝑃(𝐾15(1)|3) = 4 = 1 , 𝑃(𝐾15(2)|3) = 0
𝑃(𝐾15(3)|3) = 0 , 𝑃(𝐾15(4)|3) = 0
𝑃(𝐾15(5)|3) = 0
3
𝑃(𝐾15(1)|4) = 4 = 0,75 , 𝑃(𝐾15(2)|4) = 0
1
𝑃(𝐾15(3)|4) = 4 = 0,25, 𝑃(𝐾15(4)|4) = 0
𝑃(𝐾15(5)|4) = 0
3 1
𝑃(𝐾15(1)|5) = 5 = 0,6 , 𝑃(𝐾15(2)|5) = 5 = 0,2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
1
𝑃(𝐾15(3)|5) = = 0,2, 𝑃(𝐾15(4)|5) = 0
5
𝑃(𝐾15(5)|5) = 0
3
𝑃(𝐾15(1)|6) = 3 = 1 , 𝑃(𝐾15(2)|6) = 0
1
𝑃(𝐾15(3)|6) = 5 = 0,2, 𝑃(𝐾15(4)|6) = 0
𝑃(𝐾15(5)|6) = 0
1 1 2 1 1 ?
𝑃(𝐾1(1)|6) = 0,67
𝑃(𝐾2(1)|2) = 0,25
𝑃(𝐾2(1)|3) = 0, 𝑃(𝐾2(1)|4) = 0,
𝑃(𝐾2(1)|5) = 0 , 𝑃(𝐾2(1)|6) = 0 ,
𝑃(𝐾3(2)|2) = 1 ,𝑃(𝐾3(2)|3) = 0,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
𝑃(𝐾14(1)|6) = 0
𝑃(𝐾15(1)|6) = 1
𝑃(3) = 0,25×0×0×0.25×1 = 0
𝑃(4) = 0,75×0×0,75×0.25×0,75 = 0
𝑃(5) = 0,2×0×0,8×0×0,6 = 0
𝑃(6) = 0,67×0×0×0×1 = 0
37
∑𝑇
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = ∗ 100%
∑𝑇 + ∑𝐹
38
39
40
41
BAB IV
Pada bab ini akan dibahas berbagai hal yang berkaitan dengan implementasi
dari sistem dan hasil yang telah didapat dari beberapa pengujian yang dilakukan,
serta analisa dari hasil penghujian.
0,65
1 2 3
3.9325
0.6852 0,95 = ∗ 100
5
0,9
0.8491 = 0.7865 ∗ 100
0,85
0.8824 0,8 = 78.65%
5 0,75
0.8627
0,7
0.6531 0,65
1 2 3 4 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
5.8721
0.6410 0,94 = ∗ 100
7
0.9211 0,89
= 0.8388 ∗ 100
0,84
0.8378 = 83.89%
0,79
0.8889 0,74
7 0.8611 0,69
0.8611 0,64
1 2 3 4 5 6 7
0.8611
7.4418
0.5806 0,95 = ∗ 100
9
0.9000 0,9 = 0.8268 ∗ 100
0.8667 0,85 = 82.69%
0,8
0.9000
0,75
9 0.8621
0,7
0.8214
0,65
0.8571 0,6
0.8462 0,55
1 2 3 4 5 6 7 8 9
0.8077
80 78,65
78
76
72,93
74
72
3 5 7 9
fold
43
44
45
46
47
BAB V
PENUTUP
5.1. Kesimpulan
48
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
5.2. Saran
50
DAFTAR PUSTAKA
Guestrin, Carlos. 2006. Naive Bayes with Continues Logistic Regression. Carnegie
Mellon University.
Prasetyo, Eko. 2012. Data Mining Konsep & Aplikasi Menggunakan Matlab.
Penerbit Andi, Yogyakarta.
Syawli, Almira dkk. Diagnosa Penyakit Diabetes Mellitus dengan Metode Naive
Bayes Berbasis Dekstop Application. Universitas Brawijaya, Malang.
WHO. 2006. Definition, Diagnosis and Classification of Diabetes Mellitus and its
Complication. WHO.
Yang, Ying dan Geoffrey I. Webb. 2005. Discretization for Naive-Bayes Learning
: Managing Discretization Bias and Variance.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
LAMPIRAN
Lampiran 1 TrainingData.fit
52
53
54
55
56
57
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
P 49 T T T Y T Y Y T T Y 257 260 0,7 11,4 15,2 44 6,7 67,7 203 5,63 13,1 7,9 DM
L 52 Y Y T Y Y T Y Y Y Y 262 283 0,6 25,3 16,1 49,3 7,4 47,5 350 5,97 5,97 DM_HIPERGLIKEMIA
L 51 Y Y T Y Y Y Y T Y Y 1,15 54,7 8,8 25,3 10,27 89,3 350 2,97 9,6 DM_HIPERGLIKEMIA
L 47 T Y Y Y T Y Y T T Y 140 195 0,78 21 11,2 33,8 20,02 85 105 3,63 38,3 DM
P 69 T T T Y T T Y T T Y 265 261 8,55 171 8,9 26,2 7,49 82,4 360 2,99 9,6 DM_HIPERGLIKEMIA
L 41 T Y Y T T Y Y T T T 111 217 0,89 24,7 13,3 37,1 12 8,5 249 4,87 12 5,2 DM
P 64 T Y T Y Y Y Y T Y Y 258 265 1,28 37,7 10,3 30,5 6,5 59 355 3,5 12,4 7 DM_HIPERGLIKEMIA
P 64 T Y T Y Y Y Y T Y Y 258 265 1,28 37,7 10,3 30,5 6,5 59 355 3,5 12,4 7 DM_HIPERGLIKEMIA
P 62 Y Y T Y Y T Y T Y Y 300 343 1,7 76,4 10,6 30,2 62,4 61 355 3,54 9,8 DM_HIPERGLIKEMIA
P 36 T Y T T T Y Y T T Y 144 161 0,62 25,8 13,3 37,9 9,6 8,5 250 4,67 12,6 5,4 DM
L 49 T T Y Y T Y Y T T Y 257 242 1,79 31,4 13,8 39,2 11,6 77,9 186 4,54 12,1 9,3 DM
P 62 Y Y T Y Y T Y T Y Y 300 343 1,7 76,4 10,6 30,2 62,4 61 355 3,54 9,8 DM_HIPERGLIKEMIA
L 45 T Y T Y T Y T T T Y 208 230 1,38 37,8 15,3 43,9 18,6 125 6,98 12,4 7,5 DM
P 49 T Y T Y T Y Y Y T Y 117 163 0,84 38,4 10,2 31,8 7 87,8 249 4,2 14,4 7,5 DM
P 57 T T Y Y T Y T T T Y 224 222 1,17 40,1 12,6 36,6 3,9 70,1 160 4,45 12,4 8,2 DM
P 53 T T T T T T Y T Y T 403 399 0,78 27,45 11,6 35,1 9,37 80 452 6,19 10,7 DM_NEUROPATI
P 49 T Y T Y T Y Y T T T 174 183 0,98 43,1 13,5 41,5 7,84 58,8 110 4,54 9,9 DM
P 47 T T Y Y T Y T T T Y 257 210 1,09 45 11 34,3 8,4 59,9 250 4,07 12,6 10,6 DM
P 49 T T T Y T Y T T T Y 100 202 1,52 73,6 8,6 25,4 6,1 19,9 6,6 DM
L 49 T Y Y Y T Y T Y T Y 257 260 2,1 111,9 11,3 13,3 DM
P 45 Y T T Y T Y T T T Y 183 165 0,8 12,2 13,7 40,8 12,09 77,4 111 4,74 8,9 DM
L 53 T T T T T T Y T Y T 403 335 0,78 29 11,6 35,1 9,37 80 452 6,19 10,7 DM_NEUROPATI
P 48 Y Y T Y T T Y Y Y Y 0,68 26,8 10,8 33 8,59 74,1 350 4,41 8,8 DM_HIPERGLIKEMIA
P 44 Y T T Y T Y T T Y Y 256 260 0,74 12,4 11,8 34,8 8,58 81,8 249 4,07 10 DM
P 50 Y Y T Y Y Y Y Y Y Y 258 288 5,07 187,5 10,8 65,2 52,2 10,8 DM_HIPERGLIKEMIA
59
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
P 60 Y T T T T Y T Y Y Y 198 258 1,19 27 13,4 40,5 5,71 49,2 249 4,95 9,4 DM
P 68 Y T Y Y T Y Y T T Y 249 258 1,14 27,3 13,3 39,4 6,51 38,2 232 4,31 9,9 DM
L 47 Y Y T Y T Y Y T T T 122 205 1,25 27,4 13,2 40,4 2,53 61,4 142 5,24 9,8 DM
L 56 Y Y Y T T Y T Y T Y 142 262 0,88 27,6 14,4 43,9 9,4 60,3 206 4,63 9,8 DM
L 58 Y T Y Y T Y Y Y T Y 256 260 0,85 28,6 11,5 32,6 6,5 61,5 124 4,21 12 9,3 DM
L 64 Y T T Y T T Y T T Y 265 266 0,8 36,4 12,7 39,3 11,01 83,7 355 4,58 7,8 DM_HIPERGLIKEMIA
L 49 Y Y Y Y T Y Y Y Y Y 211 1,27 29,8 16,9 50,1 5,99 56,2 161 5,42 9,9 DM
P 69 T Y T Y Y T Y Y Y Y 0,65 40,1 13 36,6 7,39 78,7 356 4,16 9,3 DM_HIPERGLIKEMIA
P 45 Y Y Y T T Y T Y Y Y 222 260 0,94 31,4 15 43,6 87,9 8,96 126 5,14 11,4 DM
L 41 Y Y T Y T Y Y Y Y Y 251 1,18 32,8 14,9 42,5 13 75,7 236 4,71 8,8 DM
P 52 Y Y T Y Y Y Y Y Y Y 0,76 42,53 13,1 37,3 4,13 32,9 350 4,43 9,6 DM_HIPERGLIKEMIA
L 70 T T T T T T Y T T Y 415 392 0,99 37 12,5 35,3 10,35 65 452 3,89 8,3 DM_NEUROPATI
L 58 T Y T Y T Y Y Y T Y 310 270 0,86 20,2 13,4 40,2 6,66 48,7 356 4,89 9,5 DM_HIPERGLIKEMIA
P 46 Y Y Y Y T Y Y T T T 142 154 0,6 33,9 11,2 32,4 7,09 86,3 186 3,77 8,2 DM
P 58 Y T Y T T Y Y T T Y 257 260 1,12 34,7 12,5 37 90,2 249 52,4 8,9 DM
L 69 T Y T Y T Y Y Y T Y 310 270 0,86 20,2 13,4 40,2 6,66 48,7 356 4,89 9,5 DM_HIPERGLIKEMIA
P 52 Y Y T Y T T Y T Y Y 265 277 0,6 12 13,8 40,6 1,93 71,3 350 4,68 12,3 DM_HIPERGLIKEMIA
L 68 Y Y T T T Y Y T T Y 256 259 1,22 34,7 12,5 37 90,2 249 52,4 8,9 DM
L 43 Y T Y Y T Y T T T Y 257 260 1,34 34,9 14,4 41,3 9,8 7,2 163 5,1 13,3 7,3 DM
L 52 Y Y T Y T Y Y Y Y Y 262 270 1,28 33,9 14,1 41,6 10,33 86,1 359 4,6 11 DM_HIPERGLIKEMIA
L 52 Y Y T Y T Y Y Y Y Y 262 270 1,28 33,9 14,1 41,6 10,33 86,1 359 4,6 11 DM_HIPERGLIKEMIA
L 46 Y Y T T T Y T T T Y 202 209 1,55 35,3 13,6 12,9 5,7 DM
L 47 Y Y T Y T Y T T T Y 233 0,9 35,4 13,1 39,8 60,7 45,9 8,2 DM
P 62 T T T Y Y Y Y Y Y Y 333 351 0,61 23,5 14,3 40 15,75 80 351 4,3 10 DM_HIPERGLIKEMIA
L 50 Y T T Y Y T Y T T Y 333 283 1,79 24 14,9 43 72,4 359 1,5 49,5 10 DM_HIPERGLIKEMIA
61
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L 53 Y Y Y Y Y Y T Y Y T 335 300 2,2 33,9 10,3 29,3 7,83 61,9 308 3,83 9,6 HT_DM
L 56 Y Y T T T Y Y Y Y T 254 260 1,48 46,5 10 28,8 8,83 79,1 215 3,31 8,7 DM
P 42 Y Y Y Y T Y Y Y T Y 255 260 1,36 47,6 11 68,6 47,6 DM
P 58 Y T Y T Y Y Y T T Y 257 266 1,11 51 11,3 34,8 10,13 69,3 164 4,24 39,1 DM
P 62 Y Y Y Y Y T T Y T Y 356 301 1,68 75,2 10,4 30,6 12,35 78,5 306 3,6 9,5 HT_DM
P 60 Y Y T T Y Y T Y Y T 256 251 1,6 51,4 12,2 35,1 6,68 70,8 249 4,17 8,9 DM
P 62 Y Y Y T Y T T Y T T 334 300 0,77 16,3 10,5 32,6 12,3 85,4 307 5,94 15,6 3,6 HT_DM
P 62 Y Y Y T Y T T Y T T 334 300 0,77 16,3 10,5 32,6 12,3 85,4 308 5,94 15,6 3,6 HT_DM
L 58 Y Y Y T Y Y T T T Y 238 260 1,89 54,6 9,8 28,1 9,2 89,5 105 3,36 14,8 3,9 DM
P 58 Y T T T Y Y T T Y Y 107 143 1 55,3 16,9 31,6 3,7 97,5 104 4,4 13,6 6,1 DM
P 56 Y T T T Y Y T T T Y 225 248 1,79 58,1 10,6 28,9 11 86,5 104 3,42 12,6 11,4 DM
L 46 Y Y T Y Y Y T T T Y 257 260 0,85 58,5 14,1 78,4 48,8 9,9 DM
P 54 T T Y Y Y T T Y T T 360 301 1,9 61,6 10,6 31,2 12,98 81,3 331 3,56 8,7 HT_DM
P 46 Y Y Y Y Y T T Y T Y 360 353 2,67 94,9 10,9 18,7 14,9 5,7 HT_DM
L 49 Y T Y Y Y Y Y Y T Y 254 260 1,17 58,6 11,1 32,5 2,7 68,2 49,6 11,7 DM
P 49 Y Y T T Y Y T T T T 162 221 1,64 64,6 12,8 37,6 9,14 90 250 4,55 11,7 DM
P 65 T Y Y T Y T T Y T Y 352 305 1,89 26 11,3 34 19,82 305 4,17 35,9 11 HT_DM
L 61 T T Y T Y Y T Y Y Y 355 301 0,92 29,1 11,5 33,3 3,6 49 321 4,45 13,8 6,2 HT_DM
P 64 T Y Y T Y T T Y Y Y 360 302 1,57 34,3 11,6 33 10,01 90,2 321 4,07 8,3 HT_DM
P 80 Y Y Y Y Y Y T Y T T 360 322 1 37 11,9 35,3 9,35 64,7 301 3,87 8,3 HT_DM
L 56 Y Y Y T Y Y T Y Y Y 254 260 0,83 70,4 2,9 8,8 4,01 58,5 104 1,08 11 DM
L 49 Y Y Y Y Y Y T T T Y 166 149 4,3 74 8,7 26,1 10 92,6 110 3,06 13 6 DM
P 60 Y Y T T Y Y T T T Y 100 135 1,62 74,1 10,7 31,2 6 92,5 110 47,7 10,1 DM
L 63 Y T T Y Y Y Y T T Y 256 260 1,95 78,2 8,2 25,5 15,7 94,8 250 2,97 12,6 DM
L 36 Y Y Y Y Y Y T Y T Y 460 308 11,9 69,1 42,8 9,8 HT_DM
63
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
P 57 Y Y Y Y Y Y T Y T Y 353 311 1,01 19,3 12,1 36,2 6,16 57,8 323 4,19 9,7 HT_DM
P 55 Y Y T Y Y Y T Y T Y 254 260 1,2 79,8 10,1 30 21,39 83,1 120 3,43 8,2 DM
P 45 Y T T Y Y Y Y T Y T 190 233 1,08 82,6 10,9 33,5 11,18 67,4 160 4,11 11,6 DM
L 49 Y Y Y Y Y Y Y T T Y 183 260 1,05 84 11,1 31,1 21,7 8 DM
L 52 Y Y Y Y Y T T Y T Y 335 300 1,44 36 12,1 38,3 5 79,8 321 4,55 13,7 6,4 HT_DM
P 45 Y T Y T Y Y Y Y Y Y 310 221 0,55 89,1 15,1 43,3 10,52 82,8 132 4,79 11,5 DM
P 43 Y Y T Y Y Y T T Y Y 257 1,1 96,7 10,4 30,3 15,43 89,2 105 3,81 8,6 DM
P 80 Y Y Y Y Y Y T Y Y Y 334 300 0,72 40 12,3 35,9 8,54 64,1 301 5,01 11,4 HT_DM
P 80 Y Y Y Y Y Y T Y Y Y 334 300 0,72 40 12,3 35,9 8,54 64,1 301 5,01 11,4 HT_DM
L 45 Y Y Y Y Y Y T T T Y 222 260 2,1 99,2 12,7 37,6 12,91 83,3 250 4,33 11,1 DM
L 44 Y Y Y T Y Y T T T Y 206 232 0,76 126 16,6 48,1 18,96 16,91 110 5,64 41,5 DM
P 64 Y Y T Y Y Y T T T Y 222 4,43 151 7,9 24,9 12,4 93,9 125 2,99 13,1 9,7 DM
P 57 Y Y Y T Y Y Y T Y Y 145 257 13,1 40,9 13,18 66,7 120 4,6 7,7 DM
P 55 T Y Y Y Y Y T Y Y Y 352 340 1,66 43,1 12,3 41,8 7,48 55,8 322 4,54 10 HT_DM
P 77 Y Y Y Y Y Y T Y Y Y 334 300 0,72 50 12,3 40 8,54 64,1 331 5,01 12 HT_DM
P 58 Y Y Y Y Y Y Y Y Y Y 163 240 9,7 29,2 7,09 60,9 249 3,33 8,6 DM
P 48 Y Y T Y Y Y T T T Y 257 260 1,7 9,6 27,8 5,21 72 145 3,23 9,9 DM
P 58 T Y Y T Y T Y Y Y Y 361 351 1,2 10,5 10,7 32,1 9,46 80,5 251 3,83 8,1 ULKUS_DM
P 56 Y T Y Y Y T T Y T Y 334 300 4,95 146,5 12,4 37,9 12 84,9 349 4,64 12,8 HT_DM
P 52 Y Y Y Y Y T Y Y T Y 388 381 0,68 14,9 13,5 39,8 10,9 268 5,11 ULKUS_DM
P 61 Y Y T T Y T Y T T T 387 0,99 21,7 14,6 43,7 9,37 55,4 300 4,2 49,4 10,6 ULKUS_DM
P 61 Y Y T T Y T Y T T T 0,99 21,7 14,6 43,7 55,4 4,2 49,4 10,6 ULKUS_DM
P 63 Y Y Y Y T T T T Y Y 383 378 1,19 27,5 11,3 33,5 4,93 47,6 286 4,09 19 9,8 ULKUS_DM
P 55 T T T Y Y T T T T Y 378 390 0,95 27,9 10,2 30,1 9,4 68,4 251 2,2 4,4 ULKUS_DM
L 80 T T T T Y T T T T Y 378 351 1,12 28,3 12,9 37,8 25,1 97,5 268 4,97 15,4 5,8 ULKUS_DM
64
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
P 50 Y T Y Y Y Y T Y T T 360 309 0,98 43,1 13,5 41,5 7,48 56,8 322 4,54 9,9 HT_DM
P 52 Y Y Y Y Y Y T Y T Y 358 301 0,68 14,9 13,5 39,8 10,9 82,8 349 5,17 HT_DM
L 50 Y Y T Y Y T T T T Y 363 351 0,9 57 13,7 38,9 24,52 21 300 4,71 36,1 ULKUS_DM
L 60 T T Y Y T T Y T T T 403 391 0,99 110,3 16,4 49,2 8,06 62,6 380 4,93 10,1 DM_NEUROPATI
P 74 T T Y Y T T Y Y T T 378 381 0,77 58,8 12,9 37,6 8,5 90 300 4,79 13,9 5,4 ULKUS_DM
L 68 T T Y T Y T T T T Y 378 351 1,03 60 11,9 35,4 8,1 69,1 300 4,47 33,6 12,5 ULKUS_DM
P 68 T T Y T Y T T T T Y 389 351 1,03 60 11,9 35,4 8,1 69,1 300 4,47 33,6 12,5 ULKUS_DM
L 70 T T T Y T T Y T T T 403 401 0,78 126,4 14,2 40,8 18,3 93 364 4,9 13,8 7,2 DM_NEUROPATI
P 52 Y Y Y Y Y Y T Y T Y 358 301 0,68 14,9 13,5 39,8 10,9 82,8 349 5,17 9,3 HT_DM
P 62 T T T Y Y T T T T Y 400 355 1,12 62,4 12,2 35,6 19,7 88,3 251 4,86 13,6 5,3 ULKUS_DM
P 68 Y Y Y Y Y T T Y T Y 360 301 2,55 27 13,5 41 2,42 41,3 333 4,66 9,2 9,2 HT_DM
L 50 Y Y Y T Y T T Y T Y 335 333 0,9 57 13,7 38,9 24,52 21 321 4,71 36,1 HT_DM
L 57 Y T T Y Y T T Y T T 360 301 1,19 56,8 13,8 41,9 8,9 81,2 333 4,83 12,2 HT_DM
P 62 Y T Y Y Y T T Y T T 360 301 0,63 19,8 14 41,3 2,87 48,5 301 4,91 11,7 HT_DM
L 70 T T Y Y Y Y T Y Y Y 360 341 1,28 42,01 14 41,1 7,42 68,1 331 5,44 HT_DM
L 70 Y T Y Y Y Y T Y Y Y 340 320 1,7 53,1 14,5 45,1 4,39 62,7 333 5,17 9,4 HT_DM
P 66 T T T Y Y T T T T Y 400 355 1,12 62,4 12,2 35,6 19,7 88,3 286 4,86 13,6 5,3 ULKUS_DM
P 70 Y T Y Y Y Y T Y Y Y 341 310 1,7 53,1 14,5 45,1 4,39 62,7 333 5,17 9,4 HT_DM
P 58 T T Y Y Y Y T Y T Y 349 391 0,93 37,1 14,7 42,8 9,03 78 301 4,7 10,7 HT_DM
P 60 Y T T Y Y T T T T Y 377 351 1,62 74,1 10,7 31,2 6 92,5 47,7 10,1 ULKUS_DM
P 64 Y Y Y Y Y T Y T T Y 388 390 2,47 74,5 4,86 38,4 7,87 83,6 286 3,7 44,5 9,2 ULKUS_DM
L 53 Y Y Y Y Y Y T Y Y Y 341 311 1 31,4 14,7 42,7 8,59 71,1 333 4,88 9,4 HT_DM
L 50 Y T Y T Y T T Y T Y 350 1,7 24 14,8 42,7 49,4 9 HT_DM
L 58 T T Y Y Y Y T Y T Y 334 301 1,42 43 14,8 44,2 6,24 76,8 333 5,04 38,4 HT_DM
P 71 Y T T Y T T T T T T 378 351 1,9 82,4 12,4 37,4 15,95 86,8 286 4,09 8,3 ULKUS_DM
66
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
P 58 T Y Y Y T T T Y Y Y 378 381 2,05 106,7 9,4 28,3 3,38 65,4 261 3,39 10,1 ULKUS_DM
L 61 Y Y T Y Y T T T Y Y 361 391 3,29 176 19,9 65,4 15,36 91,5 268 7,15 13,5 ULKUS_DM
P 51 Y Y T Y T T T T Y Y 7,57 195,7 7,6 22,5 79,7 55,7 8,6 ULKUS_DM
P 60 Y Y Y Y Y T T Y T Y 352 345 2,22 155 14,9 44,8 11,77 88,3 331 5,01 8,8 HT_DM
L 55 Y T Y Y Y T T Y T Y 335 301 1,28 25,3 15,4 45,7 26,9 90,7 331 4,79 12,7 5,3 HT_DM
P 70 Y Y Y Y T T Y T Y Y 362 355 9,6 28,6 4,92 77,7 268 3,1 8,2 ULKUS_DM
L 61 T T T Y T T Y T T T 403 400 0,79 13,4 14,2 41,1 7,41 83,9 363 5,15 10,3 DM_NEUROPATI
L 53 T T T T T T Y T Y T 404 335 0,79 29 11,6 35,1 9,37 80 452 6,19 10,7 DM_NEUROPATI
L 70 T T T T T T Y T T Y 405 392 0,99 37 12,5 35,3 10,35 65 452 3,89 8,3 DM_NEUROPATI
L 56 Y T T Y T T Y T T Y 400 395 0,78 41,2 11,3 34,4 6,53 71,3 400 4,08 7,2 DM_NEUROPATI
L 60 T T Y Y T T Y T T T 402 391 0,91 110,3 16,4 49,2 8,06 62,6 380 4,93 10,1 DM_NEUROPATI
67
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Kode Keterangan
K1 Jenis kelamin
K2 Keturunan
K3 Nafas
K4 Jantung dan darah
K5 Integumen
K6 Persyarafan
K7 Sendi
K8 Penglihatan
K9 Pendengaran
K10 Penciuman
K11 Pencernaan
K12 Gula darah puasa
K13 Gula darah 2 jam PP
K14 Creatin
K16 Urea
K17 Hemoglobin
K18 Hematrokit
K19 Lekosit
K20 Neutrofil
K21 Trombosit
K22 Eritrosit
K23 RDW-SD
K24 MPV
K25 Kelas
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI