Full

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KLASIFIKASI DIAGNOSA DIABETES MELLITUS
DENGAN PENERAPAN METODE NAÏVE BAYESIAN CLASIFIER
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
Thomas Wiga Heru Prasetya
(125314074)
Teknik Informatika
Fakultas Sains Dan Teknologi
Universitas Sanata Dharma Yogyakarta
2016
i
Naive Bayesian Classifier Method Implementation for Diabetes

Melitus Diagnose Classification
Thesis
Present as Partial Fullfillment of the Requirements
To Obtain Sarjana Komputer Degree
In Departement of Informatics Engineering
By :
Thomas Wiga Heru Prasetya
(125314074)
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2017
ii
HALAMAN PERSETUJUAN
iii
HALAMAN PENGESAHAN SKRIPSI
iv
MOTO
“Terang itu bercahaya di dalam kegelapan dan kegelapan itu tidak

menguasainya. ”
( Yohanes 1:5)
“Your Future is Created by What Yo Do Today, Not Tomorrow!”
“Musuh yang Paling Berbahaya adalah Penakut dan Bimbang. Teman yang
Paling Setia adalah Keberanian dan Keyakinan Untuk Mau Maju.”
(Andrew Jackson)
v
HALAMAN PERSEMBAHAN
Kupersembahkan kripsi ini untuk :
1. Tuhan Yesus Kristus yang senantiasa memberikan berkat
karunia-Nya.
2. Orangtuaku, Ignatius Sukemi dan Anna Supariyem yang tak
lelah berjuang memberikan dukungan moral maupun materiil
sampai saat ini dengan penuh kasih sayang dan cinta
kasihnya.
3. Kakakku Dominikus Nanang Purwanto, Christine Herninta,
Stevanus Widuri Nursusanto dan Andi Fransisca Natasha yang
selalu memberikan motivasi, semangat dan doa.
4. Angela Krista Juliandari yang senantiasa menemani dan
selalu memberikan semangat serta doa untuk menyelesaikan
skripsi ini.
5. Para sahabatku yang saling memberi semangat untuk
menyelesaikan skripsi.
vi
PERNYATAAN KEASLIAN KARYA
vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS
viii
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.
DM yang banyak berasal dari penyakit keturunan nyatanya memiliki banyak

cabang penyakitnya. Pengklasifikasian DM dan terhadap gejala lain yang timbul
dari DM ini ternyata dapat dilakukan secara otomatis menggunakan cabang ilmu
teknologi informasi yaitu dengan pemanfaatan suatu metode kerja penambangan
data (data mining) dengan penerapan metode Naive Bayesian Clasifier. Metode
Naive Bayesian Clasifier akan menghitung nilai probabilitas untuk setiap kejadian
dari atribut target pada setiap kasus melalui penghitungan dari data rekam medis
Diabetes Mellitus tersebut.
Keluaran dari sistem ini adalah suatu identifikasi/diagnosa tentang prediksi

penyakit DM seseorang yaitu klasifikasi DM yang diderita, murni DM atau ada
penyakit lain yang diderita. Penelitian ini menggunakan data sebanyak 258 data dan
menerapkan nilai fold sebanyak 3, 5, 7, dan 9. Hasil pengujian yang dilakukan
sebanyak 4 kali dengan rata-rata tertinggi sebesar 83.89%.
Kata Kunci : Diabetes Mellitus, Klasifikasi, Healthcare Informatics,

Naive Bayesian Clasifier
ix
ABSTRACT
The health of human beings can be so depended on many factors, such as

because of the factor of circumstances or because of the factor of genetics. The
health becomes the human’s main power to do their lives’ activities. One of diseases
which becomes a killer machine is Diabetes Mellitus (DM). Medical checkup
related to DM in medical world can be conducted by the diagnosis of the disease
which results laboratory examination data and the ill symptoms medical record. In
order to push the mortal rate from this DM disease, health experts must conduct the
diagnosis of the disease from the early beginning stage.
DM which is originated from inheritance disease in fact has many branches.

The classification of DM and toward other symptoms which arises from it, actually
can be conducted automatically using the branch of information and technology
science i.e. by the use of data mining working method and the application of Naïve
Bayesian Classifier methods. Naïve Bayesian Classifier method would count the
probability value for every event from attributive target on every case by means of
the counting from Diabetes Mellitus medical data record.
The output from this system was an identification/diagnosis about the

prediction of DM disease to a subject i.e. the classification of DM possessed by the
patient, it was purely DM or any other diseased possessed. The research used data
sum up to 258 data and applied fold value sum up to 3, 5, 7 and 9. The result of the
examination conducted summed to 12 times with the highest average was 83.89 %.
Key words : Diabetes Mellitus, classification, Healthcare Informatics,

Naive Bayesian Clasifier
x
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
7. Kakakku, Dominikus Nanang Purwanto, Stevanus Widuri Nursusanto,

Christine Herninta, dan Andi Fransisca Natasha, keponakanku Gabriel Alfa
Tanaputra serta adik-adikku Wanda, Aden, Enggar, Yora, dan Varel yang
sudah memberikan dukungan, doa, dan perhatian dalam menyelesaikan skripsi
ini.
8. Engelbert Eric dan Laurencius Echo yang selalu memberikan masukan dan
saran dalam pengerjaan skripsi ini.
9. Angela Krista Juliandari yang tida henti memberikan support, doa dan motivasi
pada proses pengerjaan skripsi.
10. Selutuh anggota Keluarga Mahasiswa/i dan Pelajar Katolik Sumatra bagian
Selatan (KMPKS) , paduan suara Senandung Nafiri dan para Frater-frater serta
Romo SCJ yang telah memberikan doa, semangat, motivasi dan tempat
berkeluh kesah dari awal proses perkuliahan sampai disaat penulis mengalami
kesusahan pada pengerjaan skripsi.
11. Teman-teman mahasiswa Teknik Informtika 2012 Alvin, Alex, Anjar, Cahyo,
Danil, Eva, Nada, Hugo, Henri, Maryadi, Wisnu, Xave, Yosua, Dhesa dan yang
tidak dapat disebutkan satu per satu. Terimakasih atas dinamika belajar yang
pernah dimulai dari awal perkuliahan hingga penulis selesai menyelesaikan
tugas akhir ini.
12. Egidius Gala Pratama, Anjar Nugraha Jati, Yuhacim Tito, Boni, Dona, Sri
Lestari, Dingo, Luna, Misti, dan Choco yang selalu memberikan inspirasi dan
semangat di rumah tinggal kepada penulis dalam perkuliahan hingga
penyelesaian tugas akhir ini.
13. Teman Genus da Music : Dolok, Novan, Teki, Bima, Yoga, Danil, Gilang,
Rino, Puput, Rani, dan Nindi yang selalu memberikan support dan semangat
dalam menyelesaikan skripsi ini.
Penulis juga menyadari bahawa banyak pihak lainnya yang berperan dan
mendukung dalam keseluruhan proses pendidikan di Universitas Sanata Dharma
Yogyakarta in. Tanpa mengurangi rasa hormat kepada seluruh pihak tersebut
namanya tidak sempat disebutkan satu per satu di dalam tulisan ini, sekali lagi
penulis mengucapkan terimakasih.
xii
xiii
DAFTAR ISI
HALAMAN PERSETUJUAN ............................................................................... iii
HALAMAN PENGESAHAN SKRIPSI ................................................................ iv
MOTO ..................................................................................................................... v
HALAMAN PERSEMBAHAN ............................................................................ vi
PERNYATAAN KEASLIAN KARYA ............................................................... vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH viii
ABSTRAK ............................................................................................................. ix
ABSTRACT ............................................................................................................ x
KATA PENGANTAR ........................................................................................... xi
DAFTAR ISI ........................................................................................................ xiv
DAFTAR GAMBAR ......................................................................................... xvii
DAFTAR TABEL .............................................................................................. xviii
DAFTAR LAMPIRAN ........................................................................................ xix
BAB I ...................................................................................................................... 1
1.1. Latar Belakang ......................................................................................... 1

1.2. Rumusan Masalah .................................................................................... 2
1.3. Tujuan ....................................................................................................... 3
1.4. Batasan Masalah ....................................................................................... 3
1.5. Metodologi Penelitian .............................................................................. 3
1.6. Sistematika Pembahasan .......................................................................... 4
BAB II ..................................................................................................................... 6
2.1. Pengertian Diabetes Mellitus.................................................................... 6

2.2. Tipe Diabetes Mellitus ............................................................................. 8
2.3. Klasifikasi Diabetes Milletus tipe 2 ......................................................... 9
2.4. Diagnosis dan Pemeriksaan Diabetes Milletus ...................................... 10
2.5. Teori Penambangan Data ....................................................................... 11
2.5.1. Definisi Data Mining ........................................................................... 11
xiv
2.5.2. Proses Penambangan Data .............................................................. 11

2.6. Generalisasi Data .................................................................................... 13
2.6.2. Diskretisasi pada Naive Bayes Clasifier ......................................... 14
2.7. Pengelompokan pada Data Mining ........................................................ 15
2.8. Teorema Naive Bayesian ........................................................................ 17
2.8.1. Pengertian Teorema Bayesian ......................................................... 17
2.8.2. Naive Bayesian Classifier ............................................................... 18
2.8.3. Evaluasi/Validasi Data .................................................................... 19
2.8.4. Akurasi Klasifikasi (Confution Matrix) .......................................... 20
BAB III ................................................................................................................. 22
3.1. Data Penelitian ....................................................................................... 22

3.1.1. Data Diabetes .................................................................................. 22
3.1.2. Skenario Pengambilan Data ............................................................ 26
3.2. Analisa Pengolahan Data ........................................................................ 27
3.2.1. Seleksi Data dan Integrasi Data ...................................................... 27
3.2.2. Cleaning Data .................................................................................. 27
3.2.3. Transformasi ................................................................................... 28
3.2.4. Penerapan Teknik Mining ............................................................... 30
3.2.5. Evaluasi Data .................................................................................. 37
3.3. Desain Pengujian .................................................................................... 37
3.4. Spesifikasi Alat....................................................................................... 40
3.4.1. Hardware ......................................................................................... 40
3.4.2. Software .......................................................................................... 40
BAB IV ................................................................................................................. 41
4.1. Analisa Hasil Akurasi Klasifikasi .......................................................... 41

4.2. Kelebihan dan Kekurangan Sistem ........................................................ 43
4.2.1. Kelebihan ........................................................................................ 43
4.2.2. Kekurangan ..................................................................................... 43
4.3. User Interface ......................................................................................... 44
4.3.1. Halaman Utama............................................................................... 44
4.3.2. Menu Import Data ........................................................................... 44
4.3.3. Menu Proses Klasifikasi .................................................................. 45
4.3.4. Menu Grafik Data ........................................................................... 46
4.3.5. Menu Confution Matrix dan Akurasi .............................................. 46
xv
4.3.6. Uji Data Tunggal ............................................................................. 47

BAB V................................................................................................................... 48
5.1. Kesimpulan ............................................................................................. 48

5.2. Saran ....................................................................................................... 49
DAFTAR PUSTAKA ........................................................................................... 50
LAMPIRAN...................................................................................................................... 51
xvi
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
DAFTAR TABEL
Tabel 2. 1 Tipe Diabetes Mellitus ........................................................................... 8

Tabel 2. 2 Klasifikasi Diabetes Milletus tipe 2 ....................................................... 9
Tabel 2. 3 Cross Validation................................................................................... 20
Tabel 3. 1 Pengelompokan Data Mentah ............................................................. 22
Tabel 3. 2 Contoh EWD ....................................................................................... 28
Tabel 3. 3 Menghitung n ...................................................................................... 29
Tabel 3. 4 Tabel Interval ...................................................................................... 30
Tabel 3. 5 Hasil Diskretisasi ................................................................................ 30
Tabel 3. 6 Contoh Tabel Training ........................................................................ 31
Tabel 3. 7 Contoh Data Tabel Testing ................................................................ 35
Tabel 3. 8 Confution Matrix ................................................................................ 37
Tabel 3. 9 Data dengan 3 Fold ............................................................................. 38
Tabel 3. 10 Data dengan 5 Fold ........................................................................... 38
Tabel 4. 1 Hasil Percobaan Klasifikasi ................................................................ 41
xviii
DAFTAR LAMPIRAN
Lampiran 1 TrainingData.fit ................................................................................ 51

Lampiran 2 Listing preData ................................................................................. 51
Lampiran 3 Listing Cleaning ............................................................................... 52
Lampiran 4 Listing EWD ..................................................................................... 53
Lampiran 5 Listing freqTable .............................................................................. 54
Lampiran 6 Listing kFold .................................................................................... 55
Lampiran 7 Listing prediction (NBC) .................................................................. 56
Lampiran 8 Data Diabetes Mellitus ..................................................................... 57
Lampiran 9 Keterangan Nama Kolom ................................................................. 68
xix
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.
1.1. Latar Belakang

Kerusakan pada kinerja organ tubuh manusia sangatlah merugikan dan
menjadi sumber masalah terbesar dewasa ini. Salah satu penyakit yang menjadi
pembunuh nomer satu di dunia adalah Diabetes Mellitus (DM). Diabetes
Mellitus merupakan salah satu penyakit metabolik yang ditandai dengan
hiperglikemia yang disebabkan karena adanya suatu gangguan sekresi insulin,
dari kerja insulin ataupun keduanya. Hiperglekemia kronis pada Diabetes
Mellitus akan menyebabkan banyak kerusakan pada oragan tubuh manusia,
contohnya ginjal, mata, saraf, jantung dan pembuluh darah (ADA, 2012).
Diabetes Mellitus dibagi menjadi beberapa tipe. Diabetes Melitus tipe
I biasanya menimbulkan gejala sebelum usia pasien 30 tahun, walaupun gejala
dapat muncul kapan saja. Pasien Diabetes Melitus tipe I memerlukan insulin
dari luar tubuhnya untuk kelangsungan hidupnya. Diabetes Melitus tipe
II biasanya dialami saat pasien berusia 30 tahun atau lebih, dan pasien tidak
tergantung dengan insulin dari luar tubuh, kecuali pada keadaan-keadaan
tertentu. Tipe Diabetes Mellitus lainnya adalah Diabetes Melitus gestasional,
yakni Diabetes Mellitus yang terjadi pada ibu hamil, yang disebabkan oleh
gangguan toleransi glogosa pada pasien tersebut.
Penyakit ini merupakan penyakit yang menurun yang bisa di turunkan
orang tua kepada anaknya, dan sangat disayangkan bila diusia yang masih
muda sudah mengalami diabetes. Setiap tahunnya penderita diabetes di
Indonesia terus bertambah. Seperti yang dilansir dari Tempo.co pada tahun
2014 penderita diabetes terkhusus di Indonesia melonjak 500 ribu orang dari
tahun sebelumnya.
1
Akibat lonjakan tersebut, Indonesia mendapatkan peringkat ke lima

dunia penderita diabetes. Tingkat kesadaran masyarakat Indonesia yang rendah
juga menjadi salah satu unsur peyebab diabetes terus-menerus merenggut
kehidupan masyarakat luas ini tanpa disadari.
Penentuan seseorang terserang Diabetes Mellitus amat sulit untuk
ditentukan. Melalui rekam medis dan uji laboratorium akan menghasilkan data
yang valid. Data yang diperoleh dari hasil rekam medis itu nantinya akan
diberikan adanya cabang dari penyakit ini, atau murni hanya diabetes saja.
Kurangnya penanganan dalam menentukan penyakit inilah yang mendorong
dunia teknologi informasi, khususnya dengan penerapat ilmu mining akan ikut
andil di dalamnya, agar mempermudah dunia medis khususnya dokter ahli
menentukan suatu klasifikasi Diabetes Mellitus kepada pasien.
Guna mendapatkan klasifikasi tentang DM dan penelitian tentang
klasifikasi dengan kasus ini, maka penulis mencoba mengaitkan kasus dengan
menggunakan metode Naive Bayes Clasifier. Metode ini pertama kali
dikenalkan oleh ilmuan Inggris bernama Thomas Bayes, yang mana metode ini
berhasil untuk menjawab permasalahan-permasalahan di bidang probabilitas
dan statistik, yang akan diterapkan untuk menjawab persoalan keterjangkitan
Diabetes Mellitus di masyarakat dewasa ini.
1.2. Rumusan Masalah

Berdasarkan paparan latar belakang di atas, masalah yang dipecahkan
dalam penelitian ini adalah:
a) Apakah metode Naive Bayesian Clasifier mampu secara otomatis
melakukan klasifikasi dari diabetes yang diderita pasien secara tepat,
dan bagaimana bentuk aplikasi untuk menentukannya?
b) Berapa besar tingkat akurasi klasifikasi dengan metode Naive
Bayesian Clasifier, jika dipakai untuk pengklasifikasian tipe Diabetes
Mellitus?
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.
1.4. Batasan Masalah

1. Penelitian kerja berada di ranah kesehatan yang membahas Diabetes
Mellitus.
2. Penelitian terhenti bila sudah dapat menentukan klasifikasi Diabetes
Mellitus dan memberikan jawaban tipe Diabetes Mellitus.
3. Sistem yang dibangun hanya digunakan untuk membantu membuat suatu
keputusan tentang jenis diabetes militus yang diderita, bukan untuk
memberikan solusi (cara penanganan).
4. Memanfaatkan metode Naive Bayes Clasifier sebagai acuan kerja sistem.
1.5. Metodologi Penelitian

Metodologi penelitian dapat dilakukan dengan penerapan proses KDD
(Knowledge Discovery in Databases) melalui beberapa tahapan sebagai
berikut:
1. Pembersihan dan penghilangan noise pada data yang inkonsisten.
2. Melakukan integrasi data dari hasil riset yang dilakukan.
3. Menyeleksi dan mentransformasi data guna menentukan kwalitas
data dari hasil mining, sehingga memudahkan untuk ditranformasi
ke bentuk data mining.
4. Penerapan konsep data mining, yaitu dengan menerapkan konsep

naive bayesian clasifier.
5. Evaluasi data hasil mining
Tahapan inilah yang akan menjadi tolok ukur keberhasilan
penerapan mining dari data yang tersedia dan akan menjadi
pengukuran akurasi untuk menentukan hipotesa data.
6. Presentasi pengetahuan.
Presentasi pengetahuan yang didapatkan dari hasil evaluasi yang
dijadikan pola untuk menentukan tahapan akhir mining yang
membantu guna menentukan keputusan dari analisa hasil
sebelumnya.
1.6. Sistematika Pembahasan

Bab I : Pendahuluan
Dalam bab ini berisi tentang pemahaman dasar tentang bagaimana latar
belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah,
metodologi penelitian yang dipakai dan sistematika penulisan.
Bab II : Landasan Teori

Dalam bab II berisi tentang teori yang digunakan guna menunjang penelitian
dan menjadi dasar atau sumber tertulis dari apa yang akan dilakukan, yaitu
berupa pengertian dan klasifikasi dari Diabetes Mellitus, teori penambangan
data, proses penambangan data, klasifikasi dan pengertian algoritma Naive
Bayesian.
Bab III : Metodologi Penelitian

Bab III berisi tentang penerapan dari konsep di bab II untuk menganalisis dan
merancang sistem sesuai dengan tahapan penyelesaian masalah dengan
penerapan algoritma yang telah ditentukan.
Bab IV : Analisa Hasil Dan Implentasi Sistem

Dalam bab ini, akan berisi tentang implementasi dari sistem (komputerisasi
sistem) berdasarkan hasil perancangan yang telah dibuat, dan akan dijelaskan
tentang analisis sistem yang telah dibuat serta kelebihan dan kekurangan dari
sistem.
Bab V : Penutup
Dalam bab ini berisi tentang kesimpulan dan juga saran-saran yang terkait
dengan seluruh proses dan penulisan tugas akhir.
BAB II
LANDASAN TEORI
Pada bab ini, akan dijelaskan tentang pengertian Diabetes Mellitus,

klasifikasi dari diabetes, diagnosa dan pemeriksaan diabetes, teori
penambangan data, proses penambangan data, pengelompokan penambangan
data dan teorema Naive Bayesian Clasifier.
2.1. Pengertian Diabetes Mellitus

World Health Organization (WHO) menyatakan bahwa Diabetes
Mellitus tidak dapat didefinisikan secara singkat dan jelas namun dapat
dikatakan sebagai kumpulan permasalahan yang kompleks tentang
anatomi dan kimiawi akibat beberapa faktor dimana terdapat defisiensi
insulin absolut (Purnamasari, 2009)
Diabetes Mellitus merupakan salah satu penyakit metabolik yang
ditandai dengan hiperglikemia disebabkan karena adanya suatu gangguan
sekresi insulin, dari kerja insulin ataupun keduanya. Hiperglekemia kronis
pada Diabetes Mellitus akan menyebabkan banyak kerusakan pada oragan
tubuh manusia, contohnya ginjal, mata, saraf, jantung dan pembuluh darah
(American Diabetes Association/ADA, 2012).
Menurut Dorland Diabetes Mellitus (DM) adalah kelainan yang
ditandai dengan ekskresi urine (pengeluaran air kencing) yang berlebihan.
Selain itu, Diabetes mellitus atau penyakit kencing manis merupakan
suatu penyakit menahun yang ditandai dengan kadar glukosa darah (gula
darah) melebihi nilai normal yaitu kadar gula darah sewaktu sama atau
lebih dari 200 mg/dl. Diagnosis khas DM pada umumnya yaitu polyuria
(banyak kencing), polydipsia (banyak minum), polifagia (banyak makan),
dan penurunan berat badan yang tidak jelas sebabnya (Misnadiarly,2006).
Hypercalcemia adalah peningkatan yang berlebihan pada kalsium

dalam darah (Dorland). Menurut Dorland Hypertension adalah tingginya
6
tekanan darah arteri secara persisten, penyebabnya mungkin tidak

diketahui (essential, idiopatic, primary) atau mungkin disebabkan oleh
penyebab lain ( secondary). Ulcus atau ulcer adalah defek lokal atau
ekskavasi permukaan suatu organ atau jarinagn, akibat pengelupasan
jaringan radang yang nekrotik (Dorland edisi 28, 2002). Selain itu Ulcus
atau ulcer merupakan penyakit lambung (penyakit maag) yang terjadi
apabila dinding lambung rusak akibat mucus yang menyelimutinya rusak.
Enzim yang dihasilkan didalam mucus memakan bagian-bagian kecil pada
lapisan permukaan lambung. Neuropathy adalah gangguan fungsional atau
perubahan patologis pada sistem saraf tepi, kadang-kadang
penggunaannya dibatasi hanya untuk lesi noninflamasi sebagai lawan dari
lesi neuritis (Dorland).
Diabetes dan hypercalcemia adalah kadar gula darah yang rendah.
Kadar gula darah yang normal 60-100 mg% . Diabetes dan hypertension
adalah penyakit yang saling berkaitan, karena penderita harus
mengendalikan tekanan darah yang berpengaruh pula pada kadar gula
yang meningkat. Diabetes dan ulcus adalah penyakit yang menyebabkan
kaki luka tak kunjung sembuh. Diabetes dan neuropathy adalah beberapa
bentuk klinis neuropati perifer (sensoris motorik, otonom, dan campuran)
yang ditemukan pada penderita diabetes mellitus, jenis yang sering terjadi
adalah polineuropati sensoris simetris kronik yang pertama kali
menyerang saraf-saraf ekstremitas bawah dan sering sekali mengenai saraf
otonom. Selain itu Diabetic Neuopaty adalah kerusakan saraf sebagai
komplikasi serius akibat diabetes. Kadar gula darah yang tinggi dapat
mencederai serat-serat saraf, umumnya pada kaki.
2.2. Tipe Diabetes Mellitus

Tipe Diabetes Melitus menurut Perkumpulan Endokrinologi Indonesia
(PERKENI) 2006 meliputi :
Tabel 2. 1 Tipe Diabetes Mellitus
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.
2.3. Klasifikasi Diabetes Milletus tipe 2
Tabel 2. 2 Klasifikasi Diabetes Milletus tipe 2
Jenis tipe 2 Keterangan dan ciri

Diabetes Milletus  Mati rasa
 Sering mengeluarkan urine
 Berat badan berkurang
 Nafsu makan meningkat
 Penglihatan mulai kabur atau buram
 Bermasalah dengan kulit (biasanya
terdapat luka)
 Mudah lelah dan emosi
 Mudah merasakan haus
 Terjadi gangguan di gusi
 Infeksi jamur
Diabetes Milletus  Kadar gula meningkat
dengan Hiperglikemia  Jantung berdebar
 Mual
 Kelemahan pada otot
Diabetes Milletus  Detak jantung berdebar
dengan Hipertensi  Sering terjadi mimisan
 Sakit kepala yang berlebihan
 Sesak nafas
 Sering buang air kecil
 Mengalami kesemutan hingga mati rasa
Diabetes Milletus  Kehilangan keseimbangan atau
dengan Ulkus koordinasi
 kram pada otot
 Obesitas
 Hipertensi
10
Diabetes Milletus  Penurunan berat badan

dengan Neuropaty  Mual muntah berwarna hitam
 Perubahan warna tinja menjadi hitam
 Nyeri pada bagian kaki
 Luka yang tidak sembuh-sembuh
2.4. Diagnosis dan Pemeriksaan Diabetes Milletus

Menurut Perkumpulan Endokrinologi Indonesia (PERKENI)
berbagai keluhan dapat ditemukan pada penyandang Diabetes Mellitus.
Kecurigaan adanya Diabetes Mellitus perlu dipikirkan apabila terdapat
keluhan klasik Diabetes Mellitus, antara lain :
a) Keluhan klasik Diabetes Mellitus berupa : poliuria, polifagia, dan
penurunan berat badan yang tidak dijelaskan sebabnya.
b) Keluhan lain dapat berupa: lemah badan (mudah capai), kesemutan,
gatal, mata kabur dan disfungsi ereksi pada laki-laki serta pruritus
vulva pada perempuan.
Selain dengan keluhan, diagnosa Diabetes Mellitus harus ditegakkan
berdasarkan pemeriksaan kadar glukosa darah dengan cara enzimatik
dengan bahan darah plasmavena. Penggunaan bahan darah utuh
(wholeblood), vena ataupun kapiler sesuai kondisi dengan memperhatikan
angka-angka kriteria diagnostik yang berbeda sesuai pembakuan World
Heald Organization (WHO). Sedangkan untuk tujuan pemantauan hasil
pengobatan dapat dilakukan dengan menggunakan pemeriksaan glukosa
darah kapiler (Gustaviani, 2006; PERKENI, 2006).
Dengan pemanfaatan diagnosa dan juga data laboratorium, dunia
teknologi informasi memberikan solusi guna pemecahan masalah
klasifikasi Diabetes Mellitus ini. Cabang ilmu data mining yaitu Healtcare
Informatics adalah cabang ilmu dari dunia mining yang secara khusus
berurusan dengan penyimpanan, penarikan, dam penggunaan data,
informasi serta pengetahuan biomedik secara optimal untuk tujuan
memecahkan permasalahan dan pengambilan keputusan yang berasal dari
dunia medis.
11
2.5. Teori Penambangan Data

2.5.1. Definisi Data Mining
Data mining adalah suatu proses untuk mencari informasi dari
database atau KDD (Knowledge Discovery in Database). Dari proses
pengolahan data tersebut akan menemukan korelasi penuh arti, pola
dan informasi yang dapat digunakan sebagai pengambilan keputusan
atau decision making (Han and Kamber, 2006).
Data mining adalah mengenai pemecahan masalah dengan
menganalisa data yang ada di dalam database dan sering juga
didefinisikan sebagai proses menemukan pola dalam data, dimana
proses tersebut harus otomatis atau semi-otomatis dan pola yang
ditemukan harus bermakna (Chakrabarti, et al., 2009).
2.5.2. Proses Penambangan Data

Di bawah ini adalah gambar alur kerja data mining untuk
menentukan suatu knowledge :
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).
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.
13
2.6. Generalisasi Data

Generalisasi data adalah ketika data level rendah (low-level data)
diganti dengan konsep yang lebih tinggi, yaitu dengan melakukan
diskretisasi. Teknik diskretisasi dapat digunakan untuk mereduksi
sekumpulan nilai yang terdapat pada atribut continuous, dengan
membagi range dari atribut ke dalam interval (Hartanto Junaedi, 2011).
Berikut ini merupakan proses kerja dari diskretisasi :
Gambar 2. 2 Proses Diskretisasi
Proses diskretisasi secara umum terdiri dari empat tahapan pada gambar
di atas, yaitu :
1. Sorting, melakukan sorting nilai atribut continuous yang akan

didiskretisasi.
2. Melakukan “cut-point”, banyak fungsi evaluasi yang dapat
digunakan seperti binning dan pengukuran entropy.
3. Splitting, dilakukannya evaluasi poin ke dua yang ada dan pilih
satu yang terbaikdan lakukan split range nilai atribut kontinu ke
dalam dua partisi. Diskretisasi berlanjut untuk tiap partisi sampai
kondisi berhenti tercapai.
4. Stopping criterion, dilakukan untuk menghentikan proses
diskretisasi.
14
Terdapat lima metode untuk melakukan diskretisasi pada data kontinu,

yaitu binning, cluster analysis, histogram analysis, entropy-based
discretization, dan segmentation by “natural partitioning”. Pada kasus data
medis yang menjadi pusat bahasan ini (penerapan Naive Bayesian Clasifier),
diskretisasi yang akan dilakukan adalah dengan metode histogram analysis
sesuai dengan bahasan dari Ying Yang dan Geoffrey I.Web di tahun 2005
tentang diskretisasi umtuk Naive-Bayes-Learning.
2.6.2. Diskretisasi pada Naive Bayes Clasifier

Diskretisasi pada Naive Bayes Clasifer ada beberapa pilihan antara
lain dengan menghitung jarak dan frekuensi, ada juga dengan
perhitungan entropi dan diskretisasi yang dilakukan setelah adanya
tes data. Berikut ini adalah dua diantara banyak metode diskretisasi
yang bisa diterapkan pada metode Naive Bayesian Clasifier.
1. Equal Width Discretization

Equal Width Discretization (EWD) pertama kali
dikemukanakan oleh Catlett pada tahun 1991 dan
dikembangkan oleh Kerber dan Dougherty. Metode ini
memungkinkan untuk menentukan interval berdasarkan
perhitungan range dari nilai minimum dan maksimum
data pada atributnya untuk didiskretisasi. Pada EWD,
pengguna metode diminta untuk menentukan besaran
jenis kelas bagian pada setiap atribut (k) sebagai
parameter. Cara hitung untuk menentukan hasil
diskretisasinya adalah nilai tiap data kontinu yang akan
didiskretisasi cari bilangan maksimum dan minimumnya
setelah itu bagi dengan nilai interval yang telah ditentukan
sebelumnya, dengan rumusan sebagai berikut :
(𝑚𝑎𝑥−𝑚𝑖𝑛)
𝑛= ............................................................(2.2)
𝑘
Untuk n adalah nilai diskretisasi yang dicari dan min-

max adalah data min dan max pada setiap atribut yang
akan didiskretisasi. Setelah n ditemukan, dapat
15
menentukan jarak interval untuk membagi datanya ke

bentuk yang lebih sederhana.
2. Equal Frequency Discretization
Equal Frequency Discretization(EFD) dikemukanan
oleh Catlett di tahun 1991 dan Kerber 1992. Jika EWD
menghitung n menggunakan nilai min-max tiap atribut,
EFD menggunakan banyaknya baris (i) pada atribut yang
dibagi oleh k, dengan rumusan sebagai berikut :
𝑖
𝑛 = 𝑘...........................................................................(2.3)
2.7. Pengelompokan pada Data Mining

1. Klasifikasi
Di dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu
pendapatan tinggi, pendapatan sedang, dan pendapatan rendah
(Kusrini, 2009).
Klasifikasi akan menggunakan data dengan target (class/label) yang
berupa nilai diskrit/kontinu. Menurut Goronescu, proses klasifikasi
didasarkan pada empat elemen penting yang sangat mendasar, yaitu :
a) Kelas
Variabel dependen dari model, merupakan variabel
kategorikal yang merepresentasikan label pada objek
setelah klasifikasinya. Contohnya adalah adanya kelas
penyakit diabetes yang diderita seseorang, kelas gempa
bumi dan banyak lainnya.
b) Prediktor
Variabel dependen dari model, yang direpresentasikan
oleh karakter khas atribut dari data yang akan
diklasifikasikan. Contohnya adalah data gejala dan hasil uji
lab.
c) Training dataset
Kumpulan dari data yang berisi nilai dari kedua
komponen di atas dan digunakan untuk melatih model
16
dalam mengenali kelas yang sesuai berdasarkan prediktor

yang tersedia.
d) Testing dataset
Berisi data baru yang nantinya akan diklasifikasikan
oleh model yang telah dibangun sebelumnya, sehingga akan
menghasilkan akurasi klasifikasi dan dapat dievaluasi.
2. Klastering
Klustering merupakan pengelompokan record, pengamatan atau
memperhatikan dan membentuk kelas objek yang memiliki kemiripa-
kemiripan (Kusrini, 2009). Klustering berbeda dengan klasifikasi
karena tidak adanya variabel target dalam pengklusteran.
3. Deskripsi
Terkadang peneliti dan analisa secara sederhana ingin mencoba
mencari cara untuk menggambarkan pola dan kecenderungan yang
terdapat dalam data. Sebagai contoh, petugas pengumpulan suara
mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa
yang tidak cukup profesional akan sedikit didukung dalam pemilihan
presiden. Deskripsi dari pola dan kecenderungan sering memberikan
kemungkinan penjelasan untuk suatu pola.
4. Estimasi
Estimasi hampir sama dengan klasifikasi, keculai variabel target
estimasi lebih ke arah numerik daripada ke arah kategori. Model
dibangun menggunakan record lengkap yang menyediakan nilai dari
variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan
berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai
variabel prediksi (Kusrini, 2009).
5. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa
metode dalam klasifikasi dan estimasi dapat diterapkan pada prediksi
(Kusrini, 2009).
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.
2.8. Teorema Naive Bayesian

2.8.1. Pengertian Teorema Bayesian
Bayesian Classifier adalah pengklasifikasian statistik yang
dapat digunakan untuk memprediksi probabilitas keanggotaan suatu
class (Kusrini, 2009). Bayesian classifier didasarkan pada teorema
Bayes yang memiliki kemampuan klasifikasi serupa dengan
decision tree dan neural network. Pendekatan teorema ini
didasarkan pada kuantifikasi trade-off antara berbagai keputusan
klasifikasi dengan menggunakan probabilitas dan nilai yang muncul
dalam suatu keputusan.
Teorema ini mampu diaplikasi pada database dengan data
yang besar dan memiliki tingkat akurasi dan kecepatan yang tinggi.
Teorema Bayesian memiliki bentuk umum sebagai berikut :
𝑃(𝐸 |𝐻 )𝑃(𝐻)
𝑃(𝐻|𝐸) = ........................................(2.4)
𝑃(𝐸)
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 :
18
1) Sebuah probabilitas awal/prior H atau P(H) adalah

probabilitas dari suatu hipotesis sebelum bukti diamati.
2) Sebuah probabilitas akhir H atau P(H|E) adalah probabilitas
dari suatu hipotesis setelah bukti diamati.
Dalam Bayes (terutama Naive Bayes), maksud independensi

yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data
tidak berkaitan dengan ada atau tidaknya fitur lain dalam data yang
sama (Eko Prasetyo, 2012).
2.8.2. Naive Bayesian Classifier

Metode Naive Bayes merupakan algoritma machine learning
yang bertipe supervised learning yang menerapkan teorema Bayes
yang “naif” dimana asumsinya adalah tiap fitur atribut datra
dianggap independen, satu dan lainnya terpisal dan memiliki nilai
sendiri (Zhang, 2004). Metode ini dianggap memiliki peforma yang
handal dan kompetitif dalam proses pengklasifikasian karena asumsi
independen atribut yang dimiliki sebuah data sangat sesuai dengan
pengaplikasiaan di dunia nyata.
Kaitan antara Naive Bayes dengan klasifikasi, korelasi
hipotesis, dan bukti dengan klasifikasi adalah bahwa hipotesis dalam
teorema Bayes merupakan label kelas yang menjadi target pemetaan
dalam klasifikasi, sedangkan bukti merupakan fitur-fitur yang
menjadi masukan dalam model klasifikasi (Eko Prasetyo, 2012).
Jika X adalah vektor masukan yang berisi fitur dan Y adalah label
kelas, Naive Bayes dituliskan dengan P(Y|X). Notasi tersebut berarti
probabilitas label Y didapatkan setelah fitur dari X diamati. Notasi
ini disebut juga dengan probabilitas akhir (posterior probability)
untuk Y, sedangkan P(Y) disebut probabilitas awal (prior
probability).
Klasifikasi Naive Bayesian yang memiliki nilai atribut yang
terpisah atau independen ini dapat dinyatakan dengan rumus sebagai
berikut :
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
Pada umumnya, Bayes mudah dihitung untuk fitur bertipe

kategories seperti pada kasus diskrit. Namun untuk fitur numerik
(data kontinu)ada perlakuan khusus sebelum dimasukkan dalam
Naive Bayes. Cara tersebut meliputi :
1) Melakukan diskretisasi pada setiap fitur kontinu dan
mengganti nilai fitur kontinu tersebut dengan nilai interval
diskret. Pendekatan ini dilakukan dengan
mentransformasikan fitur kontinu ke dalam fitur ordinal.
2) Mengasumsikan bentuk tertentu dari distribusi dengan data
penelitian. Distribusi Gausian biasanya dipilih untuk
merepresentasikan probabilitas bersyarat dari fitur kontinu
pada sebuah kelas P(Xi|Y), sedangkan distribusi Gausian
dikarakterisasikan dengan dua parameter yaitu mean, µ, dan
varian, σ2.
2.8.3. Evaluasi/Validasi Data

Pada proses evaluasi/validasi, setiap data digunakan dalam
jumlah sama untuk data training dan testing. Bentuk pendekatan ini
disebut dengan k-fold cross validation, yang mana data akan dipecah
kebeberapa bagian dari tentuan banyaknya k, dengan pembagian
yang rata dari setiap kelompok data. Setiap kali proses berjalan,satu
pecahan berperan sebagai data uji sedangakan pecahan lain menjadi
data latih. Total error yang diperoleh dapat dijumlahkan semuanya
dan akan memperlihatkan skema validasi benar dan salah (Prasetyo,
2014).
20
2.8.4. Akurasi Klasifikasi (Confution Matrix)

Metode ini hanya menggunakan tabel matriks terdapat pada
proses jika dataset memiliki kelas yaitu kelas yang dianggap positif
dan kelas lainnya merupakan kelas negatif (Bramer, 2007).
Evaluasi dengan confution matrix ini menghasilkan nilai
akurasi, precison, dan recall terhadap klasifikasi yang telah
dilakukan. Akurasi dalam klasifikasi adalah presentase ketetapan
record data yang diklasifikasikan secara benar setelah dilakukan
pengujian pada hasil klasifikasi (Han & Kamber, 2006). Sedangkan
precision atau confidence adalah proporsi kasus yang diprediksi
positif yang juga positif benar pada data yang sebenarnya. Recall
atau sensitivitas adalah proporsi kasus positif yang sebenarnya yang
diprediksi positif secara benar (Powers, 2011).
Correct Classified as
Clasification + -
+ True positives False negative
- False positive True negative
Tabel 2. 3 Cross Validation
True positive dan false positive adalah jumlah record positif

dan negatif yang diklasifikasikan sebagai positif, sedangkan false
negative dan true negatif adalah jumlah record positif dan negatif
yang diklasifikasikan sebagai negatif. Lalu masukkan data uji,
setelah itu hitung nilai yang telah dimasukkan tersebut untuk
dihitung sensitivitinya, spesifikasinya, presisinya dan akurasinya.
Berdasarkan isi matriks pada tabel tersebut maka dapat
diketahui jumlah data dari masing-masing kelas yang dipredikasi
secara benar yaitu (True positives + True negatives) dan data yang
diklasifikasikan secara salah adalah (False positive + False
negatives).
21
Kuantitas matriks dapat diringkas menjadi dua nilai yaitu

akurasi dan laju error. Dua nilai ini digunakan sebagai matriks
kinerja dengan formula sbb (Hann & Kamber, 2006) :
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖
𝑡𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓
= 𝑡𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓+𝑡𝑟𝑢𝑒 𝑛𝑒𝑔𝑎𝑡𝑖𝑓+𝑓𝑎𝑙𝑠𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑓+𝑓𝑎𝑙𝑠𝑒 𝑛𝑒𝑔𝑎𝑡𝑖𝑓
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.
3.1. Data Penelitian

3.1.1. Data Diabetes
Data diabetes yang digunakan nantinya adalah data gejala penyakit
diabetes sebanyak 274 data kotor, yang diperoleh dari studi kasus di
rumah sakit di Rumah Sakit Panti Nugroho Pakem, Daerah Istimewa
Yogyakarta.
Data tersebut nantinya akan dikelompokkan menjadi 26 atribut
termasuk atribut kelas.
Tabel 3. 1 Pengelompokan Data Mentah
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
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
24
11. Gangguan Atribut ini

Bermasalah-tidak
pada sistem menentukan terganggu
bermasalah
pendengara atau tidaknya sistem
(1..2)
n pendengaran pasien
12. Atribut ini
menentukan terganggu
atau tidaknya sistem
penciuman (1..2)
penciuman pasien
13. Atribut ini
menentukan terganggu
atau tidaknya sistem
pencernaan (1..2)
pencernaan pasien
14. Atribut ini
mendapatkan
Gula darah
informasi tentang 0..n
saat puasa
tingginya gula darah
pasien saat puasa
15. Atribut ini
mendapatkan
Gula darah informasi tentang
0..n
2 jam PP tingginya gula darah
pasien setelah 2 jam
makan
16. Atribut ini
mendapatkan
Creatine informasi tentang 0..n
tingginya kadar
creatine dalam tubuh
17. Atribut ini
mendapatkan
Urea informasi tentang 0..n
tingginya kadar urea
dalam tubuh
25
18. Atribut ini

mendapatkan
Hemoglobin informasi tentang 0..n
tingginya kadar HMG
dalam tubuh
19. Atribut ini
mendapatkan
informasi tentang nilai
Hematokrit 0..n
tingginya kadar
hematokrit dalam
tubuh
20. Atribut ini
mendapatkan
Leukosit informasi tentang nilai 0..n
tingginya kadar
leukosit dalam tubuh
21. Atribut ini
mendapatkan
Neutrosit/
informasi tentang nilai 0..n
neutrofil
tingginya kadar
neutrofil dalam tubuh
22. Atribut ini
mendapatkan
Trombosit informasi tentang nilai 0..n
tingginya kadar
trombosit dalam tubuh
23. Atribut ini
mendapatkan
Eritrosit informasi tentang nilai 0..n
tingginya kadar
eritrosit dalam tubuh
24. Atribut ini
RDW-SD 0..n
mendapatkan
26

RDW-SD dalam
tubuh
25. Atribut ini
mendapatkan
MPV MPV dalam tubuh 0..n
26. Atribut ini (2) DM

menentukan (3)
klasifikasi diabetes DM_Hiperglikemia
Kelas
yang diderita pasien (4) HT_DM
(5) Ulkus_DM
(6) DM_Neuropati
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.
3.1.2. Skenario Pengambilan Data

1. Pengambilan data diambil dengan studi kasus di Rumah Sakit
Panti Nugroho berdasarkan tipe gejala penyakit diabetes
milletus dari dokumen rekam medis perorang yang menderita
penyakit DM.
2. Data dikelompokkan menjadi 25 atribut berdasarkan sifat-
sifatnya.
3. Data diolah sedemikian rupa dengan meminimalkan/
menghilangkan missing value.
4. Data disimpan dalam file berekstensi .xlsx atau .xls. (data
terlampir pada tabel lampiran 1 ).
27
3.2. Analisa Pengolahan Data
Berikut ini merupakan langkah-langkah dari analisa pengolahan data yang

akan dilakukan
Gambar 3. 1 Alur Pengolahan Data
3.2.1. Seleksi Data dan Integrasi Data

Pada tahap ini akan dilakukan penyeleksian terhadap data
gejala terhadap data yang kurang relevan terhadap penelitian
(menghilangkan atau menghapus data gejala yang memiliki missing
value sangat banyak sehingga sulit untuk dikenali gejala ataupun
data labnya). Setelah diseleksi, dilakukan penggabungan seluruh
data yang telah diperoleh atau dilakukannya integrasi data. Setelah
itu data akan disimpan dalam satu file dengan ekstensi .xlsx atau .csv
berdasarkan atribut dari tiap gejala sesuai dengan kriteria atributnya.
3.2.2. Cleaning Data
Pada tahap ini dilakukan pembersihan data atribut uji lab.

yang kurang atau tidak relevan terhadap penelitian (pengisian
missing value), yaitu dengan melakukan pengisian nilai missing
value dengan memberikan nilai rata-rata atribut tertentu disetiap
daerah kosong dengan mengacu pada atributnya.
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.
Tabel 3. 2 Contoh EWD
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
29
2.6.2 poin 1. Nilai n tersebut dapat ditentukan dengan

mencari nilai standar deviasi dari tiap atribut.
Tabel 3. 3 Menghitung n
K3 K32 K13 K132

83 360
6889 129600
69 312
4761 97344
51 352
2601 123904
30 125
900 15625
40 222
1600 49284
∑ 273 16751 1371 415757
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
Setelah nilai n pada K3 dan K13 sudah ditemukan,

langkah selanjutnya cari nilai k dengan penerapan
rumus EWD.
𝑚𝑎𝑥−𝑚𝑖𝑛
𝑘= ..................................................(3.2)
𝑛
83−30 53
𝑘𝐾3 = = = 2.4 = 2
22 22
360−125 235
𝑘𝐾3 = = = 2.64 = 3
89 89
Selanjutnya, masukkan nilai k kedalam pembagian

interval sebanyak k bagian.
30
Tabel 3. 4 Tabel Interval
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 :
Tabel 3. 5 Hasil Diskretisasi
K3 K13 dK3 dK13

83 360 2 2
69 312 2 2
menjadi
51 352 1 2
30 125 1 1
40 222 1 2
4. Transformasi pada kolom K25 :
a. DM = 2
b. DM_Hiperglikemia = 3
c. HT_DM = 4
d. Ulkus_DM = 5
e. DM_Neuropati = 6
3.2.4. Penerapan Teknik Mining

Pada tahap ini data yang telah ditransformasi dan menjadi
data yang sangat relevan (data setelah cleaning), data gejala
Diabetes Millitus tersebut akan diklasifikasikan ke tipe dari diabetes
tersebut dengan algoritma naive bayes. Data-data tersebut akan
diolah dengan variabel input dan output, variabel input meliputi
31
atribut gejala sakit dan data lab. dan outputya adalah kelas dari
diabetes yang diderita.
Gambar 3. 2 Alur Kerja Naive Bayes
Berikut ini merupakan pengerjaan metode Naive Bayes pada

data Diabetes Milletus :
a) Setelah melakukan preprosesing pada data, selanjutnya
lakukan mining terhadap data. Yang pertama-tama
dikerjakan adalah membuat kelas training pada langkah-
langkah dibawah ini.
b) Hitung jumlah kelas/label. Untuk percontohan
pengerjaan gunakan data sbb, yang mana data diambil
secara acak dan memakai data berdasarkan hasil
transformasi data :
Tabel 3. 6 Contoh Tabel Training
K1 K2 K3 K14 K15 K25
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
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
Probabilitas K1 banding K25

1 3
𝑃(𝐾1(1)|2) = 4 = 0,25 , 𝑃(𝐾1(2)|2) = 4 = 0,75
1 3
𝑃(𝐾1(1)|3) = 4 = 0,25 , 𝑃(𝐾1(2)|3) = 4 = 0,75
3 1
𝑃(𝐾1(1)|4) = 4 = 0,75 , 𝑃(𝐾1(2)|4) = 4 = 0,25
1 4
𝑃(𝐾1(1)|5) = 5 = 0,2 , 𝑃(𝐾1(2)|5) = 5 = 0,8
33
2 1
𝑃(𝐾1(1)|6) = = 0,67 , 𝑃(𝐾1(2)|6) = = 0,33
3 3

1 1
𝑃(𝐾2(1)|2) = 4 = 0,25 ,𝑃(𝐾2(2)|2) = 4 = 0,25
2
𝑃(𝐾2(3)|2) = 4 = 0,5 , 𝑃(𝐾2(4)|2) = 0
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

4
𝑃(𝐾3(1)|2) = 0 ,𝑃(𝐾3(2)|2) = 4 = 1
4
𝑃(𝐾3(1)|3) = 4 = 1 ,𝑃(𝐾3(2)|3) = 0
1 3
𝑃(𝐾3(1)|4) = 4 = 0,25 ,𝑃(𝐾3(2)|4) = 4 = 0,75
1 4
𝑃(𝐾3(1)|5) = 5 = 1 ,𝑃(𝐾3(2)|5) = 5 = 0,8
3
𝑃(𝐾3(1)|6) = 3 = 1 ,𝑃(𝐾3(2)|6) = 0
34

𝑃(𝐾14(1)|2) = 0 ,𝑃(𝐾14(2)|2) = 0
1
𝑃(𝐾14(3)|2) = 0.75 , 𝑃(𝐾14(4)|2) = 4 = 0.25 ,
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

3
𝑃(𝐾15(1)|2) = 4 = 0,75
1
𝑃(𝐾15(2)|2) = 4 = 0,25
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
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
c) Setelah data training selesai diolah, dilakukanlah

suatu testing terhadap data. Data testing disini
penulis mencoba membuat suatu data baru. Setelah
itu lakukan penghitungan probabilitas dari masing-
masing kelas dan ditentukan bahwa probabilitas
terbesarlah yang menjadi jawaban dari kelas yang
dicari.
Tabel 3. 7 Contoh Data Tabel Testing
K1 K2 K3 K14 K15 K25
1 1 2 1 1 ?
Cari probabilitas pada hitungan dengan mencocokkan

pada tabel 3.7
𝑃(𝐾1(1)|2) = 0,25 , 𝑃(𝐾1(1)|3) = 0,25 ,
𝑃(𝐾1(1)|4) = 0,75 , 𝑃(𝐾1(1)|5) = 0,2 ,
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,
36
𝑃(𝐾3(2)|4) = 0,75 , 𝑃(𝐾3(2)|5) = 0,8,

𝑃(𝐾3(2)|6) = 0 ,
𝑃(𝐾14(1)|2) = 0.75 , 𝑃(𝐾14(1)|3) = 0.25
𝑃(𝐾14(1)|4) = 0.25 , 𝑃(𝐾14(1)|5) = 0
𝑃(𝐾14(1)|6) = 0
𝑃(𝐾15(1)|2) = 0,75 , 𝑃(𝐾15(1)|3) = 1
𝑃(𝐾15(1)|4) = 0,75 , 𝑃(𝐾15(1)|5) = 0,6
𝑃(𝐾15(1)|6) = 1
Lalu semua hasil dikalikan terhadap hasil

probabilitas berdasarkan pengelompokan kelasnya.
𝑃(2) = 0,25×0,25×1×0.75×0,75 = 0,03516
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
Setelah itu bandingkan keenam nilai tersebut, cari

nilai terbesarnya. Dan dapat diketahui nilai
probabilitas terbesar terdapat pada P(2) dengan nilai
probabilitas 0,03516. Maka dapat disimpulkan
bahwa data test tersebut termasuk kelas 2 yang
artinya pasien yang bersangkutan menderita
Diabetes Mellitus saja, tanpa ada penyakit
komplikasinya.
37
3.2.5. Evaluasi Data

Setelah dilakukannya proses modeling, maka akan dilakukan
proses menghitung akurasi dari kebenaran data dengan metode
confution matrix, yaitu dengan menjumlahkan data yang benar dan
membaginya dengan semua data yang benar maupun data salah dan
dikalikan dengan 100%. Berikut ini contoh dari confution matrix-
nya.
Tabel 3. 8 Confution Matrix

Kelas DM DM_Hiper- HT_DM Ulkus_DM DM_Neu-
glikemia ropati
DM T F F F F
DM_Hiperglike F T F F F
mia
HT_DM F F T F F
Ulkus_DM F F F T F
DM_Neuropati F F F T
Berdasarkan tabel 3.8 diatas, jumlah akurasi dari tiap

percobaan dapat dihitung dengan rumusan berikut :
∑𝑇
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = ∗ 100%
∑𝑇 + ∑𝐹
∑ 𝑇, dapat dicari dengan menjumlahkan semua T yang terdapat

pada tabel 3.8. Sementara itu ∑ 𝐹 diperoleh dari semua nilai F pada
tabel. Setelah ∑ 𝑇 dihitung, dibagikan dengan ∑ 𝑇 + ∑ 𝐹 dan
setelah itu dapat dikalikan dengan 100%.
3.3. Desain Pengujian

Langkah ini adalah proses untuk membagi data yang akan diuji
pada proses modeling terhadap metode yang dipakai yaitu Naive
Bayesian Clasifier. Berikut ini merupakan tahapan pengujiannya :
38
Gambar 3. 3 Alur Kerja Desain Pengujian

Pengujian ini dilakukan sebanyak k yang dimasukkan (jumlah k-
fold). Berikut merupakan tabel pengujian dengan menggunakan data
training dan testing sesuai dengan jumlah masukan k yang ditentukan
pengguna.
Tabel 3. 9 Data dengan 3 Fold
Pengujian Training Testing

1 1,2 3
2 1,3 2
3 2,3 1
Tabel diatas merupakan pembagian data dengan 3 fold, yaitu semua
data akan dibagi menjadi 3 bagian yang sama rata dan data-data tersebut
akan secara bergantian digunakan sebagai training dan testing.

1 1,2,3,4 5
2 1,2,3,5 4
3 1,2,4,5 3
4 1,3,4,5 2
5 2,3,4,5 1
Tabel 3.10 diatas merupakan pembagian data dengan 5 fold, yaitu
semua data akan dibagi menjadi 5 bagian yang sama rata dan data-data
tersebut akan secara bergantian digunakan sebagai training dan testing.
39

1 1,2,3,4,5,6 7
2 1,2,3,4,5,7 6
3 1,2,3,4,6,7 5
4 1,2,3,5,6,7 4
5 1,2,4,5,6,7 3
6 1,3,4,5,6,7 2
7 2,3,4,5,6,7 1

1 1,2,3,4,5,6,7,8 9
2 1,2,3,4,5,6,7,9 8
3 1,2,3,4,5,6,8,9 7
4 1,2,3,4,5,7,8,9 6
5 1,2,3,4,6,7,8,9 5
6 1,2,3,5,6,7,8,9 4
7 1,2,4,5,6,7,8,9 3
8 1,3,4,5,6,7,8,9 2
9 2,3,4,5,6,7,8,9 1
40
3.4. Spesifikasi Alat

3.4.1. Hardware
Adapun hardware yang digunakan adalah :
 Processor Intel Core I3
 RAM 4 GB
3.4.2. Software
Adapun software yang digunakan adalah :
 Sistem operasi : Microsoft Windows 10 Pro
 Tools Data mining : Matlab 2012
41
BAB IV
ANALISA HASIL DAN IMPLEMENTASI SISTEM
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.
4.1. Analisa Hasil Akurasi Klasifikasi
Berdasarkan hasil dari pengujian yang telah dilakukan dengan

menggunakan Naive Bayesian Clasifier dan juga menggunakan k-fold
validation, akan diperoleh hasil pada tabel di bawah ini dengan ketentuan
pengaruh besar kecilnya nilai k untuk penentuan interval EWD. Berikut
merupakan hasil akurasi dari klasifikasi yang telah dilakukan :
Tabel 4. 1 Hasil Percobaan Klasifikasi
Banyak Akurasi Grafik akurasi fold Akurasi Akhir

Fold Perbagia
n Data
2.1878
0.6854 0,8 = ∗ 100
3
0.8000 = 0.72926 ∗ 100
0,75
0.7024 = 72.93%
3
0,7
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
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
Dari hasil percobaan tersebut, ditemukan dan dapat diketahui bahwa

hasil akurasi terbaik terdapat pada pembagian data dengan 7 fold yaitu
dengan persentase sebesar 83.89%.. Hasil akurasi yang hampir sama
adalah pada pembagian 9 fold. Nilai akurasi di atas menjadi sangat
bervariatif karena peranan dari pembagian diskretisasi oleh EWD, juga
dibentuk karena besar/kecilnya nilai k dari EWD-nya.
Perbandingan Persentase Akurasi

86 83,89
84 82,69
82
Persentase
80 78,65
78
76
72,93
74
72
3 5 7 9
fold
Gambar 4. 1 Grafik Perbandingan Akurasi

43
Gambar 4.1 merupakan grafik perbandingan rata-rata akurasi.

Percobaan dilakukan berdasarkan nilai hasil diskretisasi menggunakan
EWD. Hasil diskretisasi akan dilakukan empat kali percobaan yang
terdapat pada setiap fold. Hasil dari akurasi di tiap fold akan dirata-rata
untuk mencari nilai akurasi yang paling besar/maksimal dari percobaan
berdasarkan hasil klasifikasinya. Berdasarkan hasil beberapa percobaan
yang telah dilakukan rata-rata terbesar terdapat pada hasil dengan nilai fold
ke 7. Hal ini terjadi karena pembagian data pada fold ke 7 lebih banyak
data yang masuk dalam kategori klasifikasi benar secara
pembagian/persebaran data, nilai errornya lebih sedikit dibanding dengan
nilai fold lainnya.
Hasil klasifikasi dari data diabetes ini sangat berpengaruh dari

bagaimana pengolahan data sebelum klasifikasinya (preprosesing).
Dengan melakukan diskretisasi terhadap data kontinu, tentu saja akan
mendapatkan perhitungan atau menjalankan proses mining dengan lebih
mudah dan hasil klasifikasi lebih jitu.
4.2. Kelebihan dan Kekurangan Sistem

4.2.1. Kelebihan
 Sistem ini mampu menangani data yang butuh pengolahan secara
khusus, yang tidak mampu dilakukan metode NaiveBayes.fit pada
fitur pilihan Matlab.
 Sistem ini mampu menganalisa dan menentukan luaran diabetes
yang ingin diketahui.
4.2.2. Kekurangan
 Data diabetes ini, tidak dapat diolah langsung menggunakan
metode Naive Bayes yang disediakan oleh Matlab, harus ada
metode pembersihan data terlebih dahulu.
44
4.3. User Interface

4.3.1. Halaman Utama
Guna mempermudah proses klasifikasi pada penelitian ini, dibuatlah
suatu user interface. User interface ini akan mempermudah dalam
proses preprosesing data dan pengklasifikasian juga untuk menguji
suatu hasil klasifikasi untuk menentukan penyakit diabetes yang diderita
seseorang. Berikut merupakan user interface yang telah dibangun
dengan menggunakan satu muka interface :
Gambar 4. 2 Halaman Sistem
4.3.2. Menu Import Data
Menu ini berfungsi untuk mengimport data training. Untuk

melakukan proses pengimportan data, klik button “Cari Data” lalu
sistem akan mengarahkan untuk memilih direktori yang akan dipakai
menjadi data training, lalu pilih open. Maka, data akan diimport dengan
otomatis dan data akan langsung di transformasi lalu akan ditampilkan
pada tabel yang telah tersedia di menu. Tabel juga berperan untuk
menampilkan data-data pada proses preprosesing selanjutnya.
45
Gambar 4. 3 Menu Import dan Tabel Data
4.3.3. Menu Proses Klasifikasi
Menu ini berfungsi untuk melakukan proses preprosesing data

dan juga melakukan klasifikasi data. Setelah data diimport, data akan
masuk proses cleaning dan transformasi klik button “Cleaning &
Transformasi” pada menu proses klasifikasi, maka data akan diubah ke
bentuk transformasi data.
Setelah itu tentukan banyaknya fold dan klik button “Klasifikasi”

untuk memulai proses klasifikasi. Setiap proses yang telah dilakukan,
perubahan data akan tersaji pada tabel utama dan akan dapat dilihat
persebaran data pada menu grafik data.
Gambar 4. 4 Menu Proses Klasifikasi

46
4.3.4. Menu Grafik Data
Menu ini berfungsi untuk melihat/memfisualisasikan persebaran

data dari proses preprosesing hingga pengklasifikasian termasuk nilai
fold yang digunakan untuk penghitungan akurasi.
Gambar 4. 5 Menu Grafik Data
4.3.5. Menu Confution Matrix dan Akurasi
Menu Confution Matrix pada bagian kiri, berfungsi untuk

menampilkan hasil perhitungan Confution Matrix akhir yang didapat
dari hasil percobaan klasifikasi. Lalu, menu “Akurasi Data” (kanan
atas), berfungsi untuk melihat akurasi dari tiap bagian data setelah
dilakukan fold yang didapat dari proses klasifikasi. Dan, menu “Akurasi
Akhir” (kanan bawah), berfungsi untuk melihat akurasi akhir dari
penjumlahan nilai akurasi di tiap bagian fold.
Gambar 4. 6 Menu Confution Matrix dan Akurasi

47
4.3.6. Uji Data Tunggal
Menu ini berfungsi untuk melakukan proses pengujian data

secara tunggal (testing). Masukkan data acak yang akan dilihat hasil
klasifikasinya pada sub-sub menu yang telah disedikan pada menu ini
(masukan berupa data sex, data umur, data gejala dan data lab., bila
masukan pada data gejala tidak diketahui berilah angka 0). Untuk data
lab, sudah terdapat contoh masukannya pada menu tersebut, yaitu
berupa range angka masukan. Setelah itu klik test, maka sistem akan
memberitahu hasil uji klasifikasinya berupa angka kelas diabetesnya
pada kotak field sebelah button “Test”.
Gambar 4. 7 Menu Uji Data Tunggal

BAB V
PENUTUP
5.1. Kesimpulan
Identifikasi klasifikasi diabetes mellitus dengan menggunakan

metode Naive Bayesian Clasifier dengan melakukan penelitian terhadap
data diagnosa dan data laboratorium, dapat diambil kesimpulan sebagai
berikut :
1. Metode Naive Bayesian Clasifier dapat melakukan dan

menentukan secara otomatis klasifikasi Diabetes Mellitus
dengan Hiperglikemia, Diabetes Mellitus dengan Hipertensi,
Diabetes Mellitus dengan Ulkus, Diabetes Mellitus dengan
Neuropati atau Diabetes Mellitus saja.
2. Metode Naive Bayesian Clasifier dibutuhkan perhatian khusus
bila menggunakan data yang sangat kompleks, karena disaat
data diskret dan numerik disajikan bersamaan, metode ini
cenderung lemah dan harus diberikan data yang lebih simpel
yaitu dengan melakukan normalisasi dalam hal ini memakai
diskretisasi terhadap data. Distribusi data akan sangat
berpengaruh terhadap hasil klasifikasi. Dan dari pengujian
sebanyak 4 kali, dihasilkan rata-rata akurasi terbaik yaitu
sebesar 83.89% dari hasil klasifikasi Naive Bayesian Clasifier
menggunakan EWD.
48
49
5.2. Saran
Berdasarkan hasil analisa dan pengujian tugas akhir ini, penulis

memberikan saran untuk perbaikan dalam pengembangan penelitian dan
sistem secara lebih lanjut, antara lain :
1. Penambahan data training untuk setiap kelas klasifikasi

terutama pada kelas Diabetes Mellitus dengan Neuropaty.
2. Menambahkan jenis kelas klasifikasi, yaitu dengan pemilihan
masukan berdasarkan data diagnosa/lab namun menghasilkan
keluaran yang lebih.
3. Hasil prediksi dapat dikembangkan ke dalam bentuk hasil uji
sistem dengan luaran berupa laporan hasil tes medis beserta
hasil uji laboratorium.
50
DAFTAR PUSTAKA
Guestrin, Carlos. 2006. Naive Bayes with Continues Logistic Regression. Carnegie
Mellon University.
Kusrini. 2009. Algoritma Data Mining. Penerbit Andi. Yogyakarta.
Lavrenko, Victor and Nigel Goddard. 2014. Introductory Applied Machine

Learning : Naive Bayes. Scholl of Informatics.
Misnadiarly. 2006. Diabetes Mellitus Gangren, Ulcer, Infeksi, Mengenali Gejala,

Menanggulangi, dan Mencegah Komplikasi. Jakarta: Pustaka Obor
Populer.
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.
51
LAMPIRAN
Lampiran 1 TrainingData.fit
Lampiran 2 Listing preData

52
Lampiran 3 Listing Cleaning

53
Lampiran 4 Listing EWD

54
Lampiran 5 Listing freqTable

55
Lampiran 6 Listing kFold

56
Lampiran 7 Listing prediction (NBC)

Lampiran 8 Data Diabetes Mellitus

K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 K17 K18 K19 K20 K21 K22 K23 K24 K25
P 49 T T T Y T Y Y Y T T 257 260 0,42 12 13 37,8 4,34 49,3 243 4,48 42,8 DM
L 46 T T T T T Y Y T T T 1,21 19 16,7 46,9 11,53 10,13 250 5,2 38,2 DM

L 49 T Y T Y T Y Y T Y T 257 260 0,83 24,4 15,1 43,6 18,1 77,1 203 4,8 10,5 DM
P 52 T Y T Y Y T Y T T Y 258 300 0,99 12,7 8 22 12,18 83 350 2,61 11,4 DM_HIPERGLIKEMIA
L 45 T Y Y Y T Y T T T Y 208 230 1,38 37,8 15,3 45,9 18,6 15,5 125 4,44 12,4 7,5 DM
L 49 T T T T T Y T T T T 222 203 1,49 84,2 11,8 34,4 3,7 51,7 104 4,26 14,3 8 DM
P 61 T Y T Y Y T Y T T Y 258 300 0,99 12,7 8 22 12,18 83 350 2,61 11,4 DM_HIPERGLIKEMIA
P 62 T Y T Y Y Y Y T Y Y 317 278 1,2 21,1 10,2 36,5 9,2 65,2 355 4,3 13,4 DM_HIPERGLIKEMIA
L 61 T T T Y T T Y T T T 402 400 1,53 13,4 14,2 41,1 7,41 83,9 363 5,15 10,3 DM_NEUROPATI
P 65 Y T Y T T Y Y Y Y Y 256 258 1,01 15,3 12,9 37,6 19,58 91,9 179 4,17 11,3 DM
P 69 T T T Y T Y Y T T Y 260 266 1,64 75 10,8 32,1 6,1 67,5 359 3,37 39,2 DM_HIPERGLIKEMIA
P 52 Y Y T Y T Y Y T Y Y 258 261 0,75 26,1 10,9 32,9 61,7 46,7 9,4 DM_HIPERGLIKEMIA
L 50 Y Y T Y Y Y Y T T Y 315 280 1,05 84 11,1 31,1 21,7 8 DM_HIPERGLIKEMIA
L 69 Y Y T Y Y Y Y T T Y 332 280 1,05 84 11,1 31,1 21,7 8 DM_HIPERGLIKEMIA
L 49 Y T T Y T Y T Y Y Y 257 260 0,8 24,1 15,4 46,4 9,76 67,7 249 4,6 9,8 DM
P 58 Y Y T Y T Y Y Y T Y 100 210 0,76 24,4 11,4 32,8 13,12 78,7 172 3,61 11,5 DM
P 58 T Y T Y Y Y Y T T Y 258 266 1,1 58,7 11,3 33,6 7,22 63 356 4,09 9,3 DM_HIPERGLIKEMIA
P 58 T Y T Y Y Y Y T T Y 258 300 1,1 58,7 11,3 33,6 7,22 63 356 4,09 9,3 DM_HIPERGLIKEMIA
L 63 Y Y T Y Y Y Y T T Y 260 261 0,9 58,1 11,4 33,1 8,74 80,8 352 3,6 7,4 DM_HIPERGLIKEMIA
P 52 Y Y T Y Y Y Y Y Y Y 258 283 11,6 34,5 10,8 89,8 352 3,95 8,7 DM_HIPERGLIKEMIA
L 71 T T T Y Y Y Y T T T 410 399 0,92 17,6 14,3 43,1 8,73 87,4 363 4,94 9,1 DM_NEUROPATI
P 41 Y Y Y Y T Y Y Y Y T 0,83 33,19 10,6 31,4 25,47 95,4 215 3,95 10,2 DM
57
L 49 Y T Y Y T Y Y Y T T 1,28 33,9 14,4 41,6 10,33 86,1 225 4,6 11 DM

P 60 T Y T Y Y T Y T T Y 314 1,32 33,7 11,7 34,3 16,98 79,9 350 3,83 11,4 DM_HIPERGLIKEMIA
P 58 Y Y T Y Y Y Y Y Y Y 262 353 1,95 109 11,8 35,3 15,26 89,9 357 4,29 38,7 DM_HIPERGLIKEMIA
L 66 T T T Y Y T Y T T Y 333 263 2,52 54,9 12,1 35,3 10,1 83,1 362 4,37 13,3 8,4 DM_HIPERGLIKEMIA
L 60 T T T Y Y T Y T T Y 278 273 1,47 38 12,9 37,9 7,6 77,6 359 4,53 12,5 7,4 DM_HIPERGLIKEMIA
L 49 Y Y Y Y T Y Y T Y T 210 230 0,8 38,9 13,3 40 13,68 89,5 250 4,95 8,7 DM
P 46 Y T T T T Y T T T T 1,02 39,6 11,6 34,1 9,58 70,9 120 4,51 8,7 DM
L 66 Y Y T Y Y T Y T T Y 332 300 1,34 26,4 13,3 40,2 12,68 82,6 350 4,43 9,9 DM_HIPERGLIKEMIA
L 46 Y Y T Y T Y Y Y T T 254 226 1,53 52,5 16,4 45,2 2,07 63,3 104 5,61 10,6 DM
L 55 Y Y Y T T Y T Y T Y 1,53 60,5 14,1 42,1 5,33 73,5 110 4,93 10,9 DM
P 49 Y Y Y T T Y T T Y Y 254 260 1,89 66,6 8,7 26,8 19,1 90,5 249 3,37 10,2 DM
P 52 T T T Y Y T Y T T Y 319 283 13,5 38,6 24,7 23,3 355 4,54 12,7 4,7 DM_HIPERGLIKEMIA
L 60 Y Y T Y T Y Y Y T Y 230 1,8 67,9 16,9 31,6 8,96 49,8 110 4,19 8,3 DM
L 60 T T T Y Y Y Y T T Y 277 288 1,19 51 14,8 41,3 21,1 95,2 355 5,2 12,8 9,5 DM_HIPERGLIKEMIA
P 45 Y T T Y T Y Y Y T Y 181 224 0,79 69,2 10,3 30,7 22,5 87,3 140 3,74 12 DM
L 65 Y Y Y Y T Y T T Y T 100 108 1,86 73,8 9,2 26,6 0,33 90,7 110 3,12 9,8 DM
L 49 Y Y T Y T Y T Y Y Y 225 253 1,07 75,59 12,6 36,3 9,86 51,3 182 4,04 9,3 DM
P 45 Y T T Y T Y Y Y T Y 160 203 1,16 87,6 11,5 35,4 12,2 94,8 201 4,26 11,7 DM
P 54 T T T Y Y T Y T T Y 265 300 0,85 47,1 14,9 43,4 27 68,7 359 45,2 15,6 DM_HIPERGLIKEMIA
L 52 T T T Y Y T Y T T Y 300 274 1,38 37,8 15,3 45,9 18,6 83,4 361 6,96 12,4 7,5 DM_HIPERGLIKEMIA
P 45 Y Y Y T T Y T Y T Y 256 260 1,04 108 9,6 27,9 4,03 59 109 3,14 11,7 DM
L 58 Y Y Y Y T Y T T Y Y 194 197 2,34 109,1 14 38,1 6,6 12,8 6,1 DM
L 49 Y T T Y T Y Y Y Y Y 225 210 2,1 111,9 11,3 33 15,7 3,7 DM
P 49 Y T T Y T Y T T T Y 7,57 195,7 7,6 22,5 79,7 55,7 8,6 DM
L 57 Y Y T T T Y T Y Y Y 142 210 13,8 38,4 12,98 86,6 137 4,37 10,4 DM
58
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
P 69 Y Y T Y Y T Y Y T Y 312 266 8,56 175 11 25 8,1 82,4 360 3,02 10 DM_HIPERGLIKEMIA

P 69 T T T Y Y T Y Y T Y 313 261 1,1 22,4 11,1 31,1 4,4 70,2 360 3,62 12,6 5,7 DM_HIPERGLIKEMIA
P 42 Y Y Y Y T Y Y T T Y 177 253 0,84 14,5 9,7 29,7 9,3 6,5 110 4,54 15 7,1 DM
L 49 Y Y T Y T Y T Y Y Y 171 253 0,77 19 13,9 40,9 9,37 38,8 249 4,35 10,2 DM
P 65 Y Y Y T T Y Y T Y Y 256 260 1,39 20,3 13,5 38,3 9,6 49,2 249 4,83 12,4 7,9 DM
L 69 T T T Y Y T Y Y T Y 265 261 8,56 172 11,3 27,2 7,5 82,4 360 3,02 13,7 9,2 DM_HIPERGLIKEMIA
L 69 T Y T Y Y T Y Y T Y 265 261 8,56 172 11,3 27,2 7,7 82,4 360 3,02 13,7 10 DM_HIPERGLIKEMIA
P 55 Y T T Y T Y Y T T Y 225 260 0,53 22,1 14,5 42,3 7,01 67,1 114 5,04 10,6 DM
L 49 Y Y T Y T Y Y Y Y Y 234 191 0,83 22,8 14,6 41,7 8,2 65,5 110 4,82 9,4 DM
L 67 Y Y Y T T Y Y T T Y 188 220 1,68 23,6 11,8 34,5 5,34 62,1 125 3,97 8 DM
L 67 Y Y Y T T Y Y T T Y 188 220 1,68 23,6 11,8 34,5 5,34 62,1 125 3,97 8 DM
P 61 Y T T Y T T Y T T Y 316 300 1,37 17,1 11,5 32,6 8,36 73,9 362 3,72 9,5 DM_HIPERGLIKEMIA
L 49 Y T Y T T Y Y T T Y 254 260 1,79 24 14,8 42,7 72,4 1,6 49,4 9 DM
P 49 Y T Y T T Y Y T T Y 254 260 1,79 24 14,8 42,7 72,4 1,6 49,4 9 DM
P 61 Y T T Y T T Y T T Y 1,37 17,1 11,5 32,6 8,36 73,9 361 3,72 9,5 DM_HIPERGLIKEMIA
L 59 Y Y T Y Y T Y T T Y 260 283 1,1 30 11,9 34,1 25,56 90 352 4,08 7,5 DM_HIPERGLIKEMIA
L 66 Y T T Y Y T Y Y Y Y 314 265 2,52 54,9 12,1 35,3 10,1 83,1 362 4,37 13,3 8,4 DM_HIPERGLIKEMIA
P 56 Y Y Y T T Y T T T Y 256 260 1,07 24,6 13 38,4 5,85 50,5 249 4,5 10,1 DM
P 55 T Y T Y Y T Y Y Y Y 300 297 1,05 14,9 12,1 32,6 9,37 82,4 362 4,54 DM_HIPERGLIKEMIA
P 55 T Y T Y T T Y Y T Y 265 288 0,82 44,89 12,4 37,4 7,06 56 350 4,43 9 DM_HIPERGLIKEMIA
L 49 Y T T Y T Y T T T Y 103 108 0,64 24,9 12,7 35,8 8,4 81,7 221 4,38 13 4,9 DM
P 49 Y Y Y Y T Y Y T Y T 119 148 0,75 26,1 10,9 32,9 61,7 46,7 9,4 DM
P 48 Y Y T Y T Y Y T T Y 138 260 0,68 26,8 16,9 33 8,59 74,1 111 4,41 8,8 DM
L 43 T T T Y T T Y T T Y 403 402 0,82 35 17 49,5 6,14 68 374 5,36 11,2 DM_NEUROPATI
L 49 Y T Y Y T Y Y T Y Y 226 260 0,98 26,9 16,9 53,3 12,33 65,7 110 5,84 85 DM
60
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
L 49 Y Y Y Y T Y T T T Y 100 130 1,44 36 12,1 38,3 5 192 3,66 13,7 6,4 DM

L 47 Y Y Y Y T Y Y Y Y Y 140 195 1,54 36 11,2 33,8 105 3,63 38,3 DM
P 57 Y Y T Y T Y Y T Y Y 173 129 1,01 36,8 12,5 36,7 6,73 71,8 250 4,35 7,2 7,2 DM
L 48 Y Y T Y T Y T Y T Y 257 254 1,48 36,8 13,5 38,9 7,6 50 207 4,6 12,8 7,9 DM
P 55 Y Y Y T T Y Y T T Y 223 260 1,09 37,4 12,6 37,5 15,45 94,3 249 4,23 9,8 DM
L 58 T Y T Y Y Y Y Y Y Y 262 274 2,02 108 15 41,9 3,16 65 350 4,81 11,8 DM_HIPERGLIKEMIA
L 58 T Y T Y Y Y Y Y Y Y 266 274 2,02 108 15 41,9 3,16 65 350 4,81 11,8 DM_HIPERGLIKEMIA
L 56 Y Y Y T T Y T T T Y 254 250 0,99 37,5 14,5 42,2 11,2 68,3 222 4,98 12,3 7,9 DM
P 58 T Y T Y Y T Y Y Y Y 300 288 DM_HIPERGLIKEMIA
L 34 Y Y Y Y T Y Y T Y Y 257 260 1,3 38 14,5 41,1 9,72 51,7 250 4,94 9,3 DM
L 56 Y T T Y T T Y T T Y 412 395 0,77 41,2 11,3 34,4 6,53 71,3 400 4,08 7,2 DM_NEUROPATI
L 62 Y Y Y Y Y T T Y Y Y 335 231 8,2 30,2 5,29 30,2 30,2 51,29 308 3,68 9,5 HT_DM
P 49 Y T T Y T Y T T T Y 257 260 1,43 38,7 12,36 7,63 62,7 60 104 10,9 DM
L 62 Y Y Y Y Y T T Y Y Y 335 301 8,2 30,2 5,29 30,2 30,2 51,29 308 3,68 9,5 HT_DM
L 49 Y T T Y T Y Y T T T 0,8 38,9 13,3 40 13,68 89,5 250 4,95 8,7 DM
L 70 T T Y T Y T T Y T Y 6,44 250 8 23,5 10,39 96,4 301 2,75 38 HT_DM
P 83 T Y Y T Y T T Y T Y 360 301 65,2 8,1 24,2 10,6 70,4 331 3,02 13,8 4,9 HT_DM
P 49 Y Y Y Y T Y Y T T Y 224 234 2,33 39,9 10,4 305 27,8 90,5 105 3,87 12,9 5,6 DM
L 51 Y Y Y Y Y Y T Y Y Y 352 342 1,15 54,7 8,8 25,3 10,27 89,3 301 2,97 9,6 HT_DM
L 59 T Y Y T Y T T Y T Y 340 343 7,97 157,02 10,1 28,4 3,09 83,6 333 3,48 9,7 HT_DM
L 65 Y Y Y T T Y Y T Y Y 170 250 1,32 40,3 12,8 37,3 2,91 15 104 3,94 9,4 DM
L 67 Y T T Y T Y T T T Y 210 258 1,3 43 11,2 32,4 12,7 89,8 110 3,76 12,5 4,4 DM
L 60 T T Y Y Y Y T Y T Y 360 301 1,39 178,8 10,3 29,8 14,2 12,8 3,3 HT_DM
P 49 Y T Y Y T Y Y T T Y 257 260 43,4 16,3 46,6 11,1 8,2 250 5,69 13,3 5,3 DM
P 63 Y T Y Y T Y Y Y T Y 257 258 0,93 44,8 12,5 36,4 10,55 77,9 208 4,34 36,2 DM
62
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
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
L 61 T Y Y Y Y T T Y Y Y 378 355 1,13 31,3 10,4 33,5 2 12,8 4,6 ULKUS_DM

L 58 Y T T Y Y T Y Y T Y 390 1,35 33,3 11 32 8,62 79,3 265 3,52 11,9 ULKUS_DM
P 61 Y Y Y T Y T Y Y T Y 388 381 1,62 33,5 12,2 36 10,56 74,7 278 4,21 11,3 ULKUS_DM
P 46 Y T Y Y Y T Y Y Y Y 383 351 0,6 33,9 11,2 32,4 7,09 86,3 300 3,77 8,2 ULKUS_DM
P 59 Y Y Y T Y T T Y Y T 347 303 0,69 38,6 12,5 34,6 11,07 81,7 331 3,99 9,5 HT_DM
P 59 Y Y Y T Y T T Y Y T 359 312 0,69 38,6 12,5 34,6 11,07 81,7 331 3,99 9,5 HT_DM
P 69 Y T Y Y T T Y T Y Y 378 352 0,87 35,3 12,6 38,6 24,9 79,9 279 3,4 7,1 ULKUS_DM
P 59 Y Y Y T Y T T Y Y Y 340 350 0,74 33,98 12,5 36,5 9,2 75,5 333 4,14 11,7 HT_DM
P 60 T T Y T Y T T Y T Y 334 230 1,36 60,6 12,5 38 8,11 77 333 4,75 9,1 HT_DM
L 47 Y Y T Y Y T Y T T Y 362 381 0,96 35,4 13,1 39,8 30,5 45,9 8,2 ULKUS_DM
L 47 Y Y T Y Y T Y T T Y 362 381 0,96 35,4 13,1 39,8 30,5 45,9 8,2 ULKUS_DM
P 75 T T T Y Y T Y T T T 378 355 0,62 42,2 14 38,8 6,8 93 288 4,47 13,5 5,5 ULKUS_DM
P 50 Y T Y Y Y T Y T T T 378 351 0,98 43,1 13,5 41,5 7,48 56,8 286 4,54 9,9 ULKUS_DM
P 50 Y T Y Y Y T Y T T T 378 351 0,98 43,1 13,5 41,5 7,48 56,8 286 4,54 9,9 ULKUS_DM
P 65 T Y Y Y Y T T Y Y T 360 343 0,89 32,4 12,8 38,7 10,12 78,9 301 4,52 9,4 HT_DM
L 54 T Y Y Y Y T T Y T Y 351 301 1,07 43 13 36,8 9,9 81,5 331 4,79 5,8 HT_DM
L 47 Y T Y Y Y T T T T Y 388 355 0,84 45,1 8,4 23 19 78,8 251 2,6 3,4 ULKUS_DM
P 80 T T T Y Y T T T T Y 388 352 1,41 52 10,8 30 30,2 63,8 268 6 6,9 ULKUS_DM
P 89 T T Y T Y T T Y T Y 388 352 0,92 54,2 13,5 37,9 18,64 89,4 270 4,27 10,9 ULKUS_DM
L 60 T T Y Y Y T T Y T Y 360 301 1,87 14,7 13,3 36,3 42,8 97,4 321 4,33 35,3 9,4 HT_DM
P 73 Y T Y Y Y T Y T T T 388 352 1,52 55 11 32,5 30,2 69,5 269 7,2 7 ULKUS_DM
P 65 Y Y Y Y T T Y Y T T 388 390 1 55,8 11,8 39 42,77 87 251 5,3 33,6 9,7 ULKUS_DM
P 43 T Y T Y Y T Y T T T 378 352 2,1 56 10,7 34,1 9,25 87,7 268 4,03 8,3 ULKUS_DM
L 50 Y Y T Y Y T T T T Y 362 351 0,9 57 13,7 38,9 24,52 21 300 4,71 36,1 ULKUS_DM
P 55 Y T Y Y Y Y T Y T T 352 309 0,98 43,1 13,5 41,5 7,48 56,8 322 4,54 9,9 HT_DM
65
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
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
Lampiran 9 Keterangan Nama Kolom
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

Full

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

KLASIFIKASI DIAGNOSA DIABETES MELLITUS

DENGAN PENERAPAN METODE NAÏVE BAYESIAN CLASIFIER

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Thomas Wiga Heru Prasetya

Fakultas Sains Dan Teknologi

Universitas Sanata Dharma Yogyakarta

Naive Bayesian Classifier Method Implementation for Diabetes

Present as Partial Fullfillment of the Requirements

To Obtain Sarjana Komputer Degree

In Departement of Informatics Engineering

Thomas Wiga Heru Prasetya

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECNOLOGY

SANATA DHARMA UNIVERSITY

HALAMAN PENGESAHAN SKRIPSI

“Terang itu bercahaya di dalam kegelapan dan kegelapan itu tidak

“Your Future is Created by What Yo Do Today, Not Tomorrow!”

Kupersembahkan kripsi ini untuk :

1. Tuhan Yesus Kristus yang senantiasa memberikan berkat

2. Orangtuaku, Ignatius Sukemi dan Anna Supariyem yang tak

lelah berjuang memberikan dukungan moral maupun materiil

sampai saat ini dengan penuh kasih sayang dan cinta

3. Kakakku Dominikus Nanang Purwanto, Christine Herninta,

Stevanus Widuri Nursusanto dan Andi Fransisca Natasha yang

selalu memberikan motivasi, semangat dan doa.

4. Angela Krista Juliandari yang senantiasa menemani dan

selalu memberikan semangat serta doa untuk menyelesaikan

5. Para sahabatku yang saling memberi semangat untuk

PERNYATAAN KEASLIAN KARYA

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

DM yang banyak berasal dari penyakit keturunan nyatanya memiliki banyak

Keluaran dari sistem ini adalah suatu identifikasi/diagnosa tentang prediksi

Kata Kunci : Diabetes Mellitus, Klasifikasi, Healthcare Informatics,

The health of human beings can be so depended on many factors, such as

DM which is originated from inheritance disease in fact has many branches.

The output from this system was an identification/diagnosis about the

Key words : Diabetes Mellitus, classification, Healthcare Informatics,

7. Kakakku, Dominikus Nanang Purwanto, Stevanus Widuri Nursusanto,

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN SKRIPSI ................................................................ iv

HALAMAN PERSEMBAHAN ............................................................................ vi

PERNYATAAN KEASLIAN KARYA ............................................................... vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH viii

KATA PENGANTAR ........................................................................................... xi

DAFTAR ISI ........................................................................................................ xiv

DAFTAR GAMBAR ......................................................................................... xvii

DAFTAR TABEL .............................................................................................. xviii

DAFTAR LAMPIRAN ........................................................................................ xix

1.1. Latar Belakang ......................................................................................... 1

2.1. Pengertian Diabetes Mellitus.................................................................... 6

2.5.2. Proses Penambangan Data .............................................................. 11

3.1. Data Penelitian ....................................................................................... 22

4.1. Analisa Hasil Akurasi Klasifikasi .......................................................... 41

4.3.6. Uji Data Tunggal ............................................................................. 47

5.1. Kesimpulan ............................................................................................. 48

Tabel 2. 1 Tipe Diabetes Mellitus ........................................................................... 8

Lampiran 1 TrainingData.fit ................................................................................ 51

1.1. Latar Belakang

Akibat lonjakan tersebut, Indonesia mendapatkan peringkat ke lima