Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 1, No. 5, Mei 2017, hlm. 436-444 http://j-ptiik.ub.ac.id

Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada

Urin Berbasis Sensor TCS3200 Dan MQ135 dengan Metode Naive Bayes
Rint Zata Amani1, Rizal Maulana2, Dahnial Syauqy3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1yeyenrza.rza@gmail.com, 2rizal_lana@ub.ac.id, 3dahnial87@ub.ac.id,

Abstrak
Dehidrasi merupakan kondisi ketika jaringan tubuh manusia kehilangan cairan secara tidak normal dan
hal ini sangat sering disepelekan sehingga terkadang untuk kondisi dehidrasi yang cukup berat dapat
menyebabkan kematian. Namun untuk saat ini pendeteksian dehidrasi hanya berdasarkan pada analisa
tim kesehatan dengan beberapa tanda klinis penyebab dehidrasi. Dari permasalahan tesebut, diperlukan
adanya penelitian yang terkait dengan sistem otomatisasi untuk mendeteksi tingkatan dehidrasi yang
dapat digunakan orang awam, sehingga dapat mengurangi jumlah penderita dehidrasi yang tidak
tertangani karena tidak mengetahui gejala dehidrasi sejak awal. Pada penelitian ini parameter-parameter
yang digunakan untuk melakukan perbandingan tingkatan dehidrasi adalah warna dan kadar amonia
pada urin manusia. Penggunaan parameter urin sebagai obyek penelitian dikarenakan kondisi urin
mencerminkan kondisi cairan yang ada pada tubuh manusia. Proses penentuan tingkatan dehidrasi
melalui warna dan kadar amonia urin diperoleh dari nilai hasil pembacaan sensor warna TCS3200 dan
sensor gas MQ135 oleh mikrokontroler Arduino Uno dengan menggunakan metode Naive Bayes.
Metode Naive Bayes dipilih sebagai salah satu teknik untuk pengambilan keputusan jenis tingkatan
dehidrasi, karena metode ini merupakan salah satu metode klasifikasi yang cukup baik dimana kelas
penggolongan jenis tingkatan dehidrasi telah diketahui sejak awal. Dari hasil beberapa pengujian yang
dilakukan diketahui persentase error pembacaan sensor warna TCS3200 adalah sebesar 2,70% dan nilai
korelasi pembacaan sensor gas MQ135 dengan tegangan keluarannya sebesar 99,81%. Selanjutnya pada
pengujian sistem menggunakan metode Naive Bayes dengan jumlah data latih sebanyak 46 data dan data
uji sebanyak 23 data, diperoleh akurasi sebesar 95,65% dengan waktu komputasi rata-rata selama 0,69
detik.
Kata kunci: dehidrasi, urin, klasifikasi, Naive Bayes
Abstract
Dehydration is a condition when human body tissue’s loss of fluid abnormally and this condition often
underestimated by common people, so in case on serious level illness of dehydration will causes death.
However nowadays to detect dehydration still according to analysis from health team by some clinical
sign that cause dehydration. From this problem, it is needed a research about automatic system to detect
dehydration level that can use by common people, so can decrease amount of dehydration’s patient that
untreated since begining. On this research, the parameters were used to compare dehydration’s level
are color and level of ammonia in human urine. The reason of using urine as research object is because
urine condition reflect fluid condition in human body. Process to determine dehydration’s level from
color and level of ammonia in human urine is perform with read data color sensor TCS3200 and gas
sensor MQ135 by Arduino Uno Microcontroler with Naive Bayes method. Naive Bayes method is
selected as a technique to make a decision of dehydrations level because this method was one of
classification method that good, which the classification classes of dehdydration level were already
known since begining. From some testing result, it has known that the error percentage of color sensor
TCS3200 on read the color object was 2,70% and the corelation value of gas sensor MQ135 reading
with out voltage of sensor was 99,81%. And then on system testing by Naive Bayes method with amount
of training data was 46 data and testing data as many as 23 data, the accuration reached 95,65% with
average computation time was 0,69 second.
Keywords: dehydration, urine, classification, Naive Bayes

Fakultas Ilmu Komputer

Universitas Brawijaya 436
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1. PENDAHULUAN
Istilah dehidrasi sebenarnya sudah tak asing
lagi, namun kondisi ini sering disepelekan.
Padahal dalam kenyataannya dehidrasi
merupakan kondisi yang cukup berbahaya,
dimana pada tingkatan dehidrasi berat dapat
menyebabkan kematian. Besarnya tingkat
keparahan akibat dari dehidrasi tentunya
dipengaruhi seberapa besar tingkat dehidrasi
yang dialami. Terlihat dari studi terkini 46,1
persen orang Indonesia mengalami dehidrasi
ringan terutama remaja (Kompas, 2009). Data
lain menyebutkan bahwa penyebab utama
dehidrasi adalah diare yang merupakan faktor
penyebab tingkat kematian anak di dunia
sejumlah 1,5 juta anak meninggal. Di negara
maju, dehidrasi mempunyai kemungkinan lebih
kecil menyebabkan kematian, tetapi dehidrasi
menyebabkan morbiditas / kesakitan yang
signifikan. Di Amerika Serikat setiap tahunnya
terdapat 200.000 pasien dirawat di rumah sakit,
dan 300 pasien meninggal yang merupakan
anak-anak dibawah 5 tahun (Freedman & Paik,
2008). Berdasarkan data tersebut dapat
dikatakan masalah dehidrasi semacam ini tidak
boleh dibiarkan bergitu saja. Penyebab mengapa
kejadian dehidrasi mencapai angka yang cukup
tinggi adalah karena sulitnya mengetahui gejala
dehidrasi bagi orang awam.
Melihat pentingnya masalah dehidrasi,
organisasi kesehatan dunia yakni WHO telah
membuat penilaian derajat dehidrasi
berdasarkan empat parameter penilaian gejala
klinik yaitu keadaan umum, mata, rasa haus dan
penilaian turgor (tekanan elastisitas kulit),
sehingga memudahkan orang awam dalam
memahami gejala dehidrasi. Selanjutnya
menurut Eri Laksana terdapat empat tanda klinis
dehidrasi yakni jumlah defisit cairan, status
hemodinamik, kondisi jaringan tubuh, dan
kondisi urin. Jumlah dan kualitas urin serta
tingkat kesadaran merupakan tolok ukur dalam
penilaian dehidrasi. Namun dalam melakukan
penilaian terhadap parameter-parameter tersebut
masih subjektif, sehingga hasil penilaian derajat
dehidrasi antara tiap orang dapat berbeda.
Kondisi urin dalam tubuh dapat diketahui
dari warna, kejernihan dan bau. Urin memilki
tingkatan warna yang berbeda dipengaruhi oleh
tingkat konsumsi cairan yang di minum.
Konsumsi cairan yang banyak akan
menghasilkan warna urin yang bening dan cerah,
sebaliknya kekurangan cairan akan
Fakultas Ilmu Komputer, Universitas Brawijaya
437
menyebabkan warna urin menjadi pekat.
Adapun bau urin dipengaruhi oleh kandungan
amonia, dimana kadar amonia dalam urin
sebanding dengan jumlah konsumsi cairan.
Berdasarkan uraian masalah serta fakta terkait
dehidrasi yang disebutkan diatas, diperlukan
suatu alat yang dapat mendeteksi dini tingkat
dehidrasi secara otomatis dan objektif melalui
warna dan kadar amonia dalam urin.
Penelitian terkait pendeteksian dehidrasi
telah dilakukan dengan judul Pengembangan
Alat Deteksi Tingkat Dehidrasi Berdasarkan
Warna Urin Menggunakan LED dan Fotodioda
dimana pembacaan warna urin dilihat dari
karakteristik tegangan keluaran dari fotodioda
(Latif, 2016). Namun dari penelitian tersebut
mempunyai kekurangan untuk dapat membaca
warna urin dengan tepat, karena hanya membaca
nilai tegangan keluaran dari fotodioda. Oleh
karena itu pada penelitian ini digunakan sensor
khusus untuk membaca warna dari urin yaitu
menggunakan sensor TCS3200. Sensor
TCS3200 adalah IC pengkonversi warna cahaya
menjadi nilai frekuensi dan sensor ini memiliki
fasilitas untuk merekam hingga 25 data warna
berbeda (Chairunnas & Sugianto, 2013).
Selanjutnya dalam pendeteksian gas amonia
(NH3) dapat menggunakan sensor Gas MQ135
seperti pada penelitian berjudul Pemanfaatan
Sensor Gas MQ135 untuk Pendeteksi Gas
Amonia (NH3) pada Kotoran Ayam Berbasis
Arduino Uno (Hasanudin, 2015).
Dalam penentuan tingkat dehidrasi,
diperlukan metode yang tepat untuk melakukan
klasifikasi. Metode Naive Bayes merupakan
metode klasifikasi yang sangat efektif dan
efisien karena dalam melakukan klasifikasi
Naive Bayes dapat bekerja secara independen
pada setiap fitur-fitur objek yang akan dilakukan
klasifikasi (Astuti, 2016). Berlatarbelakang hal
tersebut, penulis bermaksud melakukan
penelitian yang berjudul “Sistem Pendeteksi
Dehidrasi Berdasarkan Warna dan Kadar
Amonia pada Urin Berbasis Sensor TCS3200
dan MQ135 dengan Metode Naive Bayes”.
Sehingga dengan adanya penelitian ini,
diharapkan dapat mempermudah proses
pendeteksian dehidrasi secara lebih awal
sebelum adanya diagnosa dari dokter.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2. PERANCANGAN DAN
IMPLEMENTASI
2.1 Gambaran Umum Sistem
Gambar 1. Diagram Blok Sistem
Sistem Pendeteksi Dehidrasi Berdasarkan
Warna dan Kadar Amonia Berbasis Sensor
TCS3200 dan MQ135 dengan Metode Naive
Bayes merupakan suatu sistem yang dapat
menentukan tingkatan dehidrasi seseorang
dengan parameter berupa warna dan kandungan
amonia dalam urin. Adapun nilai dari warna urin
ini akan dibaca dengan sensor warna TCS3200,
sedangkan kadar gas amonia dalam urin akan
dibaca dengan sensor gas MQ135 sesuai yang
ditunjukkan pada Gambar 1 diatas. Berdasarkan
nilai dari kedua parameter tersebut maka dapat
dilakukan klasifikasi hasilnya dengan
menggunakan metode Naive Bayes. Sistem ini
membantu menyelesaikan permasalahan
penentuan tingkat dehidrasi yang dilakukan
secara manual, dimana selama ini faktor penentu
tingkat dehidasi hanya dilakukan berdasarkan
tanda-tanda klinis yang ada, dan hal itu
menyebabkan tingkat objektifitas yang rendah.
Penggunaan metode Naive Bayes pada sistem ini
dikarenakan dalam melakukan klasifikasi, sudah
diketahui terlebih dahulu jenis klasifikasi yang
akan ditentukan yakni dehidrasi ringan,
dehidrasi sedang dan dehidrasi berat. Selain itu
metode Naive Bayes menjadi metode yang tepat
karena dapat menghasilkan tingkat akurasi yang
tinggi sesuai dengan jumlah peluang fakta yanng
dianggap benar berdasarkan data yang
sebenarnya atau yang disebut dengan data latih.
Semakin banyak jumlah data latih yang benar,
maka tingkat keakuratan sistem akan semakin
tinggi. Hasil dari pengolahan sistem ini akan
secara otomatis ditampilkan pada layar LCD
16x2.
Fakultas Ilmu Komputer, Universitas Brawijaya
438
2.2 Perancangan Sistem
Gambar 2. Desain Prototype Alat Pendeteksi
Dehidrasi
Dalam pembuatan suatu alat otomatisasi
diperlukan suatu bentuk prototype alat yang
akan diimplementasikan. Dalam melakukan
desain prototype dari sistem pendeteksi
dehidrasi ini perlu diperhatikan peletakkan tiap-
tiap komponen serta ukuran alat yang akan
dikembangkan. Pembuatan desain sistem
dirancang menggunakan aplikasi CorelDraw
untuk menggambarkan bentuk prototype yakni
berupa kotak hitam untuk menghindari
interferensi cahaya yang dapat mempengaruhi
pembacaan sensor warna TCS3200. Selain itu
Peletakkan sensor gas MQ135 dibuat demikian
agar dapat membaca nilai gas amonia dari urin
secara langsung, dimana wadah kaca tempat
menampung urin adalah wadah tanpa tutup.
Perancangan prototype sistem ditunjukkan pada
Gambar 2.
Gambar 3 merupakan gambaran skematik
elektronik perangkat keras yang akan
diimplementasikan, komponen utama yang
digunakan untuk membuat sistem diantaranya
adalah Arduino Uno sebagai otak utama dari
sistem, sensor warna TC3200, sensor gas
MQ135, LCD 16x2, push button, dan resistor
sebagai komponen untuk rangkaian pembagi
tegangan yang akan diterapkan dalam
penggunaan sensor MQ135 dan push button.
Gambar 3. Diagram Skematik Sistem
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 439

Pada dasarnya mikrokontroler akan

melakukan pembacaan nilai sensor secara terus
menerus, ketika Arduino diaktifkan.
Berdasarkan diagram alir pada Gambar 4,
terlihat bahwa sistem dimulai dengan
melakaukan inisialisasi pin dari masing-masing
sensor pada arduino IDE yang bertujuan untuk
membedakan input dan output yang akan dibaca
oleh masing-masing sensor. Selanjutnya saat
nilai masing-masing sensor sudah dapat dibaca
oleh mikrokontroler maka dilakukan proses
pengecekan penekanan push button. Apabila
terjadi penekanan push button, nilai sensor
terakhir yang terbaca akan digunakan untuk
perhitungan Naive Bayes dalam menentukan
jenis Dehidrasi berdasarkan urin yang di uji.

Gambar 5. Diagram alir perancangan

klasifikasi Naive Bayes
Selanjutnya setelah melakukan
perancangan untuk pengambilan data dari
sensor, maka dilakukan perancangan untuk
metode klasifikasinya yaitu perancangan
algoritma Naive Bayes seperti yang ditunjukkan
pada Gambar 5. Penjelasan masing- masing
fungsi pada algoritma Naive Bayes adalah
sebagai berikut:

Gambar 4. Diagram alir perancangan

pengambilan data sensor
Gambar 6. Diagram alir fungsi
ProbPrior()

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 440

Tahap pertama yang dilakukan dalam Rumus perhitungan Gaussian

mengkasifikasikan dehidrasi dengan metode (𝑋 = 𝑥𝑖 |𝑌 = 𝑦𝑖 ) (1)
(𝑥𝑖−𝜇𝑖𝑗 )2
Naive Bayes adalah menghitung nilai prior dari 1 −
2𝜎𝑖𝑗 2
masing kelas dehidrasi. Nilai prior merupakan = 𝑒
√2𝜋𝜎𝑖𝑗 2
nilai peluang terjadinya suatu kelas dengan cara
membagi banyaknya data dalam suatu kelas Rumus perhitungan mean dan standar
(dalam sistem ini terdapat 3 kelas yaitu dehidrasi deviasi
ringan, sedang dan berat) dengan jumlah ∑𝑛𝑖=1 𝑥𝑖 (2)
keseluruhan data yang ada. Data yang dilakukan 𝑥̅ =
𝑛
perhitungan nilai prior adalah data latih. (3)
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠 = √
𝑛−1

Keterangan :
(𝑋 = 𝑥𝑖 |𝑌 = 𝑦𝑖 ) : Peluang gaussian
𝜇 𝑎𝑡𝑎𝑢 𝑥̅ : nilai rata-rata (mean)
𝜎 𝑎𝑡𝑎𝑢 𝑠 : nilai standar deviasi
𝑛 : jumlah data
𝑥𝑖 : data ke-i
e : nilai eksponen (2,718282)

Gambar 7. Digram alir fungsi

Gaussian()
Tahap kedua yaitu untuk menentukan nilai
peluang dari masing-masing fitur. Terdapat 4
fitur yang digunakan dalam sistem ini yaitu 3
fitur dari pembacaan sensor warna TCS3200
(fitur R, fitur G dan fitur B) serta 1 fitur lainnya
dari pembacaan sensor MQ135 yaitu nilai PPM
amonia dari urin. Namun sebelum dapat
menentukan nilai peluang dari masing-masing
fitur, terlebih dahulu harus dilakukan
perhitungan mean dan standar deviasi dari data
latih menggunakan Persamaan (2) dan Gambar 8. Diagram alir fungsi
Persamaan (3). Pada sistem ini, data latih yang ProbPosterior()
berupa nilai mean dan standar deviasi disimpan
Tahap selanjutnya adalah menentukan nilai
pada pemrograman mikrokontroler untuk
dari peluang posterior, peluang posterior yaitu
mepermudah dalam mengakses nilai dari data
peluang untuk menentukan besarnya peluang
latih saat sistem dijalankan. Selanjut perhitungan
masing-masing kelas akan terjadi ketika adanya
Gaussian dilakukan dengan menggunakan
masukan dari tiap fitur. Pada sistem ini yaitu
Persamaan (1) seperti yang ditunjukkan pada
untuk menentukan besarnya peluang masing-
Gambar 7 dimana nilai x adalah nilai fitur dari
masing jenis dehidrasi akan terjadi ketika adanya
pembacaan sensor.
pembacaan nilai fitur R, fitur G, fitur B dan fitur
PPM. Prosesnya yaitu dengan melakukan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 441

perkalian antara hasil dari fungsi ProbPrior() Eyedropper tool pada Corel PHOTO-PAINT,
dengan fungsi Gaussian(). dimana warna yang diuji menggunakan fitur
Tahap akhir dalam pengkasifikasian dengan Eyedropper tool tersebut didapatkan dari
Naive Bayes ini adalah menentukan nilai pengambilan gambar urin yang diujikan. Hasil
peluang posterior yang tertinggi dengan cara pengujian masing-masing alat ukur tesebut
membandingkan satu sama lain antar peluang ditunjukkan pada Tabel 1 dan Tabel 2.
posterior. Jenis dehidrasi dengan nilai peluang
Tabel 1. Hasil pembacaan warna urin
posterior paling tinggi merupakan hasil yang
melalui sensor TCS3200
klasifikasi dehidrasi yang dideteksi oleh sistem.
Peng Pembacaan Sensor
2.3 Implementasi Sistem ujian
ke- R G B HEX
Setelah tahap perancangan selesai 1 109 93 80 #6D5D50
dilakukan, selanjutnya tahap implementasi. Pada
2 87 68 62 #57443E
tahap ini dijelaskan hasil implementasi baik dari
prototype sistem maupun hasil implementasi 3 109 93 84 #6D5D54
rangkaian elektronik yang ditunjukkan pada 4 114 89 80 #725950
Gambar 9 dan Gambar 10. 5 87 72 71 #574847
6 118 110 96 #766E60
7 118 102 90 #76665A
8 123 110 93 #7B6E5D
Tabel 2. Hasil pembacaan warna urin
melalui Eyedropper tool Corel PHOTO-
PAINT
Peng Eyedropper tool Corel
Gambar 9. Implementasi prototype ujian PHOTO-PAINT
sistem ke- R G B HEX
Implementasi rangkaian elektronik sistem 1 117 75 35 #754B23
pendeteksi dehidrasi ini diterapkan pada PCB 2 87 44 9 #572C09
dan kabel jumper yang dapat disolder sehingga
dapat mengkoneksikan antar pin dari masing- 3 109 71 26 #6D471A
masing komponen. 4 116 68 22 #744416
5 89 31 11 #591F0B
6 125 93 44 #7D5D2C
7 120 81 24 #785118
8 128 90 28 #805A1C
Setelah nilai RGB dari masing-masing
(a) (b) sensor maupun alat ukur diperoleh, selanjutnya
Gambar 10. Implementasi rangkaian sensor mengubah nilai RGB tersbut menjadi pembacan
(a) TCS3200, (b) MQ135 warna dalam format HEX, sehingga
memudahkan untuk melakukan perhitungan
3. PENGUJIAN DAN ANALISIS selisih error antar kedua alat ukur pembacaan
warna. Kemudian setelah didapatkan selisih
3.1 Pengujian sensor TCS3200 dan MQ135 error masing-masing pengujian dapat dilakukan
perhitungan persentase error dari pembacaan
Sensor warna TC3200 adalah sensor utama sensor menggunakan Persamaan (4).
dalam sistem ini yang berfungsi untuk membaca
nilai RGB warna dari urin yanga dideteksi. Pada 𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑒𝑟𝑟𝑜𝑟 (4)
pengujian sensor warna ini akan dilakukan 𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑛𝑖𝑙𝑎𝑖 𝑝𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛
= × 100%
dengan melakukan pembacaan dari berberapa 𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑎𝑙𝑎𝑡 𝑢𝑘𝑢𝑟
urin yang berbeda dengan menggunakan sensor Adapun hasil perhitungan error pada
warna TC3200 kemudian nilainya akan pengujian terhadap sensor TCS3200
dibandingkan dengan alat ukur warna berupa ditunujukkan pada Tabel 3 berikut ini.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 442

Tabel 3. Hasil perhitungan error pembacaan 3.2 Pengujian tampilan LCD 16x2
sensor TCS3200
Tabel 4. Hasil pengujian tampilan LCD 16x2
Peng Selisih Error Persentase N Kondi
ujian Gambar Keterangan
error o si
ke- HEX DEC
Proses
1 #7EDD3 519635 6,76% monitoring
2 #1835 6197 0,11% warna urin
3 #163A 5690 0,08% dengan nilai
4 #1EAC6 125638 1,65% R=215,
G=161 dan
5 #1D6C4 120516 2,06% Monito
1 B=124.
6 #6EECC 454348 5,53% ring
Proses
7 #1EAC4 125636 1,59% monitoring
8 #4EBBF 322495 3,83% tingkat
amonia urin
Rata-rata 2,70%
dengan nilai
Pada Gambar 11 menunjukkan grafik PPM=0,07.
hubungan antara nilai pembacaan PPM gas Jika user
Pering
amonia dari urin dan nilai tegangan keluaran tidak
atan
sensor sebanyak 23 kali percobaan. Grafik menekan
peneka
tersebut sesuai dengan karateristik sensor gas 2 tombol
nan
MQ135, terlihat pada gambar tersebut nilai 𝑦 = trigger
tombol
1,2234𝑥 0,2504 merupakan model regresi power tigger
muncul
antara kedua variabel tersebut, sedangkan nilai peringatan.
𝑅 2 = 0,9981 disebut sebagai koefisien
determinasi yang berarti variabel PPM amonia Pendeteksian
dipengaruhi oleh variabel Vout sebesar 99,81%. jenis
Adapun 0,19% sisanya untuk konsentrasi Dehidrasi
amonia dipengaruhi variabel lain. Ringan

Pendeteksian
Proses
jenis
3 klasifi
Dehidrasi
kasi
Sedang

Pendeteksian
jenis
Dehidrasi
Gambar 11. Hasil pengujian korelasi Berat
pembacaan sensor MQ135 dengan tegangan
keluaran sensor
Sesuai dengan yang ditunjukkan pada Tabel
4 terlihat bahwa LCD 16x2 yang diterapkan
sebagai output sistem dapat menampilkan
kondisi yang sesuai dengan yang telah dirancang
dan diimplementasikan.

3.3 Pengujian Akurasi Metode Naive Bayes

Pengujian dilakukan dengan menggunakan
69 data set yang terbagi menjadi 46 data latih dan
23 data uji. Pengujian ini dimaksudkan untuk
mengukur tingkat akurasi sistem pendeteksi

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
dehidrasi dengan menggunakan metode Naive
Bayes yang telah diimplementasikan. Pengujian
akurasi ini dilakukan dengan membandingkan
hasil klasifikasi sistem yang sesuai dengan status
klasifikasi pada data uji yang sebenarnya. Hasil
pengujian akurasi sistem ini ditunjukkan pada
Tabel 5.
Tabel 5. Hasil pengujian sistem pendeteksi
dehidrasi dengan metode Naive Bayes
Jumlah data uji 23
Jumlah data hasil klasifikasi
22
sistem yang sesuai
Persentase akurasi 95,65%
3.4 Pengujian Waktu Komputasi Sistem
Pada pengujian ini dilakukan pengujian
sebanyak 23 kali dengan memperhatikan waktu
komputasi yang dibutuhkan sistem ini untuk
melakukan klasifikasi jenis dehidrasi sesuai
yang diinginkan. Gambar 12 menunjukkan hasil
pengukuran waktu komputasi yang dilakukan
sesuai dengan skenario pengujian. Berdasarkan
hasil pengujian tersebut diperoleh rata-rata
waktu komputasi yang diperlukan sistem untuk
melakukan klasifikasi jenis dehidrasi adalah
sebesar 696,73 ms.
Gambar 12. Hasil pengujian waktu
komputasi sistem
4. KESIMPULAN
Berdasarkan hasil pengujian yang telah
dilakukan pada penelitian ini maka dapat ditarik
kesimpulan sebagai berikut :
1. Sensor warna TCS3200 yang ditempatkan
tepat dibawah wadah urin dapat membaca
nilai RGB warna dari urin dengan rata-rata
error yang kecil yakni sebesar 2,70%
sehingga dapat dikatakan sensor bekerja
dengan baik karena dapat membaca
perubahan warna yang berbeda dengan
perubahan nilai yang kecil sekalipun.
Fakultas Ilmu Komputer, Universitas Brawijaya
443
Selanjutnya sensor gas MQ135 yang
diletakkan tepat diatas wadah berisi urin
dapat membaca kadar amonia dari urin
dengan baik karena fungsionalitas sensor
yang diterapkan sesuai dengan karakteristik
pada datasheet sensor MQ135, dimana nilai
pembacaan sensor berbanding lurus dengan
tegangan keluaran yang dihasilkan yaitu
semakin tinggi nilai tegangan keluaran
sensor maka semakin tinggi nilai
pembacaan sensor yang ditunjukkan nilai
korelasi antara kedua variabel tersebut
sebesar 99,81%.
2. Pada penelitian ini telah dibuat sistem
otomatisasi untuk mendeteksi jenis
dehidrasi berdasarkan warna dan kadar
amonia pada urin dengan menggunakan
metode Naive Bayes. Dimana baik semua
komponen alat yang digunakan maupun
metode Naive Bayes yang diterapkan dapat
berjalan sesuai dengan yang diinginkan,
terbukti dengan sistem dapat
mengklasifikasikan jenis dehidrasi menjadi
dehidrasi ringan, dehidrasi sedang dan
dehidrasi berat.
3. Akurasi yang diperoleh Sistem Pendeteksi
Dehidrasi Berdasarkan Warna dan Kadar
Amonia pada Urin dengan Metode Naive
Bayes yang diuji dengan jumlah data latih
sebanyak 46 data dan data uji sebanyak 23
data adalah senilai 95,65%.
4. Performansi Sistem Pendeteksi Dehidrasi
Berdasarkan Warna dan Kadar Amonia
Pada Urin dengan Metode Naive Bayes
mempunyai nilai kecepatan waktu
pemrosesan rata-rata sebesar 0,69 detik dari
23 kali pengujian.
5. DAFTAR PUSTAKA
Adhieputra, D. A. (2010). Pemilihan Data
Training untuk Meningkatkan Kinerja
Voting Feature Interval 5 (VFI 5).
SKRIPSI, Institut Pertanian Bogor, Ilmu
Komputer, Bogor.
Amstrong, L. E. (2000). Assess Your Hydration
Status.
Amstrong, W. J. (1998). Air Kehidupan. Jakarta:
Gramedia Pustaka Utama.
Arduino. (2016). Arduino Uno Atmega328P.
Dipetik Agustus 28, 2016, dari
https://www.arduino.cc/en/Main/Ardui
noBoardUno
Asmadi. (2008). Teknik Prosedural
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 444

Kepeawatan: Konsep dan Aplikasi Urine menggunakan LED dan

Kebutuhan Dasar Klien. Jakarta: Fotodioda. SKIPSI, Universitas Islam
Salemba Medika. Dipetik Mei 6, 2016, Negeri Sunan Kalijaga, Fisika,
dari http://booksgoogle.com Yogyakarta.
Astuti, E. H. (2016). Sistem Pendukung Leksana, E. (2015). Strategi Terapi Cairan pada
Keputusan Deteksi Dini Penyakit Stroke Dehidrasi. Semarang.
menggunakan Metode Naive Bayes. MQ135_Datasheet. (2016). MQ-135 Gas
SKRIPSI, Universitas Brawijaya, Sensor. Technical Data.
Teknik Informatika, Malang.
Rofiqoh, Y. L., & Soedjono, E. S. (2016). Studi
Baber, D. (2010). Bayesian Reasoning and Potensi Urin Manusia Hasil Composting
Machine Learning. London: Cambridge Toilet Dalam Sistem Ecological
University Press. Sanitation (ECOSAN). ITS, Teknik
Chairunnas, A., & Sugianto, H. (2013). Robot Lingkungan, Surabaya.
Pendeteksi Warna Berbasis Sari, R. A. (2016). Implementasi Metode
Mikrokontroler. SKRIPSI, Universitas Support Vector Machine untuk
Pakuan, Ilmu Komputer, Bogor. Rekomendasi Pemilihan Terapi
Freedman, B. S., & Paik, S. M. (2008). Pediatric Dehidrasi Pada Anak. SKRIPSI,
Dehydration on Assessment and Oral Universitas Bawijaya, Teknik
Rehydration Theraphy. Pediatric Informatika, Malang.
Emergency Medicine Report, Ontario. TAOS. (2009, July). TCS3200, TCS3210
Hasanudin, F. (2015). Pemanfaatan Sensor Gas Programmable Color Light-To-
MQ135 untuk Pendeteksi Gas Amonia Frequency Converter. Texas: The
(NH3) pada Kotoran Ayam Berbasis Lumenology Company. Diambil
Arduino Uno. Tugas Akhir, Universitas kembali dari www.taosinc.com
Gadjah Mada, D3 Teknik Elektro, Vishay. (2016, Oktober 27). LCD-016M002B.
Yogyakarta. Diambil kembali dari Vishay Website:
Kompas. (2009). 46 persen Penduduk Indonesia www.vishay.com
Dehidrasi. Dipetik Mei 6, 2016, dari William, G. (2011). Dahsyatnya Terapi Urine.
http://health.kompas.com/read/2009/10/ Jakarta: Berlian Media.
22/16081725/46.persen.Penduduk.Indo
nesia.Dehidrasi
Latif, N. (2016). Pengembangan Alat Deteksi
Tingkat Dehidrasi berdasarkan Warna

Fakultas Ilmu Komputer, Universitas Brawijaya