KLASIFIKASI PENYAKIT TYPHOID FEVER (TF) DAN DENGUE

HAEMORHAGIC FEVER (DHF) DENGAN MENERAPKAN

ALGORITMA DECISION TREE C4.5
(STUDI KASUS : RUMAH SAKIT WILUJENG KEDIRI)

SKRIPSI

Untuk memenuhi sebagian persyaratan

memperoleh gelar Sarjana Komputer

Disusun oleh:
Ulva Febriana
NIM: 135150218113014

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER
UNIVERSITAS BRAWIJAYA
MALANG
2017
 PENGESAHAN

KLASIFIKASI PENYAKIT TYPHOID FEVER (TF) DAN DENGUE HAEMORHAGIC FEVER

(DHF) DENGAN MENERAPKAN ALGORITMA DECISION TREE C4.5
(STUDI KASUS : RUMAH SAKIT WILUJENG KEDIRI)

SKRIPSI

Diajukan untuk memenuhi sebagian persyaratan

memperoleh gelar Sarjana Komputer

Disusun Oleh :
Ulva Febriana
NIM: 135150218113014

Skripsi ini telah diuji dan dinyatakan lulus pada

10 Agustus 2017
Telah diperiksa dan disetujui oleh:

Dosen Pembimbing I Dosen Pembimbing II

M. Tanzil Furqon, S.Kom, M.CompSc Bayu Rahayudi, S.T, M.T

NIP: 19820930 200801 1 004 NIP: 19740712 200604 1 001

Mengetahui
Ketua Jurusan Teknik Informatika

Tri Astoto Kurniawan, S.T, M.T, Ph.D

NIP: 19710518 200312 1 001

ii
 PERNYATAAN ORISINALITAS

Saya menyatakan dengan sebenar-benarnya bahwa sepanjang pengetahuan

saya, di dalam naskah skripsi ini tidak terdapat karya ilmiah yang pernah diajukan
oleh orang lain untuk memperoleh gelar akademik di suatu perguruan tinggi, dan
tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang
lain, kecuali yang secara tertulis disitasi dalam naskah ini dan disebutkan dalam
daftar pustaka.
Apabila ternyata didalam naskah skripsi ini dapat dibuktikan terdapat unsur-
unsur plagiasi, saya bersedia skripsi ini digugurkan dan gelar akademik yang telah
saya peroleh (sarjana) dibatalkan, serta diproses sesuai dengan peraturan
perundang-undangan yang berlaku (UU No. 20 Tahun 2003, Pasal 25 ayat 2 dan
Pasal 70).

Malang, 10 Agustus 2017

Ulva Febriana
NIM: 135150218113014

iii
 KATA PENGANTAR

Segala puji syukur ke hadirat Allah SWT yang telah melimpahkan rahmat dan
karunia-Nya, sehingga penulis dapat menyelesaikan skripsi yang berjudul
“Klasifikasi Penyakit Typhoid Fever (TF) Dan Dengue Haemorragic Fever (DHF)
Dengan Menerapkan Algoritma Decision Tree C4.5 (Studi Kasus : Rumah Sakit
Wilujeng Kediri)” dengan lancar dan baik. Penulis ingin mengucapkan kepada
semua piihak yang telah membantu dan mendukung penulis dalam menyelesaikan
skripsi ini. Ucapan terimakasih penulis berikan kepada :
1. Bapak M. Tanzil Furqon, S.Kom, M.CompSc selaku dosen pembimbing
pertama yang telah memberikan bimbingan dengan sabar dan saran yang
sangat membantu dalam penyusunan skripsi ini.
2. Bapak Bayu Rahayudi, S.T, M.T selaku dosen kedua yang telah
memberikan bimbingan dengan sabar dan saran yang sangat membantu
dalam penyusunan skripsi ini.
3. Seluruh Bapak dan Ibu dosen yang telah mendidik dan membagi ilmunya
kepada penulis selama menempuh pendidikan di Fakultas Ilmu Komputer.
4. Secara khusus penulis ingin menyampaikan rasa terimakasih yang
sebesar-besarnya kepada orangtua penulis Pujianto(Purn) dan Endang
Sunarsih S.Pd, Kakak penulis, Brigadir Lucky Ardianto dan Nila Ari Safitri
Amd.Keb serta Kedua Keponakan penulis, Aleyanova Sadiya dan Davira
Farra Sadiya yang selalu memberikan doa, semangat, dukungan serta
menghibur agar penulis tidak malas dalam menyusun skripsi.
5. Seluruh teman-teman penulis “KEMAL” dan khususnya untuk Ikrar Amalia
Sholekhah, Resti Febriana dan Fyma Ardita yang selalu memberikan
dukungan, bantuan serta semangat kepada penulis.
6. Seluruh pihak yang tidak bisa disebutkan satu-persatu yang telah
membantu dalam penyelesaian skripsi ini.
Penulis menyadari bahwa dalam penulisan skripsi ini masih banyak
kekurangannya. Oleh karena itu, penulis sangat mengharapkan kritik dan saran
dapat diberikan kepada penulis. Semoga penulisan skripsi ini dapat memberikan
manfaat bagi semua pihak.

Malang, 10 Agustus 2017

Penulis
ulvafebri13@gmail.com

iv
 ABSTRAK

Demam merupakan naiknya suhu tubuh yang lebih tinggi dari biasanya.
Demam itu bukanlah penyakit, melainkan awal gejala seseorang terkena penyakit.
Ada banyak penyakit yang disebabkan oleh demam, contohnya seperti Typhoid
Fever dan Dengue Haemorragic Fever. Kedua penyakit tersebut apabila diamati
secara klinis akan sulit membedakannya. Karena kedua penyakit itu hampir
memiliki gejala-gejala yang sama dan apabila terjadi kesalahan dalam
mendiagnosisnya akan menyebabkan hal yang fatal pada pasien. Penyakit Typhoid
Fever merupakan demam yang disebabkan oleh bakteri Salmonella Typhi yang
menyebar ke seluruh tubuh dan Dengue Haemorragic Fever penyakit demam yang
disebabkan oleh gigitan nyamuk Aedes Aegypti. Untuk mengatasi hal tersebut,
maka dibuatlah sistem klasifikasi diagnosa penyakit Typhoid Fever dan Dengue
Haemorragic Fever berdasar pada gejala-gejala yang dimiliki oleh pasien dengan
menerapkan algoritma desicion tree C4.5. Akurasi yang diperoleh sistem klasifikasi
penyakit Typhoid Fever (TF) dan Dengue Haemorhagic Fever (DHF) dengan
dilakukan pengujian k-folds cross validation didapatkan nilai rata-rata akurasi
tertinggi pada 5-fold cross validation dengan akurasi sebesar 91,875% yang
menggunakan data uji sebanyak 32 data dan data latih sebanyak 128 data. Hasil
uji coba ke-4 pada pengujian 5-fold cross validation ini menghasilkan akurasi
tertinggi yaitu sebesar 97%. Sedangkan analisis dengan melakukan pengujian 16-
fold cross validation dari data uji sejumlah 10 data dan data latih sejumlah 150
data, didapatkan hasil nilai uji coba sebesar 100% pada uji coba ke-2, ke-3, ke-4,
ke-6, ke-9, ke-11, ke-12 dan ke-16. Walaupun nilai akurasi 100% yang didapatkan
pada pengujian ini jumlahnya ada banyak, rata-rata akurasi pada pengujian 16-
fold cross validation ini masih dibawah nilai rata-rata akurasi yang didapat dengan
pengujian 5-fold cross validation.

Kata Kunci : Demam, Typhoid Fever, Dengue Haemorragic Fever, C4.5

v
 ABSTRACT

Fever is a rise in body temperature is higher than usual. Fever is not a disease,
but the initial symptoms of a person affected by the disease. There are many
diseases caused by fever, such as Typhoid Fever and Dengue Haemorragic Fever.
Both diseases when observed clinically will be difficult to distinguish them. Because
the two diseases almost have the same symptoms and if there is an error in
diagnosing it will cause a fatal thing in the patient. Typhoid Fever disease is a fever
caused by Salmonella Typhi bacteria that spread throughout the body and
Haemorragic Fever Dengue fever caused by Aedes Aegypti mosquito bites. To
overcome this, then made a classification system of disease diagnosis Typhoid
Fever and Dengue Haemorragic Fever based on symptoms possessed by patients
by applying desicion tree algorithm C4.5. Accuracy obtained by Typhoid Fever (TF)
and Dengue Haemorhagic Fever (DHF) classification system by k-folds cross
validation test showed the highest accuracy value on 5-fold cross validation with
accuracy of 91,875% using 32 data test and Training data of 128 data. The results
of the 4th test on 5-fold cross validation test resulted in the highest accuracy of
97%. While the analysis by conducting 16-fold cross validation test of the test data
of 10 data and training data of 150 data, obtained the result of the test value of
100% on the 2nd, 3rd, 4th, 6th, The 9th, the 11th, the 12th and the 16th. Although
the 100% accuracy value obtained in this test is numerous, the average accuracy
of the 16-fold cross validation test is still below the average score of accuracy
obtained by testing 5-fold cross validation.
Keywords : Fever, Typhoid Fever, Haemorragic Fever Dengue, C4.5.

vi
 DAFTAR ISI

PENGESAHAN ...........................................................................................................ii
PERNYATAAN ORISINALITAS ................................................................................... iii
KATA PENGANTAR ................................................................................................... iv
ABSTRAK ................................................................................................................... v
ABSTRACT ................................................................................................................ vi
DAFTAR ISI .............................................................................................................. vii
DAFTAR TABEL .......................................................................................................... x
DAFTAR GAMBAR .................................................................................................... xi
DAFTAR LAMPIRAN ............................................................................................... xiii
BAB 1 PENDAHULUAN............................................................................................. 1
1.1 Latar belakang........................................................................................ 1
1.2 Rumusan masalah .................................................................................. 2
1.3 Tujuan .................................................................................................... 2
1.4 Manfaat.................................................................................................. 3
1.5 Batasan masalah .................................................................................... 3
1.6 Sistematika pembahasan ....................................................................... 3
BAB 2 LANDASAN KEPUSTAKAAN ........................................................................... 5
2.1 Kajian pustaka ........................................................................................ 5
2.2 Kecerdasan buatan dan klasifikasi ......................................................... 6
2.3 Decision tree C4.5 .................................................................................. 6
2.4 Cross Validation ..................................................................................... 7
2.5 Dengue Haemorhagic Fever (DHF) ........................................................ 8
2.6 Typhoid Fever (TF) .................................................................................. 8
BAB 3 METODOLOGI ............................................................................................. 11
3.1 Studi literatur ....................................................................................... 11
3.2 Analisis kebutuhan ............................................................................... 11
3.3 Pengumpulan data ............................................................................... 12
3.4 Perancangan sistem ............................................................................. 12
3.4.1 Perancangan penyusunan tree ................................................... 12
3.4.2 Perancangan pengujian data ...................................................... 13

vii
 3.5 Implementasi sistem ............................................................................ 14
3.6 Pengujian dan Analisis ......................................................................... 14
3.7 Kesimpulan........................................................................................... 14
BAB 4 PERANCANGAN ........................................................................................... 15
4.1 Deskripsi sistem ................................................................................... 15
4.2 Perancangan sistem ............................................................................. 15
4.2.1 Perancangan proses pembelajaran ............................................. 15
4.2.2 Proses pembelajaran klasifikasi algoritma C4.5 .......................... 16
4.3 Perhitungan manual ............................................................................ 18
4.4 Perancangan antarmuka ...................................................................... 26
4.4.1 Perancangan antarmuka halaman beranda ................................ 26
4.4.2 Perancangan antarmuka halaman diagnosa ............................... 27
4.4.3 Perancangan antarmuka halaman data ...................................... 28
4.4.4 Perancangan antarmuka halaman tree....................................... 28
4.4.5 Perancangan antarmuka halaman pengujian ............................. 29
4.5 Perancangan pengujian ....................................................................... 29
BAB 5 IMPLEMENTASI ........................................................................................... 31
5.1 Spesifikasi sistem ................................................................................. 31
5.1.1 Spesifikasi perangkat keras ......................................................... 31
5.1.2 Spesifikasi perangkat lunak ......................................................... 32
5.2 Batasan implementasi ......................................................................... 32
5.3 Implementasi algoritma ....................................................................... 32
5.3.1 Implementasi algoritma perhitungan nilai entropy .................... 33
5.3.2 Implementasi algoritma perhitungan nilai gain .......................... 33
5.3.3 Implementasi algoritma pembentukan tree ............................... 34
5.3.4 Implementasi algoritma pengujian ............................................. 35
5.4 Implementasi antarmuka..................................................................... 36
5.4.1 Halaman beranda ........................................................................ 36
5.4.2 Halaman diagnosa ....................................................................... 36
5.4.3 Halaman hasil diagnosa............................................................... 37
5.4.4 Halaman data .............................................................................. 37
5.4.5 Halaman tree ............................................................................... 38

viii
 5.4.6 Halaman pengujian ..................................................................... 38
BAB 6 PENGUJIAN DAN ANALISIS.......................................................................... 40
6.1 Hasil pengujian k-fold cross validation ................................................ 40
6.2 Analisa hasil pengujian k-fold cross validation .................................... 42
BAB 7 KESIMPULAN ............................................................................................... 44
7.1 Kesimpulan........................................................................................... 44
7.2 Saran .................................................................................................... 44
DAFTAR PUSTAKA .................................................................................................. 45
LAMPIRAN ............................................................................................................. 47

ix
 DAFTAR TABEL

Tabel 2.1 Kajian Pustaka ......................................................................................... 9

Tabel 3.1 Kebutuhan Data Penelitian ................................................................... 12
Tabel 4.1 Node 1 ................................................................................................... 20
Tabel 4.2 Node 2 ................................................................................................... 22
Tabel 4.3 Node 3 ................................................................................................... 23
Tabel 4.4 Node 4 ................................................................................................... 24
Tabel 4.5 Node 5 ................................................................................................... 25
Tabel 4.6 Rancangan tabel pengujian k-fold cross validation ............................... 30
Tabel 5.1 Spesifikasi perangkat keras ................................................................... 32
Tabel 5.2 Spesifikasi perangkat lunak ................................................................... 32
Tabel 6.1 Hasil pengujian k-fold cross validation .................................................. 40

x
 DAFTAR GAMBAR

Gambar 3.1 Diagram alur penelitian ..................................................................... 11

Gambar 3.2 Perancangan penyusunan tree ......................................................... 13
Gambar 3.3 Perancangan pengujian data............................................................. 13
Gambar 4.1 Diagram alur perancangan ................................................................ 15
Gambar 4.2 Diagram alir perancangan pembelajaran .......................................... 16
Gambar 4.3 Proses perhitungan nilai entropy ...................................................... 17
Gambar 4.4 Proses perhitungan nilai gain ............................................................ 17
Gambar 4.5 Node 1 ............................................................................................... 21
Gambar 4.6 Node 2 ............................................................................................... 21
Gambar 4.7 Node 3 ............................................................................................... 23
Gambar 4.8 Node 4 ............................................................................................... 25
Gambar 4.9 Pohon keputusan .............................................................................. 26
Gambar 4.10 Perancangan antarmuka beranda ................................................... 27
Gambar 4.11 Perancangan antarmuka diagnosa .................................................. 27
Gambar 4.12 Perancangan antarmuka hasil diagnosa ......................................... 28
Gambar 4.13 Perancangan antarmuka halaman data .......................................... 28
Gambar 4.14 Perancangan antarmuka halaman tree ........................................... 29
Gambar 4.15 Perancangan antarmuka halaman pengujian ................................. 29
Gambar 5.1 Implementasi Sistem ......................................................................... 31
Gambar 5.2 Proses perhitungan nilai entropy ...................................................... 33
Gambar 5.3 Perhitungan nilai gain........................................................................ 34
Gambar 5.4 Proses perhitungan tree .................................................................... 34
Gambar 5.5 Proses tree......................................................................................... 36
Gambar 5.6 Implementasi halaman beranda ....................................................... 36
Gambar 5.7 Implementasi halaman diagnosa ...................................................... 37
Gambar 5.8 Implementasi halaman hasil diagnosa .............................................. 37
Gambar 5.9 Implementasi halaman data ............................................................. 38
Gambar 5.10 Implementasi halaman tree ............................................................ 38
Gambar 5.11 Implementasi halaman pengujian ................................................... 39
Gambar 6.1 Grafik hasil pengujian dengan k-fold cross validation ...................... 41

xi
Gambar 6.2 Tree yang terbentuk .......................................................................... 43

xii
 DAFTAR LAMPIRAN

LAMPIRAN 1 SURAT PENGAMBILAN DATA ........................................................... 47

LAMPIRAN 2 DATASET........................................................................................... 48
LAMPIRAN 3 RULE YANG TERBENTUK .................................................................. 56

xiii
 BAB 1 PENDAHULUAN

1.1 Latar belakang

Demam merupakan naiknya suhu tubuh menjadi lebih tinggi daripada
biasanya. Suhu tubuh normal manusia berada pada titik 37oC, jika suhu tubuh
menunjukkan lebih dari angka tersebut menunjukkan adanya demam yang
disebabkan oleh infeksi (Purwoko, 2005). Demam bukanlah suatu penyakit,
melainkan awal gejala seseorang terserang penyakit. Beberapa penyakit tersebut
antara lain seperti Pneumonia, Malaria, Meningitis, Infeksi Saluran Kemih, Tifus,
bahkan penyakit yang lebih berbahaya seperti Demam Berdarah. Ada beberapa
penyakit yang apabila diamati secara klinis akan sulit membedakan diagnosisnya.
Dan apabila salah dalam mendiagnosis penyakit yang diderita maka akan
menyebabkan fatal pada pasien. Contohnya dalam mendiagnosis penyakit
Typhoid Fever (TF) dan Dengue Haemorhagic Fever (DHF), karena penyakit
tersebut memiliki gejala-gejala yang hampir sama sehingga akan merasa sulit
dalam membedakannya (Judarwanto, 2009).
Penyakit Typhoid Fever (TF) atau masyarakat awam mengenalnya dengan tifus
ialah penyakit demam karena adanya infeksi bakteri Salmonella Typhi yang
menyebar ke seluruh tubuh. Gejala penyakit ini berkembang selama satu sampai
dua minggu setelah seorang pasien terinfeksi oleh bakteri tersebut. Gejala umum
yang terjadi pada penyakit tifus mencakup suhu tubuh yang tinggi mencapai 39 oC-
40oC, sakit kepala, nyeri pada otot, sakit perut, hilangnya nafsu makan, kelelahan
dan lidah kotor (Yahya, 2008). Sedangkan, Dengue Haemorhagic Fever (DHF)
merupakan penyakit yang disebabkan oleh virus Dengue yang ditularkan melalui
gigitan nyamuk Aedes Aegypti. Gejala awal penyakit DHF antara lain demam tinggi
yang berlangsung sepanjang hari selama 2-7 hari, manifestasi pendarahan,
trobosit yang turun secara terus menerus, hemokonsentrasi, pembesaran hati,
nyeri otot, mual dan muntah, dan diare (Depkes, 2015).
Dengan adanya permasalah tersebut, maka dibuatlah suatu perangkat lunak
yang digunakan untuk mengklasifikasikan seorang pasien tersebut masuk dalam
kategori terkena penyakit Typhoid Fever (TF) atau Dengue Haemorhagic Fever
(DHF), berdasarkan gejala-gejala yang diderita oleh pasien pada suatu rumah sakit.
Dengan adanya pengelompokkan akan mempermudah manajemen pengawasan
penyakit untuk melihat penyakit tersebut masuk dalam kategori penyakit Typhoid
Fever (TF) atau justru masuk dalam kategori penyakit Dengue Haemorhagic Fever
(DHF).
Klasifikasi merupakan suatu proses dalam kecerdasan buatan yang
menyatakan suatu objek ke salah satu kategori yang sudah didefinisikan
sebelumnya (Bertalya, 2009). Klasifikasi dalam penelitian ini dilakukan dengan
menerapkan algoritma decision tree C4.5 dengan mengoptimalkan atribut-atribut
yang berasal dari dataset yang terpercaya.

1
 Pada penelitian sebelumnya yang dilakukan oleh (Adeyemo & Adeyeye, 2015)
meneliti tentang prediksi penyakit tifus dengan menerapkan algoritma ID3, C4.5
dan MLP ke dalam penelitiannya, masukkan dari sistem tersebut terdiri dari
beberapa atribut antara lain : umur, jenis kelamin, nyeri perut, sakit kepala,
pusing, batuk, demam, muntah, kehilangan selera makan dan keluaran sistem
berupa diagnosis penyakitnya. Algoritma MLP ternyata memiliki akurasi lebih
tinggi dibandingkan dengan dua algoritma lainnya, yaitu sebesar 83,6299%, tetapi
dalam kecepatan dalam melatih data algoritma C4.5 lebih baik dengan hanya 0,01
detik.
Selanjutnya, penelitian yang dilakukan oleh (Hartanto & Hansun, 2014)
menerapkan data mining dengan algoritma C4.5 untuk prediksi tingkat kelulusan
mahasiswa dengan 4 kategori yang berupa lulus cepat, lulus tepat, lulus terlambat,
dan drop out. Atribut yang berpengaruh dalam hasil prediksinya yaitu IPS semester
enam. Akurasi yang dihasilkan dari sistem ini sebesar 87,5% dari data training
sebanyak 60 dan 40 data testing.
Berdasarkan penelitian yang sudah dilakukan diatas, maka dalam penelitian ini
dirancanglah sebuah sistem klasifikasi gejala penyakit Typhoid Fever (TF) atau
Dengue Haemorhagic Fever (DHF) dengan menerapkan metode decision tree C4.5
untuk mendiagnosa jenis penyakit yang diderita oleh pasien di suatu rumah sakit.
Sistem ini diharapkan dapat membantu dokter dan tenaga medis dalam
melakukan diagnosis penyakit berdasarkan gejala-gejala yang dimasukkan dan
penerapan metode decision tree C4.5 dapat memberikan hasil yang maksimal
dalam diagnosa serta memiliki keakuratan yang tinggi.

1.2 Rumusan masalah

Dari penjelasan yang dilakukan pada latar belakang, maka rumusan masalah
pada penelitian ini sebagai berikut :
1. Bagaimana mengimplementasikan metode decision tree C4.5 ke dalam sistem
untuk mendiagnosa penyakit Typhoid Fever (TF) atau Dengue Haemorhagic
Fever (DHF)?
2. Bagaimana tingkat akurasi yang diperoleh dari sistem klasifikasi diagnosa
penyakit Typhoid Fever (TF) atau Dengue Haemorhagic Fever (DHF)
menggunakan metode decision tree C4.5?

1.3 Tujuan
Berdasarkan rumusan masalah diatas, maka tujuan dari penelitian yang dibuat
sebagai berikut :
1. Mengimplementasikan metode decision tree C4.5 ke dalam sistem diagnosa
penyakit Typhoid Fever (TF) atau Dengue Haemorhagic Fever (DHF).
2. Menghitung tingkat akurasi sistem klasifikasi diagnosa penyakit Typhoid Fever
(TF) atau Dengue Haemorhagic Fever (DHF) menggunakan metode decision
tree C4.5.

2
1.4 Manfaat
Manfaat yang didapat dari penelitian ini diharapkan dapat membantu dokter
atau tenaga medis dalam proses mendiagnosa penyakit yang diderita oleh pasien
di suatu rumah sakit agar tidak terjadinya kesalahan dalam diagnosis penyakit
Typhoid Fever (TF) atau Dengue Haemorhagic Fever (DHF).

1.5 Batasan masalah

Batasan masalah dalam penelitian ini meliputi :
1. Data penyakit yang diteliti terdiri dari penyakit Typhoid Fever (TF) dan Dengue
Haemorhagic Fever (DHF) dan satu kelas penyakit lainnya.
2. Data diambil dari Rumah Sakit Wilujeng Kediri.
3. Data yang digunakan sebanyak 160 data pasien terkena penyakit Typhoid
Fever (TF) sebanyak 74 data dan 76 data penyakit Dengue Haemorhagic Fever
(DHF) dan 10 penyakit lainnya.
4. Masukkan terdiri dari gejala-gejala penyakit Typhoid Fever (TF) dan Dengue
Haemorhagic Fever (DHF), yang meliputi demam, trombosit, mual muntah,
nyeri ulu hati, sakit kepala, diare, tidak nafsu makan, lemas, lidah kotor dan
bintik merah pada kulit.
5. Keluaran sistem berupa diagnosa penyakit dari setiap gejala yang dimiliki oleh
pasien.

1.6 Sistematika pembahasan

Berikut adalah sistematika yang akan peneliti terapkan :
1. Bab 1 Pendahuluan
Pada bab ini dibahas tentang latar belakang, rumusan masalah, tujuan,
manfaat, batasan masalah serta sistematika penulisan sesuai dengan
permasalahan yang diangkat tentang klasifikasi diagnosa suatu penyakit.
2. Bab 2 Landasan Kepustakaan
Pada bab landasan kepustakaan ini menjelaskan kajian pustaka yang akan
menjelaskan penelitian-penelitian yang sudah dilakukan sebelumnya dan
dasar teori yang menjelaskan tentang pemahaman teori-teori yang meliputi
penyakit Typhoid Fever (TF), penyakit Dengue Haemorhagic Fever (DHF),
kecerdasan buatan, dan metode decision tree C4.5.
3. Bab 3 Metodologi
Pada bab metodologi dibahas tentang langkah-langkah pengerjaan terdiri dari
studi literatur, analisis kebutuhan, pengumpulan data, perancangan sistem,
implementasi sistem serta pengujian dan analisis sistem dan kesimpulan
terkait permasalahan yang diangkat dalam penelitian ini.

3
4. Bab 5 Implementasi
Bab implementasi membahas tentang hasil implementasi klasifikasi gejala
penyakit Typhoid Fever (TF) dan penyakit Dengue Haemorhagic Fever (DHF)
dengan menerapkan metode decision tree C4.5.
5. Bab 6 Pengujian dan analisis
Bab pengujian membahas tentang tingkat akurasi menganalisa hasil dari
metode yang telah digunakan dalam sistem klasifikasi gejala penyakit Typhoid
Fever (TF) dan penyakit Dengue Haemorhagic Fever (DHF) dengan
menerapkan metode metode decision tree C4.5.
6. Bab 7 Penutup
Pada bab penutup berisikan kesimpulan yang diperoleh dari penelitian ini
serta saran yang berguna bagi pengembangan sistem yang dibangun.

4
 BAB 2 LANDASAN KEPUSTAKAAN

Bab landasan kepustakaan ini berisi pembahasan tentang penelitian yang

sudah dilakukan sebelumnya dan menguraikan dasar-dasar teori yang akan
menunjang topik skripsi yang diambil pada penelitian ini. Dasar-dasar teori yang
dibutuhkan meliputi teori kecerdasan buatan, metode decision tree C4.5,
pengertian penyakit Typhoid Fever (TF), pengertian penyakit Dengue Haemorhagic
Fever (DHF).

2.1 Kajian pustaka

Pada penelitian sebelumnya yang dilakukan oleh (Adeyemo & Adeyeye, 2015)
meneliti tentang prediksi penyakit tifus dengan menerapkan algoritma ID3, C4.5
dan MLP ke dalam penelitiannya, inputan dari sistem tersebut terdiri dari
beberapa atribut antara lain : umur, jenis kelamin, nyeri perut, sakit kepala,
pusing, batuk, demam, muntah, kehilangan selera makan dan output sistem
berupa diagnosis penyakitnya. Algoritma MLP ternyata memiliki akurasi lebih
tinggi dibandingkan dengan dua algoritma lainnya, yaitu sebesar 83,6299%, tetapi
dalam kecepatan dalam melatih data algoritma C4.5 lebih baik dengan hanya 0,01
detik.
Selanjutnya, pada penelitian kedua dilakukan oleh (Bhavani & Kumar, 2015)
menerapkan metode REP Tree, J48, SMO, ZeroR, Random dan memakai data
mining tool WEKA. Dataset yang digunakan berformat file .csv dengan memakai
atribut seperti demam, pendarahan, myalgia, flu, kelelahan, nyeri dan kepala
pusing. Akurasi dari algoritma SMO dan J48 ternyata memiliki akurasi tinggi
dibanding algoritma lainnya, akurasi yang dihasilkan sebesar 84% dan 76%.
Sedangkan akurasi yang dihasilkan dari algoritma REP Tree sebesar 72%, algoritma
Random Tree sebesar 68% dan algoritma SeroR sebesar 72%.
Pada penelitian ketiga yang dilakukan oleh (Shaukat, Masood, Mehreen, &
Azmeen, 2015) menggunakan algoritma Naive Bayes, J4.8, SMO, RT dan REP Tree
dengan WEKA tool data mining. Inputan terdiri dari beberapa atribut dan hasil
keluaran berupa prediksi penyakit dengue fever (DF). Akurasi terbaik pada sistem
ini dengan menggunakan algoritma J48 dengan perolehan akurasi sebesar 88%
dan untuk REP Tree sebesar 76%, Random Tree sebesar 76%, SMO sebesar 76%.
Pada penelitian keempat yang dilakukan oleh (Hartanto & Hansun, 2014)
menerapkan data mining dengan algoritma C4.5 untuk prediksi tingkat kelulusan
mahasiswa dengan 4 kategori yang berupa lulus cepat, lulus tepat, lulus terlambat,
dan drop out. Atribut yang berpengaruh dalam hasil prediksinya yaitu IPS semester
enam. Akurasi yang dihasilkan dari sistem ini sebesar 87,5% dari data training
sebanyak 60 dan 40 data testing.
Pada penelitian kelima oleh (Andriani, 2013), inputan berupa data pasien dan
data gejala dengan lengkap. Pengujian hasil klasifikasi yang dilakukan
menggunakan confussion matrix dan kurva ROC. Sistem ini diuji dengan 50 data

5
dengan hasil sistem menunjuk pada akurasi sebesar 73,33% pada confusion matrix
dan 0,815 pada kurva ROC.
Penjelasan tentang kajian pustaka penelitian-penelitian yang sebelumnya
dilakukan dapat dilihat pada tabel 2.1.

2.2 Kecerdasan buatan dan klasifikasi

Kecerdasan buatan ialah suatu proses penerapan metode untuk data-data skala
besar untuk penggalian pola-pola pada data. Manfaat dari kecerdasan buatan ini
dapat digunakan dalam pengungkapan kasus-kasus besar seperti peledakan bom,
pendeteksian penyakit, penipuan dan lain-lain (Prabowo Pudjo Widodo, 2013).
Ada beberapa serangkaian proses dalam kecerdasan buatan yaitu eksplorasi data,
membuat model dan pengujian validitas model, penerapan model dengan data
baru untuk menghasilkan perkiraan dari kasus yang ada (Gorunescu, 2011).
Klasifikasi termasuk dalam salah satu teknik pada kecerdasan buatan yang
melakukan proses pengelompokan data. Terdapat beberapa komponen dalam
kecerdasan buatan, terdiri atas :
1. Kelas, yaitu variabel label dari hasil klasifikasi
2. Prediktor, variabel bebas model karakteristik atribut data yang akan
diklasifikasikan.
3. Set data latih, yang merupakan kumpulan data lengkap yang terdiri dari kelas
dan prediktor agar bisa mengelompokan kelas yang tepat.
4. Set data uji, terdiri dari data baru yang akan dikelompokkan guna mengetahui
akurasi dari model yang telah dibuat.

Terdapat istilah-istilah yang ada dalam klasifikasi kecerdasan buatan yaitu set
data, digunakan untuk proses data latih dan memiliki suatu atribut;
pengklasifikasian (Classifier) model untuk menentukan objek masuk dalam suatu
kelas tertentu; set data testing, data yang digunakan untuk melakukan uji tingkat
akurasi. Terdapat metode-metode yang telah dikembangkan untuk
menyelesaikan kasus klasifikasi, contohnya pohon keputusan, pengklasifikasian
bayes, jaringan syaraf tiruan, algoritma genetika, klasifikasi k-nearest neighbor
dan lain-lain (Prabowo Pudjo Widodo, 2013).

2.3 Decision tree C4.5

Algoritma C4.5 merupakan sebuah metode yang digunakan untuk klasifikasi
yang bersifat prediktif. Pembentukan decision tree (pohon keputusan) merupakan
dasar dari algoritma C4.5 ini, cabang-cabang pohon merupakan pertanyaan
klasifikasi dan daunnya merupakan kelas-kelas. Dalam pembangunan pohon
keputusan dibutuhkan beberapa tahapan yaitu dengan memilih atribut sebagai
akar, membuat cabang pada masing-masing nilai, membagi kasus dalam cabang
dan mengulangi proses untuk masing-masing cabang sampai semua kasus pada
cabang memiliki kelas yang sama. Berikut adalah tahap-tahap perhitungan
algoritma C4.5 (Suwondo, Asmarajati, & Surahman, 2013) :

6
1. Menyiapkan data training.
2. Menghitung nilai index Entropy terlebih dahulu dengan persamaan 2.1
n
Entropy ( S )    pi  log 2 pi [2.1]
i 1

Keterangan :
S = himpunan kasus
n = jumlah partisi S
pi = proporsi dari Si terhadap S
3. Menghitung gain, untuk menetapkan atribut sebagai akar dengan
menghitung nilai gain tertinggi dari semua atribut yang ada
n Si
Gain( S , A)  Entropy( S )    Entropy( S i ) [2.2]
i 1 |S|
Keterangan :
S = himpunan kasus
A = atribut
n = jumlah partisi atribut A
|Si| = jumlah kasus pada partisi ke-i
|S| = jumlah kasus dalam S
4. Ulangi langkah kedua sampai semua record terpartisi, dan proses partisi akan
berhenti saat semua record dalam simpul N mendapat kelas yang sama, tidak
ada atribut didalam record yang dipartisi lagi, dan tidak ada record didalam
cabang yang kosong.

2.4 Cross Validation

Cross validation merupakan salah satu teknik untuk menilai atau memvalidasi
keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Salah satu
teknik cross validation yang populer yaitu k-fold cross validation. Dalam teknik k-
fold cross validation, dataset dibagi menjadi sejumlah K-buah partisi secara acak.
Kemudian dilakukan sejumlah K-kali uji coba, dimana masing-masing uji coba
tersebut menggunakan data partisi ke-K sebagai data uji dan sisa partisi lainnya
sebagai data latih (Wihardi, 2013). Untuk mendapatkan nilai akurasi pada
pengujian k-fold cross validation menggunakan persamaan 2.3 berikut ini :
dataujibenar
Akurasi   100 % [2.3]
jumlahdatauji
dan untuk mendapatkan nilai rata-rata hasil tiap uji coba dapat menggunakan
persamaan 2.4

Rata  rata 
 akurasi  100% [2.4]
 ujicoba

7
2.5 Dengue Haemorhagic Fever (DHF)
Demam Berdarah atau bahasa ilmiahnya disebut dengan Dengue
Haemorhagic Fever merupakan penyakit virus dengue yang disebabkan oleh
gigitan nyamuk Aedes Aegypti. Nyamuk Aedes Aegypti hidup didaerah yang
mempunyai iklim tropis dengan suhu yang lembab. Nyamuk ini mempunyai ciri-
ciri tubuh hitam dengan belang putih pada kakinya. Gejala penderita penyakit ini
sekarang tidak terduga dan seringkali disepelekan oleh masyarakat awam. Gejala-
gejala penyakit Dengue Haemorhagic Fever sebagai berikut :
1. Mendadak demam tinggi (lebih dari 38oC) yang berlangsung secara terus
menerus selama 2 sampai 7 hari
2. Terdapat bintik-bintik merah pada kulit
3. Terasa mual, muntah dan kepala pusing
4. Nyeri ulu hati
5. Trombosit yang turun terus menerus
6. Diare
Maka diperlukan adanya pemberantasan pada nyamuk penularnya,
pemberantasan tersebut dilakukan dengan cara fogging atau pengasapan pada
tiap rumah agar nyamus aedes aegypti mati dan dapat pula dilakukan dengan cara
3M yaitu Menguras, Menutup dan Mengubur (WHO, 1998).

2.6 Typhoid Fever (TF)

Demam Tifoid atau Typoid Fever ialah penyakit infeksi akut pada saluran
pencernaan dengan gejala yang timbul berupa demam satu minggu atau lebih
disertai adanya gangguan pada saluran pencernaan atau tanpa gangguan
kesadaran (Astuti, 2013). Penyakit typoid ini mempunyai hubungan erat dengan
lingkungan terutama pada lingkungan yang penyediaan air minumnya tidak
memenuhi syarat kesehatan dan sanitasi yang buruk pada lingkungan. Faktor-
faktor yang mempengaruhi penyakit typoid tersebar yaitu polusi udara, sanitasi
umum, kualitas air temperatur, kepadatan penduduk, kemiskinan dan lain-lain
(Harahap, 2011). Gejala-gejala yang muncul pada penyakit ini (Widodo, 2006)
sebagai berikut :
1. Demam
2. Sakit kepala
3. Mual, muntah
4. Diare
5. Tidak nafsu makan
6. Lemas
7. Lidah kotor

8
 Tabel 2.1 Kajian Pustaka
No Judul Input Proses Output Hasil
1 Comparative Study of atribut : umur, algoritma : diagnosis penyakit Algoritma MLP ternyata memiliki
ID3/C4.5 Desicion Tree jenis kelamin, nyeri typoid fever akurasi lebih tinggi dibandingkan
- ID3
and Multiplayer perut, sakit kepala, dengan dua algoritma lainnya,
- C4.5
Peceptron Algorithms for pusing, batuk, yaitu sebesar 83,6299%, tetapi
- MLP (Multilayer Peceptron)
the Prediction of Typhoid demam, muntah, dalam kecepatan dalam melatih
Fever kehilangan selera data algoritma C4.5 lebih baik
makan dengan hanya 0,01 detik
2 A Data Mining Approach - Dataset file .csv metode : Prediksi diagnosa Akurasi dari algoritma SMO dan
for Preccise Diagnosis of penyakit Dengue J48 ternyata memiliki akurasi
- atribut seperti - REP Tree
Dengue Fever Fever tinggi dibanding algoritma lainnya,
demam, - J48
akurasi yang dihasilkan sebesar
pendarahan, - SMO
84% dan 76%. Sedangkan akurasi
myalgia, flu, - ZeroR
yang dihasilkan dari algoritma REP
kelelahan, nyeri - Random Tree
Tree sebesar 72%, algoritma
dan kepala data mining tool WEKA
Random Tree sebesar 68% dan
pusing.
algoritma SeroR sebesar 72%
3 Dengue Fever Prediction Atribut data algoritma Naive Bayes, J4.8, Hasil prediksi Akurasi terbaik pada sistem ini
: A Data Mining Problem penyakit DF SMO, RT dan REP Tree dengan penyakit DF dengan menggunakan algoritma
WEKA tool data mining J48 dengan perolehan akurasi
sebesar 88% dan untuk REP Tree
sebesar 76%, Random Tree
sebesar 76%, SMO sebesar 76%
4 Implementasi Data Atribut : IPS penelitian ini digunakan model Hasil prediksi tingkat Akurasi yang dihasilkan dari sistem
Mining dengan semester enam decision tree C4.5 kelulusan mahasiswa ini sebesar 87,5% dari data training
Algoritma C4.5 untuk sebanyak 60 dan 40 data testing
Memprediksi Tingkat
Kelulusan Mahasiswa

9
 5 Sistem Prediksi Penyakit Inputan berupa Algoritma Decision Tree C4.5 Hasil prediksi Sistem ini diuji dengan 50 data
Diabetes Berbasis data pasien dan penyakit diabetes dengan hasil sistem menunjuk
Decision Tree data gejala dengan pada akurasi sebesar 73,33% pada
lengkap confusion matrix dan 0,815 pada
kurva ROC
Sumber : (Adeyemo & Adeyeye, 2015); (Bhavani & Kumar, 2015); (Shaukat, Masood, Mehreen, & Azmeen, 2015); (Hartanto & Hansun,
2014); (Andriani, 2013)

10
 BAB 3 METODOLOGI

Metode penelitian pada penelitian ini akan dibahas tentang bagaimana

metode dan langkah-langkah yang akan digunakan. Langkah-langkah tersebut
sesuai dengan diagram alur penelitian 3.1 dibawah ini :

Studi literatur

Analisis kebutuhan

Pengumpulan data

Perancangan sistem

Implementasi sistem

Pengujian dan Analisis

Kesimpulan

Gambar 3.1 Diagram alur penelitian

3.1 Studi literatur

Pada tahap studi literatur pada penelitian ini akan membahas tantang teori-
teori yang berkaitan untuk penelitian yang akan dilakukan, teori tersebut
didapatkan dari buku, jurnal, skripsi yang sudah pernah dilakukan dan dari
website. Teori-teori tersebut meliputi :
1. Kajian pustaka dari penelitian yang sebelumnya sudah dilakukan.
2. Pengertian tentang kecerdasan buatan dan klasifikasi.
3. Pengertian metode decision tree C4.5.
4. Teori tentang penyakit Typhoid Fever (TF).
5. Teori tentang penyakit Dengue Haemorhagic Fever (DHF).

3.2 Analisis kebutuhan

Pada tahap analisis kebutuhan dilakukan untuk menganalisis kebutuhan apa
saja yang akan dibutuhkan untuk membangun sistem klasifikasi penyakit Typhoid
Fever (TF) dan Dengue Haemorhagic Fever (DHF) dengan metode decision tree
C4.5 dalam pengimplementasiannya. Kebutuhan yang akan digunakan pada
sistem ini meliputi :

11
 1. Kebutuhan hardware yang berupa PC/Laptop
2. Kebutuhan software yang meliputi :
- Sistem operasi menggunakan Microsoft Windows 10
- Database MySQL
- Pemrograman PHP
- XAMPP
3. Kebutuhan data yang meliputi :
- Data gejala penyakit Typhoid Fever (TF) dan Dengue Haemorhagic Fever
(DHF)
- Data rekam medis penyakit Typhoid Fever (TF) dan Dengue Haemorhagic
Fever (DHF)

3.3 Pengumpulan data

Pengumpulan data untuk penelitian ini dilakukan di Rumah Sakit Wilujeng
Kediri. Data yang didapatkan berupa pengetahuan berupa penyakit Typhoid Fever
(TF) dan Dengue Haemorhagic Fever (DHF) serta gejala-gejalanya. Data yang
diperoleh adalah hasil dari buku terkait penyakit yang diangkat dan melakukan
observasi diruang rekam medis Rumah Sakit Wilujeng Kediri. Data yang
didapatkan nantinya akan diolah dengan menggunakan metode decision tree C4.5.
Tabel kebutuhan data penelitian dapat dilihat pada tabel 3.1.
Tabel 3.1 Kebutuhan Data Penelitian
No Kebutuhan Data Sumber Data Metode Kegunaan Data
1. Data mengenai Dokter, buku, mencari Sebagai data
gejala penyakit internet, RS literatur melalui pengetahuan
Typhoid Fever Wilujeng internet dan mengenai gejala
(TF) dan Dengue buku penyakit yang
Haemorhagic diangkat dalam
Fever (DHF) penelitian
2. Data pasien Rekam Medis Observasi Data yang
Rumah Sakit diperoleh akan
Wilujeng digunakan dalam
metode decision
tree C4.5

3.4 Perancangan sistem

3.4.1 Perancangan penyusunan tree
Arsitektur perancangan penyusunan tree yang akan dibuat seperti gambar 3.2
di bawah ini yang mana sistem bekerja dengan memasukkan data gejala pasien
kemudian data diproses dengan metode decision tree C4.5, Langkah pertama yaitu
dengan menghitung nilai entropy kemudian akan dihitung nilai gain dan
didapatkan tree dalam bentuk rule. Keluaran yang dihasilkan sistem berupa jenis
penyakit yang diderita oleh pasien.
12
 Gambar 3.2 Perancangan penyusunan tree
3.4.2 Perancangan pengujian data
Pada perancangan pengujian data, sistem bekerja dengan memasukkan data
gejala pasien kemudian data diproses dengan metode decision tree C4.5,
selanjutnya sistem menghitung nilai benar pada pengujian tersebut dan
menghitung akurasi yang didapat dari setiap uji coba, setelah itu sistem
mengkalkulasikan nilai rata-rata yang diperoleh dari setiap pengujian.
Perancangan pengujian data dapat dilihat pada gambar 3.3.

Gambar 3.3 Perancangan pengujian data

13
3.5 Implementasi sistem
Pada tahap implementasi sistem ini sistem klasifikasi dibangun dengan
perancangan yang telah dibuat dengan menerapkan studi literatur yang ada.
Aplikasi sistem klasifikasi gejala penyakit Typhoid Fever (TF) dan Dengue
Haemorhagic Fever (DHF) ini dibangun dengan menerapkan metode decision tree
C4.5 dengan menggunakan bahasa pemrograman PHP. Keluaran yang dihasilkan
oleh sistem ini berupa diagnosis penyakit Typhoid Fever (TF) dan Dengue
Haemorhagic Fever (DHF).

3.6 Pengujian dan Analisis

Pengujian sistem dilakukan untuk mengetahui apakah sistem klasifikasi yang
dibuat dapat berjalan baik dan sesuai dengan spesifikasi kebutuhan yang
diterapkan dan analisis merupakan tahapan setelah melalukan proses pengujian.
Pengujian tersebut dilakukan dengan cara membandingkan hasil diagnosis dokter
dengan hasil diagnosis sistem. Pengujian sistem ini menggunakan K-folds cross
validation. Dalam pengujian ini dataset dibagi menjadi K-buah partisi kemudian
dilakukan sebanyak K-kali percobaan, dimana disetiap percobaan menggunakan
data partisi ke-K sebagai data uji dan sisa data lainnya sebagai data latih. Untuk
mendapatkan akurasi dihitung menggunakan persamaan 2.3 dan 2.4.

3.7 Kesimpulan
Setelah tahapan perancangan, implementasi dan pengujian sistem selesai
dilakukan maka tahap selanjutnya adalah menarik kesimpulan dan saran.
Kesimpulan didapatkan dari hasil pengujian sistem dengan metode decision tree
C4.5, sedangkan untuk saran digunakan untuk memberikan pertimbangan untuk
penelitian yang akan dilakukan selanjutnya.

14
 BAB 4 PERANCANGAN

Pada bab ini menjelaskan tentang analisa kebutuhan perangkat lunak dan
perancangan untuk sistem klasifikasi penyakit Typhoid Fever (TF) dan Dengue
Haemorhagic Fever (DHF) dengan menggunakan algoritma C4.5. Pada gambar 4.1
dibawah ini menunjukan proses yang dilakukan pada bab perancangan ini.

Deskripsi Sistem

Perancangan Sistem

Perhitungan Manual

Perancangan Antarmuka

Perancangan Pengujian

Gambar 4.1 Diagram alur perancangan

4.1 Deskripsi sistem
Sistem yang dibuat merupakan sebuah sistem yang menerapkan algoritma
C4.5 yang digunakan dalam klasifikasi penyakit Typhoid Fever (TF) dan Dengue
Haemorhagic Fever (DHF). Pada sistem ini akan mengolah data dari 10 gejala dari
penyakit Typhoid Fever (TF) dan Dengue Haemorhagic Fever (DHF), gejala tersebut
meliputi demam, mual dan muntah, nyeri ulu hati, sakit kepala, diare, tidak nafsu
makan, lemas, lidah kotor dan bintik merah pada kulit. Untuk melakukan
perhitungan akurasi dilakukan dengan perhitungan algoritma C4.5.
4.2 Perancangan sistem
4.2.1 Perancangan proses pembelajaran
Proses perancangan pada sistem klasifikasi penyakit TF dan DHF adalah
dengan memasukkan data gejala penyakit yang terdiri dari demam, trombosit,
mual dan muntah, nyeri ulu hati, sakit kepala, diare, tidak nafsu makan, lemas,
lidah kotor dan bintik merah. Langkah pertama yaitu dengan menghitung nilai
entropy kemudian akan dihitung nilai gain dan didapatkan tree dalam bentuk rule.
Keluaran yang dihasilkan sistem berupa jenis penyakit yang diderita oleh pasien.
Perancangan proses pembelajaran dapat dilihat pada gambar 4.2

15
 Gambar 4.2 Diagram alir perancangan pembelajaran
4.2.2 Proses pembelajaran klasifikasi algoritma C4.5
Pada proses ini dilakukan proses algoritma C4.5 untuk klasifikasi, pertama
dengan memasukan data training lalu menentukan entropy dengan persamaan
2.1, setelah nilai tersebut ditemukan maka selanjutnya menghitung nilai gain
dengan persamaan 2.2 dan jika sudah maka akan didapatkan nilai gain tertinggi
dari 10 atribut tersebut, nilai gain tertinggi itu akan dicetak sebagai root awal.
Kemudian dari atribut yang dicetak tersebut akan dilakukan perhitungan entropy
dan gain kembali sampai tidak ada lagi node cabang yang belum
mengklasifikasikan keputusan. Pada gambar 4.3 berikut merupakan proses
pembelajaran dari perhitungan nilai entropy.
Lalu langkah berikutnya yaitu dengan menghitung nilai gain. Nilai gain
didapatkan dari persamaan 2.2. Nilai gain tertinggi akan ditetapkan sebagai root
awal. Kemudian root-root berikutnya akan dihitung lagi dengan persamaan 2.1
dan 2.2 sampai tidak ada lagi node cabang yang belum mengklasifikasikan
keputusan. Proses perhitungan nilai gain dan penentuan root dapat dilihat pada
gambar 4.4.

16
Gambar 4.3 Proses perhitungan nilai entropy

Gambar 4.4 Proses perhitungan nilai gain

17
4.3 Perhitungan manual
Berikut adalah langkah-langkah perhitungan algoritma C4.5 :
Langkah 1 : menghitung nilai entropy dan gain
- Hitung entropy dari total kasus, yang mengacu pada persamaan 2.1:
 16  16    8  8   6  6 
Entropy(total )     log 2        log 2        log 2   
 30  30   30  30   30  30  
Entropy(total )  1,4565

- Kemudian hitung untuk nilai entropy pada setiap atribut, mengacu pada
persamaan 2.1 :
 7  7   5  5 
Entropy( demam  6hari)     log 2        log 2     0
 12  12    12  12  
 0,9798
 9  9   3  3   6  6 
Entropy( demam  5hari)     log 2        log 2        log 2   
 18  18    18  18    18  18  
 1,4591
 3  3   6  6 
Entropy(trombosit , normal)  0     log 2        log 2   
 9   
9 9  9 
 0,9183
 9  9   5  5 
Entropy(trombosit , sedang)     log 2        log 2     0
 14  14   14  14  
 0,9402
Entropy(trombosit , rendah)  0
 11  11    5  5 
Entropy( mualmuntah, ya )     log 2        log 2     0
 16  16    16  16  
 0,8960
 5  5   3  3   7  7 
Entropy( mualmuntah, tidak )     log 2        log 2        log 2   
 14  14    14  14    14  14  
 1,5067
 12  12    5  5 
Entropy( nyeriuluhati , ya )     log 2        log 2     0
 17  17    17  17  
 0,8739
 4  4   3  3   6  6 
Entropy( nyeriuluhati , tidak )     log 2        log 2        log 2   
 13  13    13  13    13  13  
 1,5262
 12  12    6  6 
Entropy( sakitkepala, ya )     log 2        log 2     0
 18  18    18  18  
 0,9183
 4  4   2  2   6  6 
Entropy( sakitkepala, tidak )     log 2        log 2        log 2   
 12  12   12  12   12  12  
 1,4591
 10  10    5  5 
Entropy( diare, ya )     log 2        log 2     0
 15  15   15  15  
 0,9183
 6  6   3  3   6  6 
Entropy( diare, tidak )     log 2        log 2        log 2   
 15  15    15  15    15  15  
 1,5219

18
  12  12    5  5 
Entropy(tidaknafsumakan, ya )     log 2        log 2     0
 17  17    17  17  
 0,8739
 4  4   3  3   6  6 
Entropy(tidaknafsumakan, tidak )     log 2        log 2        log 2   
 13  13    13  13    13  13  
 1,5263
 13  13    6  6 
Entropy(lemas, ya )     log 2        log 2     0
 19  19    19  19  
 0,8997
 3  3   2  2   6  6 
Entropy(lemas, tidak )     log 2        log 2        log 2   
 11  11    11  11    11  11  
 1,4353
Entropy(lidahkotor, berat)  0
 16  16    2  2   6  6 
Entropy(lidahkotor, tidakada)     log 2        log 2        log 2   
 24  24    24  24    24  24  
 1,1887
Entropy(b int ikmerah, ada)  0
 3  3   8  8   6  6 
Entropy(b int ikmerah, tidakada)     log 2        log 2        log 2   
 17  17    17  17    17  17  
 1,4836

- Setelah dicari nilai entropy dari setiap atribut yang ada, kemudian
menghitung nilai gain dari setiap atribut, perhitungan nilai gain mengacu
pada persamaan 2.2
  12   18 
Gain( demam)  1,4565     0,9798     1,4591    0,1891
  30   30 
 9   14  
Gain(trombosit )  1,4565     0,9183     0,9402   0   0,7422
 30   30  
  16   13 
Gain( mualmuntah)  1,4565     0,8960     1,5067    0,2755
  30   30 
  17   13 
Gain( nyeriuluhati )  1,4565     0,8739     1,5262    0,2999
  30   30 
  18   12 
Gain( sakitkepala )  1,4565     0,9183     1,459    0,219
  30   30 
  15   15 
Gain( diare)  1,4565     0,9183     1,5219    0,2364
 30   30 
  17   13 
Gain(tidaknafsumakan)  1,4565     0,8739     1,5263    0,2999
  30   30 
  19   11 
Gain(lemas)  1,4565     0,8997     1,4353    0,3604
  30   30 
  24 
Gain(lidahkotor )  1,4565   0    1,188    0,5055
  30 
  17 
Gain(b int ikmerah)  1,4565   0    1,4836    0,6158
  30 

19
  Hasil perhitungan untuk nilai entropy dan gain ditunjukkan pada tabel 4.1.
Tabel 4.1 Node 1

NODE ATRIBUT Jumlah Kasus DHF TF LAIN Entropy Gain

1 Total 30 16 8 6 1,456565
Demam 0,189129
>=6 12 7 5 0 0,979869
<5 18 9 3 6 1,459148
trombosit 0,742276
normal 9 0 3 6 0,918296
sedang 14 9 5 0 0,940286
rendah 7 7 0 0 0
mual muntah 0,275534
ya 16 11 5 0 0,896038
tidak 14 5 3 7 1,506737
nyeri ulu hati 0,29994
ya 17 12 5 0 0,873981
tidak 13 4 3 6 1,526235
sakit kepala 0,321928
ya 18 12 6 0 0,918296
tidak 12 4 2 6 1,459148
diare 0,236453
ya 15 10 5 0 0,918296
tidak 15 6 3 6 1,521928
tidak nafsu makan 0,29994
ya 17 12 5 0 0,873981
tidak 13 4 3 6 1,526235
lemas 0,360424
ya 19 13 6 0 0,899744
tidak 11 3 2 6 1,435371
lidah kotor 0,505587
berat 6 0 6 0 0
tidak ada 24 16 2 6 1,188722
bintik merah 0,615825
ada 13 13 0 0 0
tidak ada 17 3 8 6 1,483659
Langkah 2 : menentukan node akar
Dari hasil perhitungan pada tabel 4.1 didapatkan nilai gain tertinggi sebesar
0,7422 pada atribut trombosit. Sehingga atribut trombosit menjadi node akar.
Pada atribut tersebut terdapat 3 nilai atribut yaitu normal, sedang dan rendah.
Nilai atribut yang ketiga yaitu rendah sudah mengklasifikasikan kasus menjadi 1
yaitu dengan hasil penyakit DHF sehingga tidak perlu dilakukan perhitungan lebih
lanjut. Sedangkan pada nilai atribut normal dan sedang belum mengklasifikasikan
kasus menjadi satu keputusan sehingga perlu dilakukan perhitungan lagi. Dari
proses tersebut maka dihasilkan pohon sementara seperti berikut :

20
 Gambar 4.5 Node 1

Langkah 3 : mencari node cabang

 Perhitungan dilakukan untuk mencari node cabang dari nilai atribut
trombosit normal. Perhitungan dilakukan dengan mencari nilai dari atribut
selain yang menjadi node akar yaitu dengan mencari jumlah kasus untuk
hasil TF dan DHF dan nilai entropy dari semua kasus dan kemudian mencari
nilai gain dan atribut dengan nilai gain tertinggi. Dilakukan perhitungan
nilai entropy yang mengacu pada persamaan 2.1 dan perhitungan nilai gain
dengan mengacu persamaan 2.2. Hasil dari perhitungan nilai entropy dan
gain dapat dilihat pada tabel 4.2. Dari tabel perhitungan tersebut
didapatkan nilai gain tertinggi sebesar 0,9182 pada atribut lidah kotor,
sehingga atribut tersebut menjadi node cabang dari trombosit normal.
Pada atribut lidah kotor sudah mengklasifikasikan kasus menjadi satu yaitu
dengan hasil penyakit TF dan LAIN (selain penyakit TF dan DHF). Sehingga
pohon sementara yang diperoleh seperti gambar 4.7 berikut:

Gambar 4.6 Node 2

21
Tabel 4.2 Node 2

NODE ATRIBUT Jumlah Kasus DHF TF LAIN Entropy Gain

2 TROMBOSIT NORMAL 9 0 3 6 0,918296
Demam 0,458106
>=6 2 0 2 0 0
<5 7 0 1 6 0,591673
mual muntah 0,19716
ya 1 0 1 0 0
tidak 8 0 2 6 0,811278
nyeri ulu hati 0,458106
ya 2 0 2 0 0
tidak 7 0 1 6 0,591673
sakit kepala 0,458106
ya 2 0 2 0 0
tidak 7 0 1 6 0,591673
diare 0,19716
ya 1 0 1 0 0
tidak 8 0 2 6 0,811278
tidak nafsu makan 0,19716
ya 1 0 1 0 0
tidak 8 0 2 6 0,811278
lemas 0,918296
ya 3 0 3 0 0
tidak 6 0 0 6 0
lidah kotor 0,918296
berat 3 0 3 0 0
tidak ada 6 0 0 6 0
bintik merah 0
ada 0 0 0 0 0
tidak ada 9 0 3 6 0,918296

 Selanjutnya dilakukan perhitungan untuk menentukan node cabang dari

atribut trombosit sedang. Dilakukan perhitungan nilai entropy yang
mengacu pada persamaan 2.1 dan perhitungan nilai gain dengan mengacu
persamaan 2.2. Hasil dari perhitungan nilai entropy dan gain dapat dilihat
pada tabel 4.3. Dari tabel perhitungan tersebut didapatkan nilai gain
tertinggi sebesar 0,6617 pada atribut bintik merah, sehingga atribut
tersebut menjadi node cabang dari trombosit sedang. Pada atribut bintik
merah dengan nilai atribut bintik merah ada sudah mengklasifikasikan
suatu penyakit yaitu DHF. Dan pada nilai atribut bintik merah tidak ada
belum mengklasifikasikan dalam satu kelas sehingga perlu dilakukan
perhitungan lagi. Pohon sementara untuk pencarian node cabang dari
atribut trombosit sedang dapat dilihat pada gambar 4.8.

22
 Tabel 4.3 Node 3

NODE ATRIBUT Jumlah Kasus DHF TF LAIN Entropy Gain

3 TROMBOSIT SEDANG 14 9 5 0 0,940286
Demam 0,048127
>=6 6 3 3 0 1
<5 8 6 2 0 0,811278
mual muntah 0,045334
ya 9 5 4 0 0,991076
tidak 5 4 1 0 0,721928
nyeri ulu hati 0,025078
ya 10 7 3 0 0,881291
tidak 4 2 2 0 1
sakit kepala 0,000489
ya 11 7 4 0 0,94566
tidak 3 2 1 0 0,918296
diare 0,014956
ya 10 6 4 0 0,970951
tidak 4 3 1 0 0,811278
tidak nafsu makan 0,014956
ya 10 6 4 0 0,970951
tidak 4 3 1 0 0,811278
lemas 0,079304
ya 11 8 3 0 0,845351
tidak 3 1 2 0 0,918296
lidah kotor 0,402827
berat 3 0 3 0 0
tidak ada 11 9 2 0 0,684038
bintik merah 0,661705
ada 8 8 0 0 0
tidak ada 6 1 5 0 0,650022

Pohon sementara node 3 :

Gambar 4.7 Node 3

23
 Setelah didapatkan pohon sementara seperti pada gambar 4.8 maka
dilakukan perhitungan untuk mencari node cabang dari nilai atribut bintik merah
tidak ada. Hasil perhitungan untuk nilai entropy dan gain untuk perhitungan
atribut bintik merah tidak ada ditunjukkan pada tabel 4.4 berikut :
Tabel 4.4 Node 4

NODE ATRIBUT Jumlah Kasus DHF TF LAIN Entropy Gain

4 BINTIK MERAH TIDAK ADA 6 1 5 0 0,650022
Demam 0,190875
>=6 3 0 3 0 0
<5 3 1 2 0 0,918296
mual muntah 0,048416
ya 5 1 4 0 0,721928
tidak 1 0 1 0 0
nyeri ulu hati 0,10917
ya 4 1 3 0 0,811278
tidak 2 0 2 0 0
sakit kepala 0,048416
ya 5 1 4 0 0,721928
tidak 1 0 1 0 0
diare 0,316689
ya 4 0 4 0 0
tidak 2 1 1 0 1
tidak nafsu makan 0,048416
ya 5 1 4 0 0,721928
tidak 1 0 1 0 0
lemas 0,10917
ya 4 1 3 0 0,811278
tidak 2 0 2 0 0

Dari tabel perhitungan di atas didapatkan nilai gain tertinggi sebesar 0,3166
pada atribut diare, sehingga atribut tersebut menjadi node cabang dari bintik
merah tidak ada. Pada atribut diare ya sudah mengkalsifikasikan suatu penyakit
yaitu penyakit TF dan pada nilai atribut diare tidak belum mengklasifikasikan suatu
penyakit sehingga perlu dilakukan perhitungan lebih lanjut. Sehingga pohon
sementara yang didapatkan dari perhitungan diatas dapat dilihat pada gambar 4.9.

24
 Gambar 4.8 Node 4
Setelah didapatkan pohon sementara seperti pada gambar 4.9 maka
dilakukan perhitungan untuk mencari node cabang dari nilai atribut diare tidak.
Hasil perhitungan untuk nilai entropy dan gain untuk perhitungan atribut tersebut
ditunjukkan pada tabel 4.5 berikut :
Tabel 4.5 Node 5

NODE ATRIBUT Jumlah Kasus DHF TF LAIN Entropy Gain

5 DIARE TIDAK 2 1 1 0 1
Demam 1
>=6 1 0 1 0 0
<5 1 1 0 0 0
mual muntah 0
ya 2 1 1 0 1
tidak 0 0 0 0 0
nyeri ulu hati 0
ya 2 1 1 0 1
tidak 0 0 0 0 0
sakit kepala 0
ya 2 1 1 0 1
tidak 0 0 0 0 0
tidak nafsu makan 0
ya 2 1 1 0 1
tidak 0 0 0 0 0
lemas 0
ya 2 1 1 0 1
tidak 0 0 0 0 0

25
 Dari tabel perhitungan di atas didapatkan nilai gain tertinggi sebesar 1 pada
atribut demam, sehingga atribut tersebut menjadi node cabang dari diare tidak.
Pada atribut demam <5 dan >=6 sudah mengklasifikasikan kasus menjadi satu
yaitu dengan hasil penyakit TF dan DHF sehingga tidak perlu perhitungan lebih
lanjut. Pohon keputusan dengan menggunakan algoritma C4.5 dibawah ini sudah
terselesaikan karena tidak ada lagi node cabang yang belum mengklasifikasikan
satu keputusan. Sehingga pohon keputusan yang diperoleh sebagai berikut :

Gambar 4.9 Pohon keputusan

4.4 Perancangan antarmuka
Antarmuka berfungsi sebagai penghubung antara sistem dan pengguna, dan
agar memudahkan pengguna dalam menjalankannya. Pada perancangan
antarmuka untuk sistem ini menampilkan halaman beranda, halaman diagnosa,
halaman data, halaman tree dan halaman pengujian.
4.4.1 Perancangan antarmuka halaman beranda
Pada halaman ini merupakan halaman tampilan awal sistem yang didalamnya
terdapat menu didalamnya, seperti halaman halaman diagnosa, halaman data,
halaman tree dan halaman pengujian. Halaman beranda dapat dilihat pada
gambar 4.11.

26
 Gambar 4.10 Perancangan antarmuka beranda
4.4.2 Perancangan antarmuka halaman diagnosa
Pada halaman diagnosa terdapat beberapa masukan gejala penyakit seperti
demam, trombosit, mual dan muntah, nyeri ulu hati, sakit kepala, diare, tidak
nafsu makan, lemas, lidah kotor dan bintik merah ,digambarkan pada gambar 4.12
berikut :

Gambar 4.11 Perancangan antarmuka diagnosa

Dan jika selesai pengguna dapat menekan tombol deteksi, kemudian akan
muncul tampilan hasil deteksi penyakitnya. Berikut gambar 4.13 dari halaman
tersebut :

27
 Gambar 4.12 Perancangan antarmuka hasil diagnosa
4.4.3 Perancangan antarmuka halaman data
Pada halaman data menampilkan kolom-kolom gejala dan kelas penyakit
dari data latih. Pada gambar 4.14 dibawah ini menggambarkan halaman data.

Gambar 4.13 Perancangan antarmuka halaman data

4.4.4 Perancangan antarmuka halaman tree
Pada halaman tree menampilkan gambar pohon keputusan sistem. Pada
gambar 4.15 dibawah ini menggambarkan halaman tree.

28
 Gambar 4.14 Perancangan antarmuka halaman tree
4.4.5 Perancangan antarmuka halaman pengujian
Pada halaman pengujian menampilkan hasil pengujian sistem. Pada gambar
4.16 dibawah ini menggambarkan halaman pengujian.

Gambar 4.15 Perancangan antarmuka halaman pengujian

4.5 Perancangan pengujian
Pengujian sistem ini menggunakan K-folds cross validation, yaitu dengan
melakukan beberapa kali pengujian dengan nilai k yang berbeda-beda. Dalam
pengujian ini dataset dibagi menjadi K-buah partisi kemudian dilakukan sebanyak
K-kali percobaan, dimana disetiap percobaan menggunakan data partisi ke-K

29
sebagai data uji dan sisa data lainnya sebagai data latih. Perancangan pengujian
dapat dilihat pada tabel 4.6.
Tabel 4.6 Rancangan tabel pengujian k-fold cross validation
JUMLAH DATA
K-FOLD AKURASI (%)
DATA UJI DATA LATIH
2
RATA-RATA AKURASI
5
RATA-RATA AKURASI
8
RATA-RATA AKURASI
10
RATA-RATA AKURASI
12
RATA-RATA AKURASI

30
 BAB 5 IMPLEMENTASI

Pada bab ini membahas mengenai implementasi dari perancangan yang

sebelumnya dibuat. Implementasi dari sistem ini berupa spesifikasi dari perangkat
keras dan lunak, batasan implementasi, implementasi algoritma dan implementasi
antarmuka sistem. Secara garis besar langkah-langkah pembahasan implementasi
dapat dilihat pada gambar 5.1.

5.1.1 Perangkat Keras

5.1 Spesifikasi
Sistem
5.1.2 Perangkat Lunak

5.2 Batasan 5.3.1 Implementasi Algoritma perhitungan

Implementasi entropy

5.3.2 Implementasi Algoritma perhitungan

gain
5. Implementasi

5.3 Implementasi
Algoritma
5.3.3 Implementasi Algoritma
pembentukan tree

5.3.4 Implementasi Algoritma pengujian

5.4.1 Halaman Beranda

5.4.2 Halaman Diagnosa

5.4.3 Halaman Hasil Diagnosa

5.4 Implementasi
Antarmuka
5.4.4 Halaman Data

5.4.5 Halaman tree

5.4.6 Halaman pengujian

Gambar 5.1 Implementasi Sistem

5.1 Spesifikasi sistem

Aspek yang digunakan pada implementasi sistem ini terdiri dari spesifikasi
perangkat keras dan perangkat lunak.

5.1.1 Spesifikasi perangkat keras

Berikut adalah spesifikasi perangkat keras yang digunakan untuk
membangun sistem seperti tabel 5.1.

31
 Tabel 5.1 Spesifikasi perangkat keras
Nama Spesifikasi
Processor Intel(R) CoreTMi5-3337U CPU @ 1.80GHz
RAM 4,00 GB
HD 500GB

5.1.2 Spesifikasi perangkat lunak

Berikut adalah spesifikasi perangkat lunak yang digunakan untuk
membangun sistem seperti tabel 5.2.
Tabel 5.2 Spesifikasi perangkat lunak
Nama Spesifikasi
Sistem Operasi Windows10
Bahasa Pemrograman PHP
Tools Notepad++
Webserver Apache MySQL

5.2 Batasan implementasi

Ada beberapa batasan dalam sistem klasifikasi ini, yaitu :
1. Sistem yang dibangun menggunakan bahasa pemrograman PHP berbasis
web.
2. Metode yang digunakan untuk membangun sistem yaitu C4.5.
3. Masukkan sistem berupa gejala penyakit pasien TF dan DHF, berikut
gejalanya : demam, trombosit, mual muntah, nyeri ulu hati, sakit kepala,
diare, tidak nafsu makan, lemas, lidah kotor dan bintik merah pada kulit.
4. Keluaran sistem berupa diagnosa penyakit yang diderita oleh pasien.
Penyakit pada sistem berupa penyakit Typhoid Fever (TF) dan penyakit
Dengue Haemorhagic Fever (DHF) dan satu kelas penyakit lainnya dengan
10 gejala penyakit.

5.3 Implementasi algoritma

Implementasi algoritma merupakan acuan perancangan proses yang di
dalamnya memuat proses implementasi perhitungan nilai enntropy, implementasi
perhitungan nilai gain, implementasi pohon keputusan dan implementasi
pengujian.

32
 5.3.1 Implementasi algoritma perhitungan nilai entropy
Langkah pertama yang dilakukan dalam membangun sistem ini adalah dengan
perhitungan nilai entropy. Implementasi perhitungan nilai entropy dapat dilihat
pada gambar 5.2.
1 public function hitungEntropy($data) {
2 $jumlah = array();
3 foreach ($data as $set) {
4 if (!isset($jumlah[$set[1]]))
5 $jumlah[$set[1]] = 1;
6 else
7 $jumlah[$set[1]]++;
8 }
9 $entropy = 0;
10 $total = array_sum($jumlah);
11 foreach ($jumlah as $value)
12 $entropy += -($value / $total) * log($value / $total, 2);
13 return $entropy;
14 }
Gambar 5.2 Proses perhitungan nilai entropy
Penjelasan dari gambar 5.2 sebagai berikut :
1. Baris 1 membuat fungsi hitung entropy
2. Baris 2 inisialisasi atribut jumlah dalam bentuk array
3. Baris 3-8 membuat perulangan sebanyak jumlah data, jika data masih
kosong maka diisi 1 apabila tidak maka jumlah ditambah
4. Baris 9-14 rumus perhitungan entropy

5.3.2 Implementasi algoritma perhitungan nilai gain

Untuk menghitung nilai gain maka harus menyelesaikan perhitungan nilai
entropy yang ada pada gambar 5.2. Gambar 5.3 berikut merupakan perhitungan
nilai gain.
1 public function hitungGain($data, $kolom) {
2 $entropy = $this->hitungEntropy($data);
3 $jumlah = array();
4 foreach ($data as $set) {
5 if (!isset($jumlah[$set[0][$kolom]]))
6 $jumlah[$set[0][$kolom]] = array();
7 if (!isset($jumlah[$set[0][$kolom]][$set[1
8 $jumlah[$set[0][$kolom]][$set[1]] = 0;
9 $jumlah[$set[0][$kolom]][$set[1]]++;
10 }
11 $gain = 0;
12 $total = count($data);
13 foreach ($jumlah as $key => $value) {
14 $gain -= (array_sum($value) / $total) * $this->hitungEntropy(array_filter($data,
15 function ($set) use ($kolom, $key) {

33
16 return ($set[0][$kolom] == $key);
17 }
18 ));
19 }
20 return $entropy + $gain;
21 }
Gambar 5.3 Perhitungan nilai gain
Penjelasan dari gambar 5.3 sebagai berikut :
1. Baris 1 membuat fungsi hitung gain
2. Baris 2 memanggil fungsi entropy
3. Baris 3-10 perulangan sebanyak data, jika variabel jumlah masih kosong
maka diinisialisai berdasarkan kolom dan disimpan dalam array
4. Baris 11-21 perhitungan nilai gain

5.3.3 Implementasi algoritma pembentukan tree

1 public function buatTree($data_latih, $target_atribut, $arrayatribut = array()) {
2 $kolom = $target_atribut;
3 $kelas = $this->getKelas($data_latih);
4 if (count($kelas) === 1) {
5 return new TreeLabel($kelas[0]);
6 } elseif (count($arrayatribut) === 0) {
7 $nilaidata = $this->getNilaidata($data_latih, $kolom);
8 $prob = $this->hitungProb($data_latih, $kolom);
9 $node = array();
10 foreach ($nilaidata as $value) {
11 end($prob[$value]);
12 $label = key($prob[$value]);
13 $node[$kolom." ".$value] = new TreeLabel($label);
14 }
15 return new TreeNode($node);
16 } else {
17 $nilaidata = $this->getNilaidata($data_latih, $kolom
18 $node = array();
19 foreach ($nilaidata as $value)
20 $node[$kolom." ".$value] = $this->buatTree(
21 $this->getIsidataDari($data_latih, $kolom, $value),
22 array_pop($arrayatribut),
23 $arrayatribut
24 );
25 }
26 return new TreeNode($node);
27 }
28 }
Gambar 5.4 Proses perhitungan tree
Penjelasan dari gambar 5.4 sebagai berikut :
1. Baris 1-2 membuat fungsi tree dan inisialisasi atribut kolom

34
 2. Baris 4-5 jika jumlah kelas benar benar 1 maka mengeluarkan kelas
klasifikasinya
3. Baris 6-15 apabila jumlah atribut=0 maka memanggil nilai data, dan
perulangan sebagai value dan hitung nilai probabilitas yang paling
terakhir dan memanggil nilai label lalu dibuat node dari kelas dan
dimasukkan di tree label
4. Baris 16-28 memanggil nilai data dan perulangan sebagai nilai value dan
membuat node lagi berupa percabangan buat tree lagi

5.3.4 Implementasi algoritma pengujian

Gambar 5.5 berikut adalah implementasi dari pengujian.
1 $jumlahk = 10;
2 $k = count($dataset)/$jumlahk;
3 $akhir = $k;
4 $awal = 0;
5 for ($i = 0; $i < $jumlahk; $i++) {
6 echo "data uji ke ".($i+1)."<br>";
7 $cek = array();
8 for ($j = 0; $j < count($dataset); $j++) {
9 if($awal<$akhir){
10 $data_uji[$i][] = $dataset[$awal];
11 $cek[] = $awal;
12 $awal++;
13 }
14 if(!in_array($j,$cek)){
15 $data_latih[$i][] = $dataset[$j];}
16 }
17 $akhir += $k;

18 $dTree = new DecisionTree\DecisionTree;

19 $dTree->setAtribut($atribut)->addDatalatih($data_latih[$i])-
>mulaiPelatihan();
20 $benar = 0;
21 $salah = 0;
22 $j = 1;
23 foreach($data_uji[$i] as $set){
24 $j++;
25 if($dTree->klasifikasi(array_values($set[0])) == $set[1]){
26 $benar++;
27 }else{
28 $salah++;
29 }
30 }
31 $akurasi[$i] = $benar/(count($data_uji[$i]))*100;
32 echo "\nMenjalankan data uji sebanyak (", count($data_uji[$i]), "):\nBenar: ",
33 $benar, "\nSalah: ", $salah, "\nAccuracy: ", round($akurasi[$i]),"%<br><br>";
34 }
35 $rataakurasi = array_sum($akurasi)/count($data_uji);

35
 36 echo "rata2 akurasi = ".$rataakurasi."%";
Gambar 5.5 Proses tree
Penjelasan dari gambar 5.4 sebagai berikut :
1. Baris 1-4 inisialisasi untuk perhitungan pengujian
2. Baris 5-6 perulangan sebanyak berapa pengujian
3. Baris 7-17 perulangan sebanyak dataset, jika masuk range antara atribut
awal dan akhir maka dataset tersebut sebagai data uji, apabila tidak maka
dataset tersebut sebagai data latih.
4. Baris 18-21 instance dari kelas desicion tree,dan inisialisasi atribut benar
dan salah
5. Baris 22-30 perulangan sebanyak data uji, apabila hasil klasifikasi sesuai
kelas di database maka benar, jika tidak maka salah.
6. Baris 31-34 perhitungan akurasi
7. Baris 35-36 perhitungan rata-rata akurasi

5.4 Implementasi antarmuka

5.4.1 Halaman beranda
Halaman beranda sistem diagnosa penyakit Typhoid Fever (TF) atau Dengue
Haemorhagic Fever (DHF) ini terdapat tampilan logo gambar, info penyakit
Typhoid Fever (TF) dan Dengue Haemorhagic Fever (DHF) beserta gambar, dan
pilihan menu pada samping kiri yang terdiri dari menu beranda, diagnosa, data,
tree dan pengujian. Tampilan halaman beranda dapat dilihat pada gambar 5.6
berikut.

Gambar 5.6 Implementasi halaman beranda

5.4.2 Halaman diagnosa

Halaman diagnosa pada sistem diagnosa penyakit Typhoid Fever (TF) atau
Dengue Haemorhagic Fever (DHF) ini terdapat form masukkan gejala-gejala
36
penyakit yang terdiri dari demam, trombosit, mual muntah, nyeri ulu hati, sakit
kepala, diare, tidak nafsu makan, lemas, lidah kotor, dan bintik merah dan buttonn
deteksi. Tampilan dari halaman ini dapat dilihat pada gambar 5.7.

Gambar 5.7 Implementasi halaman diagnosa

5.4.3 Halaman hasil diagnosa

Halaman hasil diagnosa pada sistem diagnosa penyakit Typhoid Fever (TF)
atau Dengue Haemorhagic Fever (DHF) ini menampilkan halaman yang berupa
hasil penyakit apa pada pasien penderita tersebut. Tampilan dari halaman ini
dapat dilihat pada gambar 5.8.

Gambar 5.8 Implementasi halaman hasil diagnosa

5.4.4 Halaman data

Halaman data pada sistem diagnosa penyakit Typhoid Fever (TF) atau Dengue
Haemorhagic Fever (DHF) ini menampilkan dataset yang diambil dari database.
Tampilan dari halaman ini dapat dilihat pada gambar 5.9.
37
 Gambar 5.9 Implementasi halaman data

5.4.5 Halaman tree

Halaman tree pada sistem diagnosa penyakit Typhoid Fever (TF) atau Dengue
Haemorhagic Fever (DHF) ini menampilkan pohon keputusan dari sistem dan
perhitungan nilai entropy dan gain. Tampilan dari halaman ini dapat dilihat pada
gambar 5.10.

Gambar 5.10 Implementasi halaman tree

5.4.6 Halaman pengujian

Halaman pengujian pada sistem diagnosa penyakit Typhoid Fever (TF) atau
Dengue Haemorhagic Fever (DHF) ini menampilkan hasil pengujian. Tampilan dari
halaman ini dapat dilihat pada gambar 5.11.

38
Gambar 5.11 Implementasi halaman pengujian

39
 BAB 6 PENGUJIAN DAN ANALISIS

Pada bab pengujian dan analisis membahas mengenai pengujian dan analisa
terhadap sistem klasifikasi penyakit penyakit Typhoid Fever (TF) dan Dengue
Haemorhagic Fever (DHF) dengan menggunakan metode decision tree C4.5.
Pengujian pada sistem ini akan dilakukan dengan menggunakan k-fold cross
validation. Dalam pengujian ini dataset dibagi menjadi K-buah partisi kemudian
dilakukan sebanyak K-kali percobaan, dimana disetiap percobaan menggunakan
data partisi ke-K sebagai data uji dan sisa data lainnya sebagai data latih.

6.1 Hasil pengujian k-fold cross validation

Pengujian sistem ini menggunakan k-fold cross validation, yaitu dengan
melakukan uji coba dengan menggunakan 2-fold, 5-fold, 8-fold, 10-fold dan 16-
fold. Dalam pengujian ini dataset dibagi menjadi K-buah partisi kemudian
dilakukan sebanyak K-kali percobaan, dimana disetiap percobaan menggunakan
data partisi ke-K sebagai data uji dan sisa data lainnya sebagai data latih. Hasil
pengujian k-fold cross validation dapat dilihat pada tabel 6.1.
Tabel 6.1 Hasil pengujian k-fold cross validation
JUMLAH DATA
K-FOLD UJI COBA KE- AKURASI (%)
DATA UJI DATA LATIH
1 80 80 88%
2 2 80 80 93%
RATA-RATA AKURASI 90%
1 32 128 91%
2 32 128 88%
3 32 128 94%
5
4 32 128 97%
5 32 128 91%
RATA-RATA AKURASI 91,875%
1 20 140 85%
2 20 140 90%
3 20 140 90%
4 20 140 90%
8 5 20 140 95%
6 20 140 100%
7 20 140 80%
8 20 140 95%
RATA-RATA AKURASI 90,625%
1 16 144 69%
2 16 144 94%
10
3 16 144 88%
4 16 144 94%

40
 5 16 144 94%
6 16 144 94%
7 16 144 100%
8 16 144 94%
9 16 144 81%
10 16 144 94%
RATA-RATA AKURASI 90%
1 10 150 70%
2 10 150 100%
3 10 150 100%
4 10 150 100%
5 10 150 80%
6 10 150 100%
7 10 150 90%
8 10 150 90%
16 9 10 150 100%
10 10 150 90%
11 10 150 100%
12 10 150 100%
13 10 150 80%
14 10 150 70%
15 10 150 90%
16 10 150 100%
RATA-RATA AKURASI 91,250%
Representasi grafik pada tabel 6.1 hasil pengujian k-fold cross validation dapat
dilihat pada gambar 6.1

Grafik Pengujian dengan k-fold cross

validation
RATA-RATA AKURASI

91,875%

91,250%
Akurasi

90,625%

90% 90%

2 5 8 10 16
K-fold

Gambar 6.1 Grafik hasil pengujian dengan k-fold cross validation

41
6.2 Analisa hasil pengujian k-fold cross validation
Pada pengujian dengan menggunakan k-fold cross validation dengan
melalukan beberapa kali uji dengan nilai k yang berbeda didapatkan nilai rata-rata
akurasi tertinggi pada 5-fold cross validation dengan akurasi sebesar 91,875% yang
menggunakan data uji sebanyak 32 data dan data latih sebanyak 128 data. Hasil
uji coba ke-4 pada pengujian 5-fold cross validation ini menghasilkan akurasi
tertinggi yaitu sebesar 97%.
Saat uji coba k-fold cross validation dengan menggunakan data uji dan data
latih berjumlah sama yaitu pada percobaan 2-fold cross validation mendapatkan
hasil akurasi yang berbeda, karena setiap data latih pada setiap uji coba
mempunyai data latih yang berbeda-beda. Untuk analisis dengan uji coba dengan
menggunakan 8-fold cross validation pada uji coba ke-2, ke-3 dan ke-4
menghasilkan akurasi sama yaitu sebesar 90%, menghasilkan nilai akurasi sebesar
95% yang sama pada uji coba ke-5 dan ke-8 dan menghasilkan akurasi 100% pada
uji coba ke-6, uji coba dari 8-fold cross validation ini memakai data uji berjumlah
20 data dan data latih sejumlah 140 data.
Analisis untuk pengujian 10-fold cross validation menghasilkan akurasi 100%
pada uji coba ke-7, artinya pada uji coba tersebut hasil dari data uji sama dengan
data latih, pada pengujian ini menggunakan data latih berjumlah 144 data dan
data uji sebanyak 16 data. Sedangkan analisis dengan melakukan pengujian 16-
fold cross validation dari data uji sejumlah 10 data dan data latih sejumlah 150
data, didapatkan hasil nilai uji coba sebesar 100% pada uji coba ke-2, ke-3, ke-4,
ke-6, ke-9, ke-11, ke-12 dan ke-16. Walaupun nilai akurasi 100% yang didapatkan
pada pengujian ini jumlahnya ada banyak, rata-rata akurasi pada pengujian 16-fold
cross validation ini masih dibawah nilai rata-rata akurasi yang didapat dengan
pengujian 5-fold cross validation. Jadi, pengujian yang optimal terjadi ketika
menggunakan 5-fold cross validation.
Tree yang terbentuk dari proses pengujian seperti gambar 6.2 dan untuk rule
bisa dilihat pada lampiran 3.

42
Gambar 6.2 Tree yang terbentuk

43
 BAB 7 KESIMPULAN

7.1 Kesimpulan
Berdasarkan hasil penelitian tentang klasifikasi penyakit Typhoid Fever (TF)
dan Dengue Haemorhagic Fever (DHF) dengan menerapkan algoritma decision
tree C4.5 dapat disimpulkan bahwa :
1. Algoritma decision tree C4.5 dapat diterapkan dalam proses klasifikasi
penyakit Typhoid Fever (TF) dan Dengue Haemorhagic Fever (DHF) dimana
dilakukan beberapa tahapan proses pembentukan decision tree yaitu dengan
menghitung nilai entropy dan gain.
2. Akurasi yang diperoleh sistem klasifikasi penyakit Typhoid Fever (TF) dan
Dengue Haemorhagic Fever (DHF) dengan dilakukan pengujian k-folds cross
validation didapatkan nilai rata-rata akurasi tertinggi pada 5-fold dengan
akurasi sebesar 91,875% yang menggunakan data uji sebanyak 32 data dan
data latih sebanyak 128 data. Sedangkan analisis dengan melakukan
pengujian 16-fold cross validation dari data uji sejumlah 10 data dan data latih
sejumlah 150 data, didapatkan hasil nilai uji coba sebesar 100% pada uji coba
ke-2, ke-3, ke-4, ke-6, ke-9, ke-11, ke-12 dan ke-16. Walaupun nilai akurasi
100% yang didapatkan pada pengujian ini jumlahnya ada banyak, rata-rata
akurasi pada pengujian 16-fold cross validation ini masih dibawah nilai rata-
rata akurasi yang didapat dengan pengujian 5-fold cross validation. Jadi,
pengujian yang optimal terjadi ketika menggunakan 5-fold cross validation.

7.2 Saran
Saran yang dapat diberikan dari penelitian untuk penelitian selanjutnya
adalah :
1. Untuk penelitian lebih lanjut dapat mengkombinasikan dengan metode yang
berbeda.
2. Untuk penelitian lebih lanjut sebaiknya menambahkan parameter maupun
jumlah data agar hasil klasifikasi lebih optimal.

44
 DAFTAR PUSTAKA

Adeyemo, & Adeyeye. (2015). Comparative Study of ID3/C4.5 Desicion Tree and
Multiplayer Peceptron Algorithms for the Prediction of Typhoid Fever.
African Journal of Computing & ICT : IEEE.
Andriani, A. (2013). Sistem Prediksi Penyakit Diabetes Berbasi Decision Tree. Jurnal
Bianglala Informatika.
Annisa, D. C. (2016). Sistem Pakar Diagnosa Awal Penyakit DBD, Malaria dan Tifoid
Menggunakan Metode Fuzzy K-Nearest Neighbor (FKNN). Skripsi.
Astuti, O. (2013). Demam Tifoid. Fakultas Kedokteran Universitas Muhammadiyah
Surakarta.
Bertalya. (2009). Konsep Data Mining : Klasifikasi Pohon Keputusan. Universitas
Gunadarma.
Bhavani, M., & Kumar, S. V. (2015). A Data Mining Approach for Preccise Diagnosis
of Dengue Fever. International Journal of Latest Trends in Engineering and
Technology.
Depkes. (2015, Januari 8). Demam Berdarah Biasanya Mulai Meningkat di Januari.
Diambil kembali dari depkes.go.id:
http://www.depkes.go.id/article/view/15011700003/demam-berdarah-
biasanya-mulai-meningkat-di-januari.html
Gorunescu, F. (2011). Data MIning - Concepts, Models and Technique. Berlin:
Springer - Verlag Berlin Heidelberg.
Harahap, N. (2011). Karakteristik Penderita Demam Typoid Rawat Inap . RSUD Deli
Serdang Lubuk Pakam.
Hartanto, D., & Hansun, S. (2014). Implementasi Data Mining dengan Algoritma
C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. ISSN 2085-4552.
Indonesia, D. K. (2015, Januari 8). Demam Berdarah Biasanya Mulai Meningkat di
Januari. Diambil kembali dari depkes.go.id:
http://www.depkes.go.id/article/view/15011700003/demam-berdarah-
biasanya-mulai-meningkat-di-januari.html
Judarwanto, W. (2009, Februari 19). Demam Yang Dapat Mengancam Jiwa.
Diambil kembali dari infodemam.com:
https://infodemam.com/2009/02/19/demam-yang-dapat-mengancam-
jiwa/
Prabowo Pudjo Widodo, R. T. (2013). Penerapan Data Mining Dengan Matlab.
Bandung: Penerbit Rekayasa Sains.
Purwoko, S. (2005). Pertolongan Pertama Untuk Anak. Jakarta: PT Gramedia
Pustaka Utama.

45
Shaukat, K., Masood, N., Mehreen, S., & Azmeen, U. (2015). Dengue Fever
Prediction : A Data Mining Problem. Data Mining in Genomics &
Proteomics.
WHO. (1998). Demam Berdarah Dengue, Diagnosis, Pengobatan, Pencegahan dan
Pengendalian. Jakarta: EGC.
Widodo, J. (2006). Demam Tifoid, Buku Ajar Ilmu Penyakit Dalam. Jakarta: Pusat
Penerbitan Departemen Ilmu Penyakit Dalam FKUI.
Wihardi, Y. (2013, April 2). K-Fold Cross Validation. Diambil kembali dari
http://blog.yayaw.web.id/riset/k-folds-cross-validation
Xindong, W. (2009). The Top Ten Algorithm in Data Mining. Minnesota : Taylor &
Francis Group.
Yahya, R. C. (2008, Mei 10). jevuska.com. Diambil kembali dari JEVUSKA:
https://www.jevuska.com/2008/05/10/demam-tifoid-typhoid-fever/

46