Naskah Publikasi
Naskah Publikasi
Abstrak – Hepatitis merupakan penyakit yang diderita oleh banyak orang, bahkan bisa menyebabkan kematian.
Prediksi awal dapat mencegah kematian tersebut yaitu dengan mengumpulkan data pasien hepatitis yang dilihat
dari faktor-faktornya. Faktor-faktor tersebut antara lain Protime, Alk Phosphat, Albumin, Bilirubin dan Usia.
Untuk mengolah data tersebut, dibutuhkan Data Mining. Salah satu metode data mining yang digunakan pada
penelitian ini adalah klasifikasi.
Permasalahan pada penelitian ini yaitu bagaimana memprediksi hidup atau meninggalnya pasien
penyakit hepatitis dengan tingkat akurasi dan mencari atribut paling berpengaruh terhadap prediksi hidup atau
meninggalnya pasien penyakit hepatitis. Penelitian ini bertujuan untuk memprediksi hidup atau meninggalnya
seorang pasien hepatitis. Dalam penelitian ini menggunakan algoritma Neural Network. Tools yang dipakai
untuk mengolah data adalah RStudio
Dari hasil analisis 20 variabel memiliki tingkat akurasi prediksi sebesar 87,23% dengan error sebesar
12,77%. Selain itu terdapat 1 variabel yang paling berpengaruh terhadap pasien hepatitis yaitu Protime. Untuk
penelitian selanjutnya dapat menggunakan algoritma lain ataupun dengan tools lain untuk mendapatkan hasil
yang diinginkan.
Kata Kunci – Hepatitis, Data Mining, Neural Network.
1. PENDAHULUAN
Dalam dunia kesehatan, diagnosis penyakit menjadi hal yang sangat sulit dilakukan. Namun demikian
catatan rekam medis telah menyimpan gejala-gejala penyakit pasien dan diagnosis penyakitnya. Hal seperti
ini tentu sangat berguna bagi para ahli kesehatan. Mereka dapat menggunakan catatan rekam medis yang
sudah ada sebagai bantuan untuk mengambil keputusan tentang diagnosis penyakit pasien [1].
Salah satu penyakit yang cukup banyak penderitanya adalah hepatitis. Secara umum hepatitis
didefinisikan sebagai suatu penyakit yang ditandai dengan suatu peradangan yang terjadi pada organ tubuh
seperti hati. Hepatitis diakibatkan berbagai faktor dimana tiap faktor mempunyai karakter khas, maka
timbullah berbagai macam hepatitis yang berbeda satu sama lain [2]. Untuk itu perlu adanya prediksi awal
penentuan hepatitis. Prediksi awal ini perlu dilakukan karena banyak yang menyepelekan penyakit hepatitis.
Hal ini dapat dilakukan dengan pengumpulan data pasien ataupun data hasil cek kesehatan.
Dengan banyaknya data yang diperoleh ataupun dikumpulkan, tidaklah mudah untuk mengolah data
tersebut menjadi informasi yang bermanfaat. Maka dari itu, dibutuhkan sebuah ilmu yang dapat mengolah
data tersebut. Data mining merupakan suatu ilmu yang mempelajari bagaimana data itu diolah sehingga
menghasilkan sebuah informasi yang dapat dimanfaatkan untuk berbagai bidang terutama bidang kesehatan.
Banyak pemanfaatan data mining untuk melakukan prediksi terhadap suatu penyakit. Salah satu contohnya
yaitu penyakit hepatitis. Untuk memprediksi penyakit ini, digunakanlah salah satu teknik dari data mining
yaitu klasifikasi.
Klasifikasi adalah sebuah teknik pengelompokkan data ke dalam beberapa kategori yang sudah
ditentukan. Dalam klasifikasi, data yang diperoleh terlebih dahulu dilakukan pengolahan dengan
menggunakan variabel yang ada untuk menentukan data tersebut termasuk kategori yang mana. Dalam
penelitian ini, peneliti menggunakan algoritma Artificial Neural Network karena hasil yang didapat
menunjukkan presentase yang akurat.
Dalam penelitian ini menggunakan data pasien hepatitis dari salah satu rumah sakit dimana jumlah
record yaitu 155 dengan 20 variabel. Data tersebut akan dilakukan proses klasifikasi untuk memprediksi
seorang pasien hepatitis akan meninggal atau hidup dengan melihat atribut yang berpengaruh dan juga hasil
akurasinya.
2. METODE PENELITIAN
2.1. Data
Penelitian ini dilakukan dengan menggunakan data yang diambil dari UCI Machine Learning berupa
data pasien hepatitis dengan jumlah 155 record. Berikut adalah atribut datanya:
Tabel 1 Variabel Data
Variabel STEROID
CLASS ANTIVIRALS
AGE FATIGUE
SEX MALAISE
1
Information Technology and Telematics FTI-UNISBANK
ANOREXIA
LIVER BIG
LIVER FIRM
SPLEEN PALPABLE
SPIDERS
ASCITES
VARICES
BILIRUBIN
ALK PHOSPHATE
SGOT
ALBUMIN
PROTIME
HISTOLOGY
2
Information Technology and Telematics FTI-UNISBANK
3
Information Technology and Telematics FTI-UNISBANK
Gambar 2 Data seleksi dari data testing dan data hasil prediksi
Menampilkan tabel hasil prediksi. Hasil persentase ditentukan dengan seberapa akurat prediksi
terhadap data testing, yaitu prediksi DIE yang cocok dengan aktual DIE harus lebih banyak begitu juga
prediksi LIVE yang cocok dengan aktual LIVE. Pada gambar 5.7 diatas didapat hasil prediksi DIE yang
cocok dengan aktual DIE sebanyak 4 dari 6 data sedangkan hasil prediksi LIVE yang cocok dengan aktual
LIVE sebanyak 35 dari 41 data.
4
Information Technology and Telematics FTI-UNISBANK
5
Information Technology and Telematics FTI-UNISBANK
karena sudah melebihi syarat Algoritma. Visualisasi model Neural Network memiliki 3 hidden layer. Dari
proses training menggunakan package yang ada pada NeuralNetTools, atribut yang paling berpengaruh dari
masing-masing percobaan yaitu anorexia, spiders dan protime. Sedangkan dengan menggunakan pohon
keputusan, atribut yang paling berpengaruh yaitu ascites. Ascites adalah penumpukan cairan di rongga perut
yang dapat menyebabkan penyakit hati.
Penelitian yang dilakukan tak lepas dari beberapa kekurangan. Untuk itu, ada beberapa saran yang
penulis berikan sebagai acuan dalam penelitian selanjutnya mengenai Analisis data mining menggunakan
Algoritma Neural Network. Dataset yang digunakan dalam penelitian sebaiknya memiliki jumlah dataset
yang lebih banyak agar hasil yang diperoleh lebih maksimal. Pada penelitian selanjutnya, dapat
menggunakan fungsi dari Algoritma Neural Network yang lain seperti neuralnet pada RStudio. Selanjutnya,
dapat menggunakan algoritma lain untuk membandingkan hasil keakuratan prediksi pada penyakit hepatitis.
Pada penelitian selanjutnya, dapat menggunakan tools lain untuk mendapatkan analisis yang lebih akurat
lagi.
DAFTAR PUSTAKA
[1] Septiani, W. D., Studi, P. and Informatika, M. (2017) ‘KOMPARASI METODE KLASIFIKASI DATA
MINING ALGORITMA C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT HEPATITIS’,
13(1), pp. 76–84.
[2] Erawati, W. (2015) ‘PREDIKSI PENYAKIT HATI DENGAN MENGGUNAKAN MODEL ALGORITMA
NEURAL NETWORK’, Techno Nusa Mandiri, XII(2), pp. 21–26. doi: 10.1007/s10490-011-9263-7.
[3] Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life Applications of Soft Computing. United States of
America on: Taylor and Francis Group, LLC