Accelerating the world's research.

Sistem Pendeteksi Dehidrasi

Berdasarkan Warna dan Kadar
Amonia pada Urin Berbasis Sensor
TCS3200 Dan MQ135 denga...
Abdul Rahim

Related papers Download a PDF Pack of the best related papers 

Pendeteksi Kesegaran Buah Menggunakan Sensor Warna dan Kelembaba

n
Iwan Fitrianto Rahmad

PROCEEDINGS KNSI 2014 ABSTRACT EDITION.pd

f
Winda Ariestya

PENERAPAN FUZZY LOGIC PADA SISTEM PENDUKUNG PENENTUAN LOYAL CUSTOME

R
Bernadus Very Christioko, Dian Tri Wiyanti
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.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Keywords: dehydration, urine, classification, Naive Bayes
Fakultas Ilmu Komputer
Universitas Brawijaya
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
Fakultas Ilmu Komputer, Universitas Brawijaya
437
436
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
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
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
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.
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
Fakultas Ilmu Komputer, Universitas Brawijaya
438
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.
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 tiaptiap 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
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 439
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

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.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 440
Gambar 4. Diagram alir perancangan
pengambilan data sensor

Gambar 6. Diagram alir fungsi

ProbPrior()
Tahap pertama yang dilakukan dalam
mengkasifikasikan dehidrasi dengan metode
Naive Bayes adalah menghitung nilai prior
dari masing kelas dehidrasi. Nilai prior
merupakan nilai peluang terjadinya suatu kelas
dengan cara membagi banyaknya data dalam
suatu kelas (dalam sistem ini terdapat 3 kelas
yaitu dehidrasi ringan, sedang dan berat)
dengan jumlah keseluruhan data yang ada.
Data yang dilakukan perhitungan nilai prior
Gambar 5. Diagram alir perancangan adalah data latih.
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 7. Digram alir fungsi

Gaussian()
Tahap kedua yaitu untuk menentukan
nilai peluang dari masing-masing fitur.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 441
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
Persamaan (3). Pada sistem ini, data latih yang
berupa nilai mean dan standar deviasi
disimpan pada pemrograman mikrokontroler
untuk mepermudah dalam mengakses nilai
dari data latih saat sistem dijalankan. Selanjut
perhitungan
Gaussian dilakukan dengan menggunakan
Persamaan (1) seperti yang ditunjukkan pada
Gambar 7 dimana nilai x adalah nilai fitur dari
pembacaan sensor.

Gambar 8. Diagram alir fungsi

Rumus perhitungan Gaussian ProbPosterior()
= |= (1)
Tahap selanjutnya adalah
menentukan nilai dari peluang
= posterior, peluang posterior yaitu
√ peluang untuk menentukan besarnya
peluang masing-masing kelas akan
Rumus perhitungan mean dan terjadi ketika adanya masukan dari tiap
standar deviasi fitur. Pada sistem ini yaitu untuk
∑= (2) menentukan besarnya peluang
̅= masingmasing jenis dehidrasi akan
terjadi ketika adanya pembacaan nilai
∑ − ̅ (3) fitur R, fitur G, fitur B dan fitur PPM.
= Prosesnya yaitu dengan melakukan
perkalian antara hasil dari fungsi
ProbPrior() dengan fungsi Gaussian().
Keterangan : Tahap akhir dalam pengkasifikasian
= |= : Peluang gaussian dengan Naive Bayes ini adalah menentukan
̅ : nilai rata-rata (mean) nilai peluang posterior yang tertinggi dengan
: nilai standar deviasi cara membandingkan satu sama lain antar
: jumlah data peluang posterior. Jenis dehidrasi dengan nilai
: data ke-i e peluang posterior paling tinggi merupakan
: nilai eksponen (2,718282) hasil yang klasifikasi dehidrasi yang dideteksi
oleh sistem.

2.3 Implementasi Sistem

Setelah tahap perancangan selesai
dilakukan, selanjutnya tahap implementasi.
Pada tahap ini dijelaskan hasil implementasi
baik dari prototype sistem maupun hasil

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 442
implementasi rangkaian elektronik yang 3 109 93 84 #6D5D54
ditunjukkan pada Gambar 9 dan Gambar 10.
4 114 89 80 #725950
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
Gambar 9. Implementasi prototype PHOTOPAINT
sistem Peng Eyedropper tool Corel
ujian PHOTO-PAINT
Implementasi rangkaian elektronik sistem
pendeteksi dehidrasi ini diterapkan pada PCB ke- R G B HEX
dan kabel jumper yang dapat disolder sehingga 1 117 75 35 #754B23
dapat mengkoneksikan antar pin dari
2 87 44 9 #572C09
masingmasing komponen.
3 109 71 26 #6D471A
4 116 68 22 #744416
5 89 31 11 #591F0B
6 125 93 44 #7D5D2C
7 120 81 24 #785118
(a) (b) Gambar 10. Implementasi 8 128 90 28 #805A1C
rangkaian sensor (a) TCS3200, (b) MQ135 Setelah nilai RGB dari masing-
masing sensor maupun alat ukur
3. PENGUJIAN DAN ANALISIS
diperoleh, selanjutnya mengubah nilai
3.1 Pengujian sensor TCS3200 dan MQ135 RGB tersbut menjadi pembacan warna
dalam format HEX, sehingga
Sensor warna TC3200 adalah sensor memudahkan untuk melakukan
utama dalam sistem ini yang berfungsi untuk perhitungan selisih error antar kedua
membaca nilai RGB warna dari urin yanga alat ukur pembacaan warna. Kemudian
dideteksi. Pada pengujian sensor warna ini setelah didapatkan selisih error
akan dilakukan dengan melakukan pembacaan masing-masing pengujian dapat
dari berberapa urin yang berbeda dengan dilakukan perhitungan persentase error
menggunakan sensor warna TC3200 kemudian dari pembacaan sensor menggunakan
nilainya akan dibandingkan dengan alat ukur Persamaan (4).
warna berupa Eyedropper tool pada Corel
PHOTO-PAINT, dimana warna yang diuji (4)
menggunakan fitur Eyedropper tool tersebut ℎ
didapatkan dari pengambilan gambar urin yang = ×%
diujikan. Hasil pengujian masing-masing alat
ukur tesebut ditunjukkan pada Tabel 1 dan Adapun hasil perhitungan error
Tabel 2. pada pengujian terhadap sensor
TCS3200 ditunujukkan pada Tabel 3
Tabel 1. Hasil pembacaan warna urin
berikut ini.
melalui sensor TCS3200
Tabel 3. Hasil perhitungan error pembacaan
Peng Pembacaan Sensor sensor TCS3200
ujian R G B HEX Peng Selisih Error
ke- Persentase
ujian
1 109 93 80 #6D5D50 ke- error
HEX DEC
2 87 68 62 #57443E

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 443
1 #7EDD3 519635 6,76% Proses
monitoring
2 #1835 6197 0,11%
tingkat
3 #163A 5690 0,08% amonia urin
4 #1EAC6 125638 1,65% dengan nilai
5 #1D6C4 120516 2,06% PPM=0,07.
Pering Jika user
6 #6EECC 454348 5,53%
tidak
7 #1EAC4 125636 1,59% atan
menekan
peneka
8 #4EBBF 322495 3,83% 2 tombol
nan trigger
Rata-rata 2,70% tombol muncul
tigger peringatan.
Pada Gambar 11 menunjukkan grafik
hubungan antara nilai pembacaan PPM gas
amonia dari urin dan nilai tegangan keluaran Pendeteksian
sensor sebanyak 23 kali percobaan. Grafik jenis
tersebut sesuai dengan karateristik sensor gas Dehidrasi
MQ135, terlihat pada gambar tersebut nilai = Ringan
,, merupakan model regresi power antara kedua
variabel tersebut, sedangkan nilai
= , disebut sebagai koefisien determinasi Pendeteksian
Proses
yang berarti variabel PPM amonia jenis
3 klasifi
dipengaruhi oleh variabel Vout sebesar Dehidrasi
kasi
99,81%. Adapun 0,19% sisanya untuk Sedang
konsentrasi amonia dipengaruhi variabel lain.

Pendeteksian
jenis
Dehidrasi
Berat

Sesuai dengan yang ditunjukkan

pada Tabel 4 terlihat bahwa LCD 16x2
yang diterapkan sebagai output sistem
dapat menampilkan kondisi yang sesuai
Gambar 11. Hasil pengujian korelasi dengan yang telah dirancang dan
pembacaan sensor MQ135 dengan tegangan diimplementasikan.
keluaran sensor
3.2 Pengujian tampilan LCD 16x2 3.3 Pengujian Akurasi Metode Naive Bayes
Tabel 4. Hasil pengujian tampilan LCD 16x2 Pengujian dilakukan dengan
N Kondi menggunakan 69 data set yang terbagi
Gambar Keterangan
o si menjadi 46 data latih dan 23 data uji.
1 Monito Proses Pengujian ini dimaksudkan untuk
ring monitoring mengukur tingkat akurasi sistem
warna urin pendeteksi dehidrasi dengan
dengan menggunakan metode Naive Bayes
nilai yang telah diimplementasikan.
R=215, Pengujian akurasi ini dilakukan dengan
G=161 dan membandingkan hasil klasifikasi sistem
B=124. yang sesuai dengan status klasifikasi
pada data uji yang sebenarnya. Hasil

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
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
444
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).
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 445
SKRIPSI, Institut Pertanian Urine menggunakan LED dan
Bogor, Ilmu Komputer, Bogor. Fotodioda. SKIPSI, Universitas
Amstrong, L. E. (2000). Assess Your Islam Negeri Sunan Kalijaga,
Hydration Status. Fisika, Yogyakarta.
Amstrong, W. J. (1998). Air Leksana, E. (2015). Strategi Terapi
Kehidupan. Jakarta: Gramedia Cairan pada Dehidrasi.
Pustaka Utama. Semarang.
Arduino. (2016). Arduino Uno MQ135_Datasheet. (2016). MQ-135 Gas
Atmega328P. Dipetik Agustus Sensor. Technical Data.
28, 2016, dari Rofiqoh, Y. L., & Soedjono, E. S.
https://www.arduino.cc/en/Mai (2016). Studi
n/Ardui noBoardUno Potensi Urin Manusia Hasil
Asmadi. (2008). Teknik Composting Toilet Dalam
Prosedural Kepeawatan: Konsep dan Sistem Ecological Sanitation
Aplikasi Kebutuhan Dasar Klien. (ECOSAN). ITS, Teknik
Jakarta: Salemba Medika. Dipetik Mei Lingkungan, Surabaya.
6, 2016, dari http://booksgoogle.com Sari, R. A. (2016). Implementasi Metode
Astuti, E. H. (2016). Sistem Pendukung Support Vector Machine
Keputusan Deteksi Dini Penyakit untuk Rekomendasi Pemilihan
Stroke menggunakan Metode Naive Terapi Dehidrasi Pada Anak.
Bayes. SKRIPSI, Universitas SKRIPSI, Universitas Bawijaya,
Brawijaya, Teknik Informatika, Teknik
Malang. Informatika, Malang.
Baber, D. (2010). Bayesian Reasoning and TAOS. (2009, July). TCS3200,
Machine Learning. London: TCS3210
Cambridge University Press. Programmable Color Light-
Chairunnas, A., & Sugianto, H. (2013). Robot ToFrequency Converter.
Pendeteksi Warna Berbasis Texas: The Lumenology
Mikrokontroler. SKRIPSI, Universitas Company. Diambil
Pakuan, Ilmu Komputer, Bogor. kembali dari www.taosinc.com
Freedman, B. S., & Paik, S. M. (2008). Vishay. (2016, Oktober 27). LCD-
Pediatric Dehydration on Assessment 016M002B. Diambil kembali dari
and Oral Rehydration Theraphy. Vishay Website:
Pediatric Emergency Medicine Report, www.vishay.com
Ontario. William, G. (2011). Dahsyatnya Terapi
Hasanudin, F. (2015). Pemanfaatan Sensor Gas Urine. Jakarta: Berlian Media.
MQ135 untuk Pendeteksi Gas Amonia
(NH3) pada Kotoran Ayam Berbasis
Arduino Uno. Tugas Akhir, Universitas
Gadjah Mada, D3 Teknik Elektro,
Yogyakarta.
Kompas. (2009). 46 persen Penduduk
Indonesia Dehidrasi. Dipetik Mei 6,
2016, dari
http://health.kompas.com/read/2009/10
/
22/16081725/46.persen.Penduduk.Indo
nesia.Dehidrasi
Latif, N. (2016). Pengembangan Alat Deteksi
Tingkat Dehidrasi berdasarkan Warna

Fakultas Ilmu Komputer, Universitas Brawijaya