Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020 speed.web.

id

PENERAPAN PARTICLE SWARM OPTIMIZATION(PSO) DALAMPEMILIHAN

ATRIBUT UNTUK MENINGKATKAN AKURASI PREDIKSI
DIAGNOSISPENYAKIT HEPATITIS
DENGAN METODE NAIVE BAYES

Tya Septiani Nurfauzia Koeswara1) M. Sukrisno Mardiyanto2) Muhamad Abdul

Ghani3)
1,3)
Sistem Informasi, Universitas Bina Sarana Informatika
2)
Teknik Elektro dan Informatika, Institut Teknologi Bandung (ITB)
tya.tsf@bsi.ac.id, sukrisno@informatika.org, muhamad.mag@bsi.ac.id

Abstract-Hepatitis is a major cause of death among all infectious diseases, and become a public health
problem in developing countries in the world, including Indonesia which ranks second among the WHO
South East Asian Region member countries with the number 2 person with Hepatitis B after Myanmar
(WHO, 2017). Hepatitis includes chronic diseases, when the patient is infected, the condition is still
healthy and has not shown typical symptoms and signs, but the transmission continues. Then there
needs to be early treatment to reduce cases of hepatitis, one of them is by making an accurate hepatitis
diagnosis system. In this research, naive bayes optimization was carried out using particle swarm
optimization which was applied to patient data with 2 classes, namely positive hepatitis and negative
hepatitis in Al-Mulk Hospital Sukabumi City. After testing, the accuracy value for the Naive Bayes
algorithm model is 86.52% with AUC value 0.860 and the accuracy value of the Naive Bayes model with
attribute selection using Particle Swarm Optimization is 91.67% with AUC 0.895. Based on this value,
the accuracy difference was 5.15% and the difference in AUC was 0.035.
Keyword: Hepatitis, Naive Bayes, Particle Swarm Optimazation.

Abstrak-Hepatitis adalah penyebab utama kematian di antara semua penyakit menular, dan menjadi
masalah kesehatan masyarakat di negara-negara berkembang di dunia, termasuk Indonesia yang
menempati peringkat kedua di antara negara-negara anggota WHO Kawasan Asia Tenggara dengan
orang nomor 2 dengan Hepatitis B setelah Myanmar ( WHO, 2017). Hepatitis termasuk penyakit kronis,
ketika pasien terinfeksi, kondisinya masih sehat dan belum menunjukkan gejala dan tanda yang khas,
tetapi penularannya berlanjut. Maka perlu ada pendeteksian lebih dini untuk mengurangi kasus
hepatitis, salah satunya adalah dengan membuat sistem diagnosis hepatitis yang akurat. Dalam
penelitian ini, optimasi naive bayes dilakukan dengan menggunakan optimasi partikel swarm yang
diterapkan pada data pasien dengan 2 kelas, yaitu hepatitis positif dan hepatitis negatif di Rumah Sakit
Al-Mulk Kota Sukabumi Kota. Setelah pengujian, nilai akurasi untuk model algoritma Naive Bayes
adalah 86,52% dengan nilai AUC 0,860 dan nilai akurasi model Naive Bayes dengan pemilihan atribut
menggunakan Particle Swarm Optimization adalah 91,67% dengan AUC 0,895. Berdasarkan nilai ini,
perbedaan akurasi adalah 5,15% dan perbedaan dalam AUC adalah 0,035.
Kata Kunci : Hepatitis, Naive Bayes, Particle Swarm Optimazation.

PENDAHULUAN Hati sebagai pusat metabolisme tubuh, berfungsi

Hati merupakan salah satu organ yang cukup
besar dan penting pada tubuh kita.Bagian yang
penting pada hati terdiri dari hepatosit, yang
merupakan sel epitel dengan konfigurasi yang unik
[1].Sebagai organ intestinal terbesar, hati memiliki
berat antara 1,2 sampai 1,8 kg atau kurang lebih 25%
berat badan orang dewasa yang menempati
sebagian besar kuadran kanan atas abdomen [2].
ISSN : 1979-9330 (Print) - 2088-0154 (Online)
menerima semua darah yang datang dari usus
melalui vena porta dan akan menyimpan dan
mengubah bahan-bahan makanan yang diterima
vena porta. Hati juga memproduksi empedu yang
disimpan dalam kantong empedu dan akan
dikeluarkan bila diperlukan [3]. Hati juga berperan
dalam mempertahankan hidup manusia [2], bila hati
terganggu fungsi normalnya maka akan terjadi
gangguan metabolisme tubuh dan timbul berbagai
1
Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020
gejala penyakit [3], salah satu jenis penyakit yang
menyerang organ hati adalah hepatitis.
Hepatitis yaitu adanya suatu peradangan yang
dapat melukai bagian organ hati manusia.Penyakit
ini yang sangat berbahaya karena adanya organ
yang dapat merusak pada kesehatan tubuh secara
menyeluruh [4] disebabkan karena adanya
penolakan darah yang mengalir sehingga tekanan
darah menjadi tinggi dan pecahnya pembuluh darah
[5]. Hepatitis banyak ditemukan di dunia dan
dianggap sebagai persoalan kesehatan
masyarakat yang harus diselesaikan (Infodatin,
2014) karena dapat menimbulkan kematian 1-2 juta
orang setiap tahunnya [6].Hepatitis biasanya
berhubungan dengan perilaku hidup bersih dan
sehat karena disebabkan oleh infeksi (virus, bakteri,
parasit) yang berasal dari lingkungan yang kurang
bersih dan makanan serta minuman yang kurang
bersih pula.Selain itu, bisa juga disebabkan oleh
obat-obatan, konsumsi alkohol maupun lemak yang
berlebih [7].Penyakit hepatitis mudah menular
melalui virus yang dapat membuat penderita demam
[4].
Hepatitis biasanya dikategorikan sebagai
penyakit yang akut dan kronis. Masa penderita
penyakit hepatitis akut biasanya sangat singkat tidak
akan berlangsung dalam waktu yang lama dan bisa
sembuh dalam beberapa minggu tanpa efek yang
berkelanjutan. Sedangkan penderita penyakit
hepatitis kronis akan berlangsung dalam waktu yang
sangat lama [4]. Berkaitan dengan virus yang
menyerang dan kondisi penyakit, hepatitis
digolongkan sebagai berikut: Hepatitis A (Hepatitis
Infeksi), Hepatitis B (Hepatitis Serum), Hepatitis C
(Hepatitis Non-A/NonB), Hepatitis D (Hepatitis
Delta), Hepatitis E (Hepatitis Enterik), Hepatitis F,
Hepatitis G dan Hepatitis Kronis [8].
Hepatitis menjadi permasalahan kesehatan
masyarakat di negara berkembang di dunia,
termasuk di Indonesia [9]. Indonesia merupakan
negara dengan pengidap Hepatitis B nomor 2
terbesar sesudah Myanmar diantara negara-
negara anggota WHO South East Asian Region
[10]. Berdasarkan hasil Riset Kesehatan
Dasar(Riskesdas), studi dan uji saring darah donor
PMI maka diperkirakan diantara 100 orang
Indonesia, 10 diantaranya telah terinfeksi Hepatitis B
atau C. Sehingga saat ini diperkirakan terdapat 28
juta penduduk Indonesia yang terinfeksi Hepatitis B
dan C, 14 juta diantaranya berpotensi untuk menjadi
kronis, dan dari yang kronis tersebut 1,4 juta orang
berpotensi untuk menderita kanker hati. Besaran
masalah tersebut tentunya akan berdampak sangat
besar tehadap masalah kesehatan masyarakat,
produktifitas, umur harapan hidup, dan dampak
sosial ekonomi lainnya[7]. Terbukti dari hasil
Riskesdas tahun 2013 jumlah orang yang
didiagnosis Hepatitis di fasilitas pelayanan
ISSN : 1979-9330 (Print) - 2088-0154 (Online)
speed.web.id
kesehatan berdasarkan gejala-gejala yang ada,
menunjukan peningkatan 2 kali lipat apabila
dibandingkan dari data tahun 2007 dan 2013.
Sumber: Riskesdas Tahun 2007 dan Riskesdas Tahun 2013,
Balitbangkes, Kemenkes
Gambar 1.Prevalensi Hepatitis Menurut Provinsi
Tahun 2007 dan 2013
Dari data diatas bisa dilihat bahwa perlu adanya
penanganan dini sebelum penderita penyakit
hepatitis bertambah parah. Salah satu caranya
adalah dengan melakukan pemeriksaan sejak awal,
karena itu perlu dibuat sebuah sistem diagnosis
yang dapat membantu penderita dalam melakukan
pemeriksaan [11].Saat ini perkembangan teknologi
informasi telah merambah ke bidang kesehatan dan
mengalami kemajuan yang sangat pesat [12].Dunia
kesehatan memerlukan pengambilan keputusan
yang efektif dan akurat dalam prediksi suatu penyakit
[1] dengan tantangan yang harus dihadapi adalah
mendiagnosa pasien dengan benar [6]. Melalui
pemanfaatan teknologi, sistem diagnosis otomatis
secara medis akan sangat bermanfaat dan dapat
membantu dalam mencapai pengujian klinis
dengan biaya yang terjangkau [8].
Selain sistem pakar, kehadiran cabang ilmu
baru di bidang komputer data mining tak luput
perhatian dalam dunia sistem informasi
kesehatan.Data mining merupakan langkah penting
dalam penemuan pengetahuan dari serangkaian
dataset dalam ukuran yang besar [1].Data Mining
adalah serangka dan dihasilkan informasi yang lebih
berguna, disiplin ilmu ini mengkaji berbagai metode
yang umum digunakan untuk melakukan pengolahan
data, salah satu metode pengolahan dalam
prosesnya adalah klasifikasi data. Klasifikasi data
biasa digunakan pada sejumlah data yang telah di
ketahui data induknya, untuk kemudian dijadikan
data training/data model yang hasilnya akan menjadi
keputusan prediksi dari sejumlah data yang serupa
namun belum lengkap pada salah satu atributnya
[13]. Sudah banyak literatur mengenai pembahasan
prediksi hepatitis yang menerapkan beberapa
metode [14], diantaranya:
a. T. Karthikeyan dan P. Thangaraju (2013)
melakukan komparasi Naive Bayes,
Randomforest, JF8 dan Multi Layer Percepton.
b. Wisti Dwi Septiani (2014) menerapkan algoritma
C4.5 kemudian melakukan pengembangan
2
Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020 speed.web.id

(2017) dengan komparasi Algoritma C4.5 dan Hepatitis berasal dari dua kata, yaitu hepa
Naive Bayes. (hepair/hati) dan itis (radang).Hepatitis merupakan
c. C. Bharat Kumar dkk (2014) menerapkan radang yang terjadi pada organ hati.Dalam
metode Support Vector Machine. masyarakat, penyakit radang hati juga dikenal
d. Eka Wulansari Fridayanthie (2015) menerapkan dengan istilah lever.Padahal lever berasal dari
metode Naive Bayes dan Support Vector bahasa Belanda yang berarti organ hati bukan
Machine. penyakit hati.Berdasarkan penyebabnya, hepatitis
e. Jefri Latu Handarko dan Alamsyah (2015) dibedakan menjadi dua kelompok, yaitu hepatitis
melakukan implementasi menggunakan Fuzzy virus, peradangan yang disebabkan oleh infeksi virus
Decision Tree. dan hepatitis non-virus, peradangan hati yang
f. Wati Erawati (2015) menggunakan model disebabkan oleh bahan-bahan kimia dan obat-
algoritma Neural Network. obatan [17].Jenis virus penyebab hepatitis mirip
g. Divya Tomar dan Sonali Agarwal (2015) dengan gejala klinis, perbedaannya hanya dalam
menerapkan metode Weight Least Squares Twin kekebalan (imunologi) dan epidemiologi dan
Support Vector Machines (WLTSVM). beberapa gejala atau keluhan yang khas untuk
h. Raudlatul Munawaroh dkk (2016) menerapkan masing-masing jenis hepatitis [21].Tingkat
metode Support Vector Machine. keparahannya pun bervariasi, mulai dari sembuh
i. Lis Saumi Ramdhani (2016) menerapkan sendiri secara total, kondisi mengancam jiwa,
Particle Swarm Optimization (PSO) dengan menjadi penyakit menahun sampai kondisi
Metode Algoritma C4.5. kegagalan hati [20].
Virus hepatitis seperti fenomena gunung es,
Dari beberapa penelitian yang telah dilakukan, dimana pernderita yang tercatat atau yang datang ke
penggunaan metode Naive Bayes dapat layanan kesehatan lebih sedikit dari jumlah penderita
menghasilkan nilai akurasi yang tergolong tinggi sesungguhnya.Hepatitis termasuk penyakit kronis
dengan kecepatan komputasi yang relatif cepat saat yang menahun, dimana pada saat orang tersebut
digunakan data berdimensi besar [15] dan menjadi telah terinfeksi, kondisi masih sehat dan belum
pilihan metode yang baik untuk klasifikasi data menunjukan gejala dan tanda yang khas, tetapi
hepatitis [16]. Untuk pengembangan penelitian, penularannya terus berjalan [22].
maka akan dilakukan penerapan metode Naive
Bayes dipadukan dengan optimasi Particle Swarm Tabel 1.Prevalensi Hepatitis Menurut Karakteristik di
Optimization (PSO) yang akan digunakan untuk Indonesia Tahun 2013
seleksi atribut agar meningkatkan akurasi dalam Karakteristik Prevalensi
memprediksi penyakit hepatitis. Hepatitis
Kelompok umur (tahun)
LANDASAN/KERANGKA PEMIKIRAN <1 0,5
A. Hepatitis 1-4 0,8
Hati dikenal dengan namalever dalam bahasa 5-14 1,0
Belanda atau hepar dalam istilah kedokteran. Hati 15-24 1,1
adalah organ terbesar di dalam tubuh yang terletak 25-34 1,3
di sebelah kanan atas rongga perut, tepat dibawah 35-44 1,3
diafragma (sekat yang membatasi daerah dada dan 45-54 1,4
perut). Bentuk hati seperti prisma segitiga dengan 55-64 1,3
sudut siku-sikunya membulat, beratnya sekitar 1,25 65-74 1,4
sampai 1,5 kg dengan berat jenis 1,05. Hati >75 1,3
merupakan organ yang lunak, kenyal tetapi juga Jenis Kelamin
rapuh, permukaannya licin, berwarna coklat Laki-laki 1,3
kemerahan dan dilintasi oleh berbagai pembuluh Perempuan 1,1
darah [17].Hati berfungsi sebagai organ pembentuk Pekerjaan
protein, faktor pembekuan darah, lemak dan Tidak Bekerja 1,1
karbohidrat (glokusa).Tekstur hati yang rusak tentu Pegawai 1,0
menurunkan produksi zat-zat tersebut Wiraswasta 1,2
[18].Terganggunya fungsi hati menyebabkan Petani/Nelayan/Buruh 1,6
gangguan sistem organ lainnya [19] termasuk Sumber : Riskesdas Tahun 2013, Balitbangkes, Kemenkes
timbulnya penyakit, salah satunya penyakit
hepatitis.Orang yang menderita hepatitis, organ Berdasarkan tabel 2.1.terlihat karakteristik
hatinya sedang dalam keadaan tidak sehat alias sakit prevalensi hepatitis tertinggi pada kelompok umur
[20]. 45-54 dan 65-74 (1,4%). Penderita penyakit hepatitis
baik laki-laki maupun perempuan, proporsinya tidak
ISSN : 1979-9330 (Print) - 2088-0154 (Online) 3
Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020
berbeda secara bermakna. Jenis pekerjaan juga
memperngaruhi prevalensi hepatitis, penderita
hepatitis banyak ditemukan pada
petani/nelayan/buruh dibandingkan jenis pekerjaan
yang lain.
B. Knowledge Discovery in Database (KDD)
Data Mining sering juga disebut dengan
Knowledge Discovery in Database atau disingkat
KDD, yaitu kegiatan yang meliputi pengumpulan,
pemakaian data histori untuk menelusuri data yang
ada untuk membangun sebuah model agar dapat
mengenali pola data yang lain berukuran besar
[23].Data Mining juga dapat didefinisikan sebagai
sebuah proses untuk menemukan hubungan, pola
dan tren baru yang bermakna dengan menyaring
data yang sangat besar, yang tersimpan dalam
penyimpanan, menggunakan teknik pengenalan pola
seperti teknik Statistik dan Matematika
[24].Sebenarnya kedua istilah tersebut memiliki
konsep yang berbeda, tetapi berkaitan satu sama
lain dan salah satu tahapan dalam keseluruhan KDD
adalah Data Mining[25].
Sumber: (Maimon & Rokach, 2010 p.3)
Gambar 2.Tahapan Proses Knowladge Discovery in
Database
Dalam proses Data Mining terdapat upaya
standarisasi, yang disebut metodologi CRISP-DM.
Ada enam fase yang saling berhubungan untuk
menggambarkan proses Data Mining yaitu: bussines
understanding, data understanding, data
preparation, modelling, evaluation, dan deployment
[26].
Sumber: (Maimon & Rocakh, 2010 p.1032)
Gambar 3.Proses CRISP-DM
ISSN : 1979-9330 (Print) - 2088-0154 (Online)
speed.web.id
C. Naive Bayes
Naive bayes adalah salah satu algoritma yang
ditemukan dalam teknik klasifikasi dengan metode
probabilitas dan statistik yang mudah diaplikasikan
[27].Bayes dapat digunakan untuk memprediksi
probabilitas keanggotaan suatu class [28] dan dapat
menghasilkan nilai akurasi yang tinggi dengan
kecepatan waktu yang baik saat diaplikasikan ke
dalam database dengan data yang besar [29] karena
fitur-fitur didalamnya dapat bekerja secara
independen [23].Klasifikasi Bayes didasarkan pada
teorema Bayes, diambil dari nama seorang ahli
matematika yang juga menteri Prebysterian Inggris,
Thomas Bayes (1702-1761), yaitu [23]:
P(x|y) = P(y|x) P(x)
P(y)
Keterangan:
y = data dengan kelas yang belum diketahui
x =hipotesis data y merupakan suatu kelas
spesifik
P(x|y) = probabilitas hipotesis x berdasarkan
kondisi y
P(x) = probabilitas hipotesis x
P(y|x) = probabilitas y berdasarkan kondisi pada
hipotesis x
P(y) = probabilitas dari y
D. Particle Swarm Optimization (PSO)
Dalam bukunya yang berjudul Jaringan Saraf
Tiruan dan Pemrograman menggunakan Matlab,
Jong Jek Siang (2009) menyebutkan bahwa Particle
Swarm Optimization (PSO) diperkenalkan oleh Dr.
Eberhart dan Dr. Kennedy pada tahun 1995,
merupakan algoritma optimasi yang meniru proses
yang terjadi dalam kehidupan populasi burung (flock
of bird) dan ikan (school of fish) dalam bertahan
hidup. Sejak diperkenalkan pertama kali, algoritma
PSO berkembang cukup pesat, baik dari sisi aplikasi
maupun dari sisi pengembangan metode yang
digunakan pada algoritma tersebut[30].Algoritma
PSO adalah sebuah populasi yang didasarkan
penelusuran inisialisasi partikel secara random dan
adanya interaksi diantara partikel dalam populasi.Di
dalam PSO setiap partikel bergerak melalui ruang
solusi dan mempunyai kemampuan untuk mengingat
posisi terbaik sebelumnya dan dapat bertahan dari
generasi ke generasi [31].
E. Validasi (K-Fold Cross Validation)
Validasi digunakan untuk memperoleh prediksi
menggunakan model yang ada dan kemudian
membandingkan hasil tersebut dengan hasil yang
sudah diketahui, ini mewakili langkah paling penting
dalam proses membangun sebuah model [32].
F. Metode Evaluasi Confusion Matrix
4
Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020 speed.web.id

Confusion Matrix [33] adalah metode evaluasi

model klasifikasi berdasarkan perhitungan objek
testing, dimana data hasil prediksi ada diantara dua
kelas (mislabeling) yaitu menghasilkan kelas positif
dan kelas negatif.

Tabel 2. Model Confusion Matrix

Assigned class
Actual Classs

Positive
Positive
FN
Positive TP
TN
Negative FP
Sumber: G.I. Webb. 2017, p.260 Gambar 4.Kerangka Pemikiran
Pada tahap evaluasi menggunakan confusion matrix HASIL DAN PEMBAHASAN
yang dilakukan menggunakan tool RapidMiner akan
Tahap pertama yang dilakukan adalah
diperoleh nilai accuracy, sensitivity, specificity, PPV
mengumpulkan data primer dari RSUD Al-Mulk Kota
dan NPV.
Sukabumi berdasarkan hasil lab dengan jumlah 119
orang yang terdiri dari 101 pasien positif dan 18
G. Metode Evaluasi ROC Curve pasien negatif hepatitis untuk diseleksi berdasarkan
Kurva ROC (Receiver Operating Characteristic) 12 atribut predictor dan 1 atribut hasil.
adalah cara lain untuk mengevaluasi akurasi dari
klasifikasi secara visual[34]. Secara teknik, kurva
Tabel 3.Atribut dan Nilai Kategori dalam
ROC juga disebut grafik ROC, grafik ROC terdiri dari
Memprediksi Penyakit Hepatitis
dua dimensi grafik yaitu TP rate diletakan pada Atribut Nilai Range Sumber
sumbu Y, sedangkan FP rate diletakan pada sumbu
1-4 1-4
X. 5-14 5-14
15-24 15-24 (Kemente
METODOLOGI PENELITIAN 25-34 25-34 rianKeseh
Jenis Penelitian Umur 35-44 35-44
atan RI,
Dua pendekatan utama yang digunakan dalam 45-54 45-54
55-64 55-64 2014)
penelitian ini yaitu pendekatan kualitatif dan
65-74 65-74
pendekatan kuantitatif.Pendekatan kualitatif >75 >75
merupakan penelitian ilmiah yang mempelajari Peremp Peremp
Jenis
kondisi dan proses, secara umum dilakukan dengan uan uan
melakukan interview dan wawancara yang Kelamin Laki-
Laki-laki
Laki
mendalam terhadap seorang maupun kelompok Rendah <5 www.hepatitiscentral.co
yang berkaitan dengan objek penelitian, sedangkan Enzim Hati Normal 5-40
penelitian kuantitatif mengacu pada kerangka m
Tinggi >40
penelitian yang akan digunakan dengan menjelaskan Ya Ya (Risa Helilintar et.al,
Kelelahan
proses bagaimana pertanyaan penelitian akan Tidak Tidak 2017)
diperoleh jawabannya dan harus memberikan Lemah, (Fenny Sinaga, 2017),
definisi konseptual sementara. Penelitian kuantitatif Ya Ya
Letih, Lesu, (C. Bharat Kumar et.al,
pada gilirannya akan sangat mengandalkan bantuan
statistik dan pemodelan kualitatif. Tujuan Sakit Tidak Tidak 2014)
digunakannya model tersebut untuk memprediksi (Fenny Sinaga, 2017),
Gangguan Ya Ya
penyakit hepatitis menggunakan algoritma Naive (Ahmad Ramdhani et.al,
Bayes dan Particle Swarm Optimazation (PSO) yang Pola Makan
Tidak Tidak 2015)
akan digunakan untuk optimasi seleksi atribut
dengan langkah-langkah yang disajikan dalam (Risa Helilintar et.al,
Ya Ya
kerangka pemikiran (Gambar 3.1) sebagai berikut: Pembengka 2017),
kan Limpa (Ahmad Ramdhani et.al,
Tidak Tidak
2015)

Ya Ya

ISSN : 1979-9330 (Print) - 2088-0154 (Online) 5

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020 speed.web.id

Titik (C. Bharat Kumar et.al,

Serabut 2014) Gambar 5. Desain Model Naïve Bayes
Tidak Tidak
Pembuluh Sehingga jika model tersebut dijalankan maka akan
Darah didapatkan hasil seperti gambar 4.2. dibawah ini:
Penumpuka Ya Ya (C. Bharat Kumar et.al,
n Cairan Tidak Tidak 2014)
www.hepatitiscentral.co
Perubahan Normal <=1.10 m
Warna Kulit, (Ahmad Ramdhani et.al,
Mata, Urin 2015),
dan Feses >1.10- (Latifatul Khairiah et.al,
Tinggi
3.00
2017)
www.hepatitiscentral.co
Rendah <3.5
Kadar m, Gambar 6.Hasil Probabilitas dengan RapidMiner
Protein Normal 3.5-5.0 (C. Bharat Kumar et.al,

Tinggi >5.0 2014) A. Evaluasi Model Algoritma Naive Bayes

dengan Confucion Matrix
Waktu Normal <14 (Dugdale, 2013),
Pembekuan (C. Bharat Kumar et.al, Tabel 4.Confusion Matrix Metode Naive Bayes
Darah Tinggi >15 2014)

Eksperimen dan Pengujian Model Naive Bayes

Pembuatan model Naive Bayes dilakukan pada
Berdasarkan tabel diatas terdapat rincian jumlah
dataset yang terdiri dari 12 atribut yang merupakan
True Positive (TP) 92, False Negative (FN) 9, False
atribut dari diagnosis penyakit hepatitis dan class
Positive (FP) adalah 9 dan True Negative (TN) 9.Dari
yang merupakan hasil akhir prediksi. Data kemudian
data tersebut maka dapat dihitung nilai accuracy,
di validasi agar proses pelatihan dapat berjalan
sensitvity, specifity, PPV dan NPV. Data hasil olahan
dengan cepat dan mampu digunakan untuk dapat dilihat pada tabel dibawah ini:
melakukan pelatihan. Langkah awal dalam
mengimplementasikan model Naive Bayes terlebih
dahulu kita mencari probabilitas hipotesis untuk Tabel 5.Nilai Accuracy, Sensitivity, Specificity, PPV
masing-masing Kelas P(H). Hipotesis yang ada yaitu dan NPVNaive Bayes
Nilai
pasien positif hepatitis dan pasien negatif hepatitis Accuracy 0,848
sebanyak 119 record. Perhitungan probabilitas yaitu Sensitivity 0,910
seperti ini: Specificity 0,5
P(X|Ya) = 101 : 119 = 0,84873 PPV 0,910
P(X|Tidak)= 18 : 119 = 0,15126 NVP 0,5
Perhitungan diatas dapat dibuatkan model Naïve
92+9
Bayes dengan Framework Rapidminer Studio versi Accuracy = = 0,848
92+9+9+9
8.2.1 yaitu seperti terlihat pada gambar 4.1: 92
Sensitivity = 92+9 = 0,910
9
Specificity = 9+9 = 0,5
92
PPV = 92+9 = 0,910
9
NPV = 9+9 = 0,5
B. Evaluasi Model Algoritma Naive Bayes
dengan ROC Curve

ISSN : 1979-9330 (Print) - 2088-0154 (Online) 6

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020 speed.web.id

Tabel 7.Nilai Accuracy, Sensitivity, Specificity, PPV

dan NPV Naive Bayes dan PSO
Nilai
Accuracy 0,924
Sensitivity 0,942
Specificity 0,8
PPV 0,970
NPV 0,666

98+12
Accuracy = = 0,924
98+12+3+6
98
Sensitivity = 98+6 = 0,942
12
Specificity = 12+3 = 0,8
98
PPV = 98+3 = 0,970
12
NPV = = 0,666
Gambar 7. Nilai AUC Naive Bayes dalam grafik 12+6
ROC
Berdasarkan nilai AUC sebesar 0,894 yang
ditunjukan gambar di atas maka akurasi memiliki
tingkat Good Classification.

Evaluasi Model Algoritma Naive Bayes dan PSO

Eksperimen dan Pengujian Model Naive Bayes dengan ROC Curve
Perhitungan pada keseluruhan data dilakukan
dengan RapidMiner, model yang terbentuk dengan
algoritma Naive Bayes sendiri akan dibandingkan
dengan model yang terbentuk setelah proses
pembobotan attribut. Nilai bobot attribut akan
diberikan kepada oleh setiap partikel PSO. Model
yang terbentuk akan diuji sehingga dapat diketahui
akurasi model yang terbentuk, setelah itu partikel
PSO akan bergerak ke arah partikel terbaik agar
akurasi model yang dihasilkan dapat lebih tinggi dari
sebelumnya. Atribut yang terseleksi dari 12 atribut
menjadi 4 atribut, yang terdiri dari: Jenis Kelamin,
Lemah-Letih-Lesu, Titik Serabut Pembuluh Darah
dan Perubahan Warna Kulit-Mata-Urin-Feses.

Evaluasi Model Algoritma Naive Bayesdan
Particle Swarm Optimization dengan Confucion
Matrix
Tabel 6.Confusion Matrix Metode Naive Bayesdan
PSO
Berdasarkan tabel diatas dari data testing terdapat
rincian jumlah True Positive (TP) 98, False Negative
(FN) 6, False Positive (FP) adalah 3 dan True
Negative (TN) 12.Dari data tersebut maka dapat
dihitung nilai accuracy, sensitvity, specifity dan NPV.
Data hasil olahan dapat dilihat pada tabel di bawah:
ISSN : 1979-9330 (Print) - 2088-0154 (Online)
Gambar 8. Nilai AUC Naive Bayesdan PSO
dalam grafik ROC
Berdasarkan nilai AUC sebesar 0,941 yang
ditunjukan gmabar di atas maka akurasi memiliki
tingkat Excellent Classification.
Komparasi Model Naive Bayes dengan Naive
Bayes dan Particle Swarm Optimization
Hasil pengujian menyimpulkan bahwa Atribut
yang mempengaruhi pengujian adalah 12 atribut.
Hasil pengujian model Naive Bayes tanpa seleksi
atribut dibandingkan dengan model Naive Bayes
dengan seleksi atribut menggunakan Particle Swarm
Optimization dapat dilihat pada tabel berikut:
Tabel 8. Pengujian Algoritma klasifikasi
Naive Bayes dan Particle Swarm Optimization -
Naive Bayes
7
Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020
Accuracy AUC
Naive Bayes 84,85% 0.894
PSO-Naive 92,50% 0.941
Bayes
Dari hasil pengujian diatas, dengan dilakukan
evaluasi baik secara confusion matrix maupun ROC
curve terbukti bahwa pengujian yang dilakukan
Optimasi Naive Bayes menggunakan Particle Swarm
Optimization memiliki nilai akurasi yang lebih tinggi
dibanding hanya menggunakan Naive Bayes. Nilai
akurasi untuk model algoritma Naive Bayes sebesar
84,85% dengan nilai AUC 0,894 dan nilai akurasi
model Naive Bayes dengan seleksi atribut
menggunakan Particle Swarm Optimization sebesar
92,50% dengan AUC 0,941. Berdasarkan nilai
tersebut diperoleh selisih akurasi sebesar 7,65% dan
selisih AUC sebesar 0,047.
Pengembangan Aplikasi Model dari Naive Bayes
dan Particle Swarm Optimization
Berdasarkan hasil eksperimen didapatkan
model terbaik dari metode Naive Bayes dan Naive
Bayes dan Particle Swarm Optimization, yang
dikembangkan menjadi sebuah aplikasi.
Gambar 9.Pengujian Aplikasi Model Naive Bayes&
PSO
ISSN : 1979-9330 (Print) - 2088-0154 (Online)
speed.web.id
Gambar 10.Hasil Pengujian Aplikasi Model
Naive Bayes& PSO
KESIMPULAN
Berdasarkan hasil penelitian tersebut, maka
diperoleh nilai akurasi algoritma Naive Bayes senilai
84,85%, sedangkan untuk nilai akurasi Optimasi
Naive Bayes menggunakan PSO sebesar 92,50%
sehingga tampak selisih nilai akurasi yaitu sebesar
7,65%. Sedangkan evaluasi menggunakan ROC
curve diperoleh hasil untuk algoritma Naive Bayes
bernilai 0,894 dengan tingkat diagnosa Good
Classification dan Optimasi Naive Bayes
menggunakan PSO bernilai 0,941 dengan tingkat
diagnosa Excellent Classification, didapatkan selisih
nilai AUC sebesar 0,047. Sehingga dapat
disimpulkan bahwa penerapan teknik optimasi
Particle Swarm Optimization mampu menyeleksi
atribut pada Naive Bayes dan menghasilkan tingkat
akurasi diagnosis penyakit hepatitis yang lebih baik
dibanding dengan menggunakan metode individual
Naive Bayes.
Untuk penelitian selanjutnya lebih dikembangkan
lagi dengan menggunakan metode seleksi atribut
yang lain seperti chi-square, forward selection,
backward elimination dan sebagainya untuk
ketepatan penyeleksian atribut, kemudian lakukan
komparasi dengan menggunakan pengujian metode
yang sama untuk dataset public sebagai data
sekunder dan data hasil riset sebagai data primer
dengan menggunakan metode optimasi lain seperti:
Ant Colony Optimization (ACO), Genetik Algorithm
(GA).
DAFTAR PUSTAKA
[1] Erawati, Wati. (2015). Prediksi Penyakit Hati
Menggunakan Model Algoritma Neural Network.
Jurnal Techno Nusa Mandiri Vol. 12 No. 2,
September 2015.
[2] Setiati, Siti. (2014). Buku Ajar Ilmu Penyakit
Dalam. Jakarta: Interna Publishing.
[3] Khairiah, Latifatul, Tursina dan Tedy Rismawan.
(2017). Sistem Pakar Diagnosis Penyakit Hati
dengan Metode Dempster Shafer Berbasis
Android. Jurnal Coding Sistem Komputer Untan
Vol. 5 No. 2 Hal. 57-66 ISSN : 2338-493X
[4] Sinaga, Ferry. (2017). Diagnosa Penyakit
Hepatitis Menggunakan Aplikasi Jaringan Saraf
Tiruan dengan Menggunakan Metode
Perception. Majalah Ilmiah INTI Vol. 12 No. 1
Januari 2017 ISSN: 2339-210X.
[5] Ramdhani, Ahmad, R. Rizal Isnanto dan Ike
Pertiwi Windasari. (2015). Pengembangan
Sistem Pakar untuk Diagnosis Penyakit
Hepatitis Berbasis Web Menggunakan Metode
Certainty Factor. Jurnal Teknologi dan Sistem
8
Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020
Komputer Vol. 3 No. 1 Januari 2015 e-ISSN:
2338-0403.
[6] Saputra, Suranto. (2017). Komparasi Algoritma
Berbasis Neural Network dalam Mendeteksi
Penyakit Hepatitis. Factor Exacta Vol. 10 No. 1
Hal 40-49 p-ISSN: 1979-276X e-ISSN: 2502-
339X.
[7] Kemenkes RI. (2013). Badan Penelitian dan
Pengembangan Kesehatan Republik Indonesia,
“Riset Kesehatan Dasar 2013”.
[8] Friedayanthie, Eka Wulansari. (2015). Analisa
Data Mining untuk Prediksi Hepatitis dengan
Menggunakan Metode Naive Bayes dan Support
Vectore Machine. Jurnal Khatulistiwa
Informatika Vol. 3 No.1 Juni 2015.
[9] Hadi, Moch Irfan & Muhammad Yusuf Alamudi.
(2017). Skrinning Hepatitis B Surface Antibody
(HbsAb) pada Remaja di Surabaya dengan
Menggunakan Rapid Test. Journal of Health
Science and Prevention, Vol. 1 No. 2 September
2017 ISSN 2549-919X (online).
[10] WHO | Hepatitis [Internet]. WHO. [cited 2018
May 25]. Available from:
http://www.who.int/hepatitis/en/
[11] Handarko, Jefry Latu dan Alamsyah. (2015).
Implementasi Fuzzy Decision Tree untuk
Mendiagnosa Penyakit Hepatitis.
UNNESJournal of Mathematics Vol. 4 No. 2
2015 ISSN: 2252-6943
[12] Munawarah, Raudlatul, Oni Soesanto dan M.
Reza Faisal. (2016). Penerapan Metode Support
Vector Machine pada Diagnosa Hepatitis.
Kumpulan Jurnal Ilmu Komputer (KLIK) Vol. 4,
No. 1 Februari 2016. ISSN: 2406-7857.
[13] Suwardika, Gede. 2017. Pengelompokan dan
Klasifikasi pada Data Hepatitis dengan
Menggunakan Support Vector
Machine,Classification and Regression Tree dan
Regresi Logistik Biner. Journal of Education
Research and Evaluation Vol 1 No. 3 Hal. 183-
191
[14] Septiani, Wisti Dwi. (2014). Penerapan
Algoritma C4.5 untuk Prediksi Penyakit
Hepatitis. Jurnal Techno Nusa Mandiri Vol. 11
No. 1 Maret 2014.
[15] Astuti, Tri & Yuliyanti. (2015). Imputasi Missing
Attribute Values Dataset Hepatitis Berdasarkan
Algoritme RIPPER. Jurnal Telematika Vol. 8 No.
2, Agustus 2015. ISSN: 1979-9268 & e-ISSN:
2441-4536.
[16] T. Karthikeyan, PhD and P. Thangaraju. (2013).
Analysis of Classification Algorithm Applied to
Hepatitis Patients. International Journal of
Computer Applications, Vol. 62 No.15, January
2013 (0975 – 8887)
[17] Wijayakusuma, H.M Hembing. (2008). Tumpas
Hepatitis dengan Ramuan Herbal. Jakarta:
Pustaka Bunda.
ISSN : 1979-9330 (Print) - 2088-0154 (Online)
speed.web.id
[18] Cahyono, J.B. Suharjo B. (2010). Hepatitis B.
Yogyakarta: Kanisius.
[19] Furqonita, Deswati. (2008). Seri IPA Biologi.
Jakarta: Quadra.
[20] Waluyo, Srikandi dan Budhi, M.P.s (2011). 100
Question & Answers: Hepatitis. Jakarta: PT. Elex
Media Komputindo.
[21] Yatim, Faisal. (2008). Macam-macam Penyakit
Menular dan Cara Pencegahannya Jilid 2.
Jakarta: Pustaka Obor Populer.
[22] Infodatin. (2014). Situasi dan Analisis Hepatitis.
http://www.depkes.go.id/resources/downloadpu
sdatin/infodatin-hepatitis.pdf.
[23] Prasetyo, Eko. (2012). Data Mining Konsep dan
Aplikasi Menggunakan Matlab. Yogyakarta: Andi
Offset.
[24] Kamagi, David Hartanto dan Seng Hansun.
2014. Implementasi Data Mining dengan
Algoritma C4.5 Memprediksi Tingkat Kelulusan
Mahasiswa. Tangerang: UTLIMATICS, Vol. 6
No. 1, Juni 2014 ISSN: 2085-4552.
[25] Kusrini & Taufiq Emha Luthfi. (2009). Algoritma
Data Mining. Yogyakarta: Andi Offset.
[26] Maimon, O., and Rokach, L. (2010). Data Mining
and Knowledge Discovery Handbook. New York:
Springer.
[27] Santosa, Budi. (2010). Tutorial Particle Swarm
Optimization. Institut Teknologi Surabaya.
[28] Qurnia, Ida Lailatul, Eko Prasetyo dan Rifki
Fahrial Zainal. (2016). Classification of Diabetes
Disease using Naive Bayes Case Study: Siti
Khadijah Hospital. Journal of Electrical
Engineering and Computer Sciences Vol. 1 No.
2 December 2016 ISSN: 2528-0260.
[29] Widiastuti, Nur Aeni, Stefanus Santosa dan
Catur Supriyanto. (2014). Algoritma Klasifikasi
Data Mining Naive Bayes Berbasis Particle
Jurnal Swarm Optimization untuk Deteksi
Penyakit Jantung. Pseudocode Vol. 1 No. 1,
Februari 2014 ISSN: 2355-5920.
[30] Lubis, Muhammad Ridwan. (2017). Metode
Hybrid Particle Swarm Optimization Neural
Network Backpropagation untuk Prediksi Hasil
Pertandingan Sepak Bola. Jurnal Sains
Komputer dan Informatika (J-SAKTI) Vol. 1 No.
1, Maret 2017 ISSN: 2548-9771 E-ISSN: 2549-
7200.
[31] Kusumawati, D., Winarno, W. W., & Arrief, m. R.
(2015). Prediksi Kelulusan Mahasiswa
Menggunakan Metode Neural Network dan
Particle Swarm Optimization.
Semnasteknomedia Online Vol. 3 No. 1 Hal. 3-
8.
[32] Ciptohartono, Claudia Clarentia. (2014).
Algoritma Klasifikasi Naive Bayes untuk Menilai
Kelayakan Kredit. Jurnal Teknik Informatika
Fakultas Ilmu Komputer Semarang.
9
Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 12 No 1 – Februari 2020 speed.web.id

[33] Gorunescu, F. (2011). Data Mining Concepts,

Models and Techniques. Berlin: Springer.
[34] Utami, Lilyani Asri. (2017). Analisis Sentimen
Opini Publik Berita Kebakaran Hutan Melalui
Komparasi Algoritma Support Vector Machine
dan K-nearest Neighbor Berbasis Particle
Swarm Optimization. Vol 13, No 1.

ISSN : 1979-9330 (Print) - 2088-0154 (Online) 10