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

Vol. 4, No. 11, November 2020, hlm. 4096-4102 http://j-ptiik.ub.ac.id

Penerapan Metode Fuzzy K-Nearest Neighbor Pada Klasifikasi

Penyakit Menular Seksual Pria
Nadia Siburian1, Imam Cholissodin2, Putra Pandu Adikara3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1nadiasiburian17@gmail.com, 2imamcs@ub.ac.id, 3adikara.putra@ub.ac.id

Abstrak
Infeksi menular seksual merupakan salah satu penyakit berbahaya yang penyebarannya semakin
meluas setiap tahun terkhusus di kota Malang. Salah satu kota pendidikan ini memiliki populasi
manusia yang terus bertambah setiap tahunnya sehingga dapat menjadi pemicu menularnya virus
penyakit infeksi menular seksual terutama bagi orang yang melakukan hubungan seksual. Berdasarkan
informasi Dinas kesehatan Malang, sebagian besar orang terkena penyakit menular seksual tanpa
menyadari gejala yang timbul dalam diri mereka. Dibandingkan dengan wanita, pria lebih banyak
yang mengidap infeksi menular seksual. Penyakit menular seksual pada pria seperti Sifilis, HIV,
Gonore, Herpes dan Kutil memiliki gejala yang mempunyai kemiripan pada masing-masing penyakit
sehingga sulit untuk membedakannya. Untuk mengetahui dan mengurangi kesalahan dalam
memprediksi suatu penyakit, digunakan metode Fuzzy k-Nearest Neighbor pada penelitian ini untuk
membantu mengklasifikasikan penyakit menular seksual. Proses klasifikasi memiliki tiga tahapan
yaitu proses inisialisasi fuzzy. Proses algoritme kNN dan proses fuzzy kNN. Pada pengujian penelitian
digunakan pengujian pengaruh terhadap nilai K, pengujian K-Fold Cross Validation dengan
menggunakan 60 data yang terbagi menjadi 10-fold dan didapatkan hasil akurasi tertinggi sebesar
91,67% dengan K = 5 kemudian pengujian performa antar kelas menggunakan confusion matrix untuk
menentukan nilai Precision dan Recall pada 30 data uji.
Kata kunci: infeksi menular seksual, fuzzy k-nearest neighbor, k-fold cross validation , confusion matrix
Abstract
sexually transmitted diseases is one of the dangerous diseases that spreads every year, especially in
the city of Malang. One of these educational cities has a growing human population each year so that
it can be a trigger for the spread of the sexually transmitted diseases, especially for people who have
sex. Based on information from the Malang Health Service, most people are exposed to sexually
transmitted diseases without being aware of the symptoms that arise in them. Compared with women,
more men who have a sexually transmitted infection. Sexually transmitted diseases in men such as
Syphilis, HIV, Gonorrhea, Herpes and Warts have symptoms that have similarities in each disease so
it is difficult to distinguish. To find out and reduce errors in predicting a disease, the Fuzzy k-Nearest
Neighbor method is used in this study to help classify sexually transmitted diseases. The classification
process consists of three processes are the fuzzy initialization process. The kNN algorithm process and
the kNN fuzzy algorithm process. In the research test used the influence of K value testing, K-Fold
Cross Validation test using 60 data divided into 10-fold and obtained the highest accuracy results of
91.67% with K = 5 then inter-class performance testing using confusion matrix to determine Precision
and Recall values on 30 test data.
Keywords: sexually transmitted diseases, fuzzy k-nearest neighbor, k-fold cross validation , confusion matrix

diri serta memiliki naluri yang besar terhadap

1. PENDAHULUAN keingintahuan dan lebih condong senang
Usia remaja, adalah usia di mana mereka berkelompok pada usia yang sama untuk
mempunyai fase yang kritis dalam mencari jati mencoba suatu hal baru bagi mereka yang
belum pernah dilakukan tanpa berpikir dampak

Fakultas Ilmu Komputer

Universitas Brawijaya 4096
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
buruk yang akan terjadi kepada mereka.
Menurut Dirjen PMPTK tahun 2011 yaitu siswa
SMP dan SMA merupakan 50% dari 10 ribu
penderita HIV atau AIDS.
Berdasarkan informasi Dinas Kesehatan
khususnya kota Malang, sebagian besar orang
terkena penyakit infeksi menular seksual tanpa
menyadari gejala yang muncul pada diri
mereka. Rata-rata pasien yang tertular penyakit
infeksi menular seksual berusia 20-49 tahun
(Dinas Kesehatan Kota Malang, 2018).
Pengetahuan oleh remaja bahkan orang dewasa
di Indonesia perihal organ reproduksi yang
tidak sehat dan bermasalah serta menularnya
penyakit IMS masih sangat minim. Banyak dari
mereka yang tidak acuh dan menyepelekan
serta ada juga yang tidak tahu dampak yang
terjadi dari adanya aktivitas seksual terutama
terkait dengan penularan IMS.
IMS adalah satu dari penyakit merugikan
dan berinfeksi menyerang bagian alat
reproduksi atau organ kelamin. Beberapa
penyebab terjadinya IMS bisa terinfeksi lewat
kuman seperti virus, jamur atau parasit yang
berkembang di sekitar saluran organ reproduksi.
Infeksi juga dapat menular lewat hubungan
seksual (Kumalasari & Andhyantoro, 2012).
Beberapa jenis infeksi menular seksual yaitu
Herpes Genitalis, Chlamydiasis, Cervicitis
Gonorhea, Syphilis, HIV dan lain sebagainya.
Untuk mengetahui seseorang terdiagnosa
suatu penyakit IMS dibutuhkan pengumpulan
data berupa gejala yang dialami oleh penderita.
Gejala yang timbul dari sebagian penyakit IMS
tentunya mempunyai kemiripan yang sulit
untuk dibedakan sehingga sering kali terdapat
kesalahan manusia dalam membedakan gejala
pada penyakit IMS serta dikarenakan minimnya
pengetahuan dapat membuat penyakit menjadi
semakin parah serta dapat memperluas
terjadinya penularan pada pasangan yang
melakukan kontak seksual terhadap si
penderita. Penanganan yang dapat dilakukan
untuk mengurangi kesalahan dalam
menentukan prediksi dibutuhkan metode yang
dapat sesuai serta membantu dalam
pengklasifikasian penyakit menular seksual
terutama pada pria dengan diterapkannya
metode Fuzzy k-Nearest Neighbor (FkNN).
Kelebihan menggunakan metode gabungan
Fuzzy dengan kNN tersebut dibandingkan
dengan metode kNN yaitu jika didapatkan sifat
ambigu (tidak jelas) pada data kelas yang
diolah, algoritme ini mampu menganalisis sifat
keambiguan dari klasifikasi ketetanggaan kelas
Fakultas Ilmu Komputer, Universitas Brawijaya
4097
tersebut. Algoritme ini juga diimplementasikan
agar pada tetangga yang terdapat ambigu tidak
memiliki peran penting dan tidak
mempengaruhi klasifikasi. Sebuah instance
pada algoritme FkNN terdapat derajat
keanggotaan di setiap kelas. Derajat
keanggotaan sendiri berfungsi untuk
menguatkan dan memberikan kepercayaan
berupa nilai suatu instance yang terdapat di
suatu kelas (Y. C. M. Putri, Atastina, & Yulita,
2012).
Terdapat penelitian pada klasifikasi
penyakit menular seksual yaitu pada pria dan
dilakukan dengan menerapkan salah satu dari
metode klasifikasi yaitu gabungan antara Naive
Bayes dan certainty factor. Perhitungan tingkat
akurasi dilakukan dalam perhitungan nilai
kepastian prediksi berdasarkan hasil diagnosis
penyakit. Terdapat tahan pertama yang dimulai
dari memasukkan gejala oleh pengguna dan
melakukan perhitungan pada nilai prior,
perhitungan pada nilai likelihood, dan
perhitungan pada nilai posterior untuk hasil
diagnosis sementara untuk mengetahui nilai
kepastian dari penyakit berdasarkan
perhitungan pada Naive Bayes dilakukan
dengan metode certainty factor. Hasil akurasi
sebesar 85% dari pengujian dengan
menggunakan 35 data uji (Bayu, Ammal, &
Hidayat, 2018).
Penelitian lain dilakukan terhadap penyakit
menular seksual dengan menggunakan
algoritme logika fuzzy untuk menyaring
berbagai gejala dan memberikan hasil
pengujian yang akurat. Sistem ini dibuat dengan
bantuan pakar venereologi untuk membantu
pengguna dalam mengetahui gejala awal dari
penyakit menular seksual. Hasil akurasi pada
sistem ini didapat sebesar 82% (Caliwag et al.,
2018).
Berdasarkan permasalahan yang diuraikan
terkait penelitian sebelumnya, maka peneliti
memutuskan yaitu menerapkan metode Fuzzy
k-Nearest Neighbor dalam pengklasifikasian
infeksi menular seksual.
2. LANDASAN KEPUSTAKAAN
2.1. Infeksi Menular Seksual
Penyakit yang merupakan Infeksi Menular
Seksual adalah penyakit yang menyerang
bagian kelamin atau alat untuk reproduksi.
Beberapa penyebab terjadinya IMS berasal dari
mikroorganisme seperti jamur dan virus yang
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4098

merugikan yang berkembang di sekitar area 2.2. Fuzzy k-Nearest Neighbor

organ reproduksi. Infeksi menular seksual juga
Fuzzy kNN adalah metode klasifikasi yang
dapat berkembang lewat aktivitas seksual
merupakan gabungan dari fuzzy dengan kNN.
(Kumalasari & Andhyantoro, 2012). Beberapa
Algoritme pada metode ini berfungsi untuk
jenis infeksi menular seksual yaitu Herpes
menghasilkan prediksi data uji dengan
Genital, Chlamydiasis, Cervicitis Gonorhea,
melibatkan nilai derajat keanggotaan yang ada
Syphilis, HIV dan lain sebagainya.
dan didapat dari hasil yang paling besar
Klamidia, merupakan salah satu dari infeksi
berdasarkan semua data uji setiap kelas sebagai
menular seksual dan yag menjadi penyebabnya
penentu hasil prediksi. Kelebihan menggunakan
adalah bakteri Chlamydia Trachomatis. Gejala
fuzzy kNN dibanding hanya menggunakan kNN
klamidia yang terdapat pada pria yaitu cairan
dengan adanya derajat nilai keanggotaan yang
keruh yang keluar dari ujung penis, terasa perih
terdapat pada setiap masing-masing kelas tentu
saat buang air kecil dan gatal di sekitar lubang
akan membuat kuat suatu instance yang
penis, serta pembengkakan pada sekitar testis.
terdapat pada kelas tersebut dan apabila ada
Herpes genital merupakan infeksi yang sering
sifat tidak jelas (ambigu) dari data kelas yang
terjadi dan menular menjadi tersebar ketika
diolah, algoritme FkNN dapat memperkirakan
melakukan kontak seksual diakibatkan terdapat
sifat ambigu berdasarkan klasifikasi
virus herpes yang menimbulkan adanya luka
ketetanggaan kelas tersebut. Algoritme ini juga
yang dingin. Gonore merupakan penyakit
dirancang agar sifat ambigu dari tetangga tidak
menular seksual yang mengakibatkan adanya
mempunyai kegunaan yang penting dalam
rasa nyeri atau sakit pada saluran reproduksi
klasifikasi tersebut (Y. C. M. Putri et al., 2012).
serta adanya gejala lain yang muncul pada
Adapun tahap-tahap perhitungan Fuzzy
saluran reproduksi, dan bisa mengakibatkan
kNN sebagai berikut (Asri, 2016):
terjadi masalah pada anus, tenggorokan, mata
1. Melakukan proses menghitung jarak dari
serta bagian sendi. Sifilis merupakan penyakit
kedekatan tiap data latih dengan
menular seksual yang disebabkan adanya
menggunakan Persamaan 1
kegiatan seksual seperti seks oral dan seks anal.
Terkadang, penyakit Sifilis menular ke
𝑑(𝑥1 , 𝑥2 ) = √∑𝑛𝑟=1(𝑎𝑟 (𝑥1 ) − 𝑎𝑟 (𝑥2 ))2 (1)
pasangan dari adanya aktivitas seperti
berciuman begitu lama atau kontak fisik yang
begitu dekat. Sifilis dapat menyebabkan luka Keterangan:
yang tidak diketahui sehingga orang yang
terpapar dan terinfeksi tidak menyadari 𝑥1 , 𝑥2 = dua record dengan n atribut
munculnya penyakit ini dan secara tidak sadar n = banyaknya data
telah menularkan pada pasangan yang
beraktivitas dengan orang tersebut. HIV//AIDS 𝑑(𝑥1 , 𝑥2) = jarak euclidean
merupakan penyakit kelamin yang mematikan
𝑎𝑟 = nilai atribut ke-r pada record
disebabkan oleh rusaknyacimunitas tubuh,
sehingga tubuh menjadi lebih sering terkena
segala macam penyakit. Penyakit ini dapat 2. Melakukan pengurutan jarak dari kedekatan
menular lewat hubungan seksual serta jarum antara data latih dari terkecil hingga
suntik yang digunakan secara bersamaan dan terbesar
dapat tertular apabila terpapar darah penderita. 3. Mengubah id data latih sesuai dengan data
Kutil kelamin merupakan penyakit dengan latih
munculnya kutil yang disebabkan oleh Human 4. Mengubah kelas data latih sesuai dengan
papillomavirus (HPV). Kutil ini bermunculan data latih
tidak hanya satu saja dan berbentuk benjolan 5. Melakukan proses menentukan jumlah
ketika sudah sampai sebulan setelah terjadinya tetangga terdekat sebanyak k
hubungan intim dengan si penderita yang 6. Mengambil data jarak kedekatan antara data
terdiagnosa penyakit IMS. Beberapa tanda latih yang telah diubah menjadi kelas data
gejala yang terlihat yaitu seperti bentuk sebanyak k
kembang kol atau jengger ayam pada kelamin 7. Melakukan proses menghitung jarak
maupun anus. kedekatan antara data uji dengan data latih
dengan menggunakan Persamaan 1
8. Melakukan pengurutan jarak kedekatan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
antara data uji dengan data latih dari
terkecil hingga terbesar
9. Melakukan proses inisialisasi fuzzy pada
data latih dengan menggunakan Persamaan
2 1
𝑛
0,51 + (( 𝐾𝑗 ) ∗ 0,49) , 𝑗𝑖𝑘𝑎 𝑗 = 1
𝑢(𝑥𝑗 ,𝑐𝑖 ) ={
𝑛
( 𝐾𝑗 ) ∗ 0,49, 𝑗𝑖𝑘𝑎 𝑗 ≠ 1
Keterangan:
𝑢(𝑥𝑗 ,𝑐𝑖 ) : nilai keanggotaan data latih
𝑛𝑗 : jumlah anggota kelas j pada
himpunan K-tetanggaterdekat data latih
K : jumlah tetangga terdekat
i : kelas data latih
j : kelas target
10. Melakukan proses menghitung nilai
keanggotaan data latih menggunakan
Persamaan 3
1
∑𝑘
𝑗=1 𝜇𝑖𝑗 ( 2⁄(𝑚−1) )
‖𝑥−𝑥𝑗‖
𝜇𝑖 (𝑥) = 1 (3)
∑𝑘
𝑗=1( 2⁄(𝑚−1) )
‖𝑥−𝑥𝑗‖
Keterangan:
𝜇𝑖 (𝑥) = nilai keanggotaan data x ke
kelas 𝑐𝑖
𝑥 − 𝑥𝑗 = selisih jarak data 𝑥 ke data 𝑥𝑗
dalam k tetangga terdekat
K = jumlah tetangga terdekat
yang digunakan
m = bobot pangkat (weight
exponent) yang besarnya m>1
11. Menentukan hasil klasifikasi dilihat dari
nilai terbesar pada nilai keanggotaan yang
didapatkan
2.3. Asymmetric Binary
Asymmetric binary atau atribut biner
asimetrik merupakan kebalikan dari atribut
biner simetrik dan memiliki peran yang berbeda
untuk setiap atribut. pengukuran yang
dilakukan atribut biner asimetrik apabila atribut
datanya mempunyai nilai yang tidak sama
penting. Terdapat dua kondisi yang berbeda
terhadap gejala penyakit adalah positif (1) dan
negatif (0). Diberikan tabel kontingensi untuk
atribut biner yang akan ditunjukkan pada Tabel
Fakultas Ilmu Komputer, Universitas Brawijaya
4099
1
Tabel 1. Tabel Kontingensi Atribut Biner
Obyek j
0 jumlah
(2) Obyek i 1 q r q+r
0 S t s+t
Jumlah q+s r+t p
Pada Tabel 1 untuk menghitung
ketidakmiripan atribut tidak digunakan nilai t
pada Perhitungan asymmetric binary
ditunjukkan pada Persamaan 4
𝑟+𝑠
𝑑𝑖𝑗 = 𝑞+𝑟+𝑠 (4)
Keterangan:
𝑑𝑖𝑗 : Asymmetric binary
𝑖 : titik data latih
𝑗 : titik data uji
𝑟 : jika kondisi i = 1 dan j = 0
𝑠 : jika kondisi i = 0 dan j = 1
𝑞 : jika kondisi i = 1 dan j = 1
𝑡 : jika kondisi i = 0 dan j = 0
2.4. K-Fold Cross Validation
K-Fold Cross Validation adalah suatu
pengujian dengan membagi data sejumlah K-
Fold dan menjadikan data tersebut berupa sub
set sebanyak K-Fold. Sub set terdiri dari dua
sub set yaitu satu untuk sub set data uji dan
sisanya merupakan sub set data latih. Sebanyak
K-Fold yang nantinya dilakukan untuk
pengujian dengan melakukan pengulangan pada
sub set data secara bergantian (Hastie,
Tibshirani, & Friedman, 2009).
2.5. Precision dan Recall
Perhitungan confusion matrix dapat
digunakan untuk menghitung nilai evaluasi
Accuracy, Precision, dan Recall. Namun, esensi
dari confusion matrix adalah untuk mengetahui
performasi antar kelas dengan melakukan
analisis yang menjadikan perbandingan antara
hasil klasifikasi pada sistem dengan hasil
klasifikasi yang seharusnya (Shridhar, 2018).
Terdapat empat representasi pada confusion
matrix yaitu nilai TN yang adalah nilai dari data
negatif yang terdeteksi benar dan nilai FP
adalah data negatif yang terdeteksi sebagai data
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4100

positif. Nilai TP adalah data positif benar yang
terprediksi benar sementara nilai FN adalah
lawan dari TP yang berarti data positif
terdeteksi sebagai data negatif.
Tabel 2. Tabel Confusion Matrix
Aktual Aktual
Positif (1) Negatif (0)
4.1. Pengujian Pengaruh Terhadap Nilai K
Pengujian terhadap pengaruh nilai K
dilakukan untuk melihat adanya pengaruh nilai
akurasi dari nilai K yang bermacam-macam.
Pada pengujian terhadap pengaruh nilai K, akan
digunakan masing-masing nilai K = 1 sampai K
= 20.

Prediksi
TP FP
Positif (1)

Prediksi
FN TN
Negatif (0)

3. METODOLOGI PENELITIAN Gambar 1. Grafik Pengujian Pengaruh Nilai K

Pada Gambar 1 pengujian terhadap
3.1. Strategi Penelitian pengaruh nilai K, nilai K terbaik didapat
Pada strategi penelitian untuk implementasi terakhir oleh nilai K = 11. Nilai K lebih dari 11
metode fuzzy kNN untuk klasifikasi penyakit mendapatkan hasil akurasi yang semakin
menular seksual pada pria. Metode klasifikasi menurun dibandingkan dengan nilai K yang
yang dapat digunakan adalah metode fuzzy berjumlah kurang dari K=1.
kNN. Metode fuzzy kNN merupakan gabungan
dari metode fuzzy dan metode kNN. Peran 4.2. Pengujian Data Latih dan Data Uji
utama yang dimiliki metode kNN yaitu mampu dengan K-Fold Cross Validation
mempertimbangkan sifat tetangga yang terdekat Dari hasil pengujian yang dilakukan
dalam proses klasifikasi pada data yang baru dengan K-Fold cross validation menunjukkan
dilihat dari fitur dan data latih. Terdapat bahwa nilai K terbaik berada pada fold ke-5
kelebihan pada penggunaan metode FkNN yaitu sebesar 91,67. Nilai terendah didapatkan
dibandingkan dengan metode kNN yaitu jika pada fold ke-10 yaitu sebesar 85.
terdapat sifat ambigu (tidak jelas) pada data
kelas yang diolah, algoritme FkNN dapat
menganalisa kembali sifat ambiguitas pada
klasifikasi ketetanggaan kelas tersebut.
Algoritme ini juga diimplementasikan untuk
mengantisipasi tetangga yang bersifat tidak
jelas dan tidak memiliki peran utama pada
klasifikasi.

3.2. Teknik Pengumpulan Data

Pengumpulan data bersumber dari rumah
sakit Kota Malang. Terdapat dua bagian data
yang terbagi untuk dikumpulkan yaitu data
utama yang bersumber dari tim rekam medik
rumah sakit dan data pelengkap bersumber dari
pihak ketiga tetapi tidak disajikan dan dapat
menjadi informasi untuk kepentingan penelitian
ini.
4. HASIL DAN PEMBAHASAN
Gambar 2. Grafik Pengujian K-Fold Cross
Validation
Hasil pengujian pada K-Fold = 10
menghasilkan nilai rata-rata akurasi K yang
beragam. Terjadi naik dan turun pada rata-rata
akurasi yang cukup jauh dikarenakan data yang
digunakan mempunyai banyak kesamaan pola
pada setiap kelas. Berdasarkan hasil dari
pengujian, nilai K yang bervariasi dapat

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4101

mempengaruhi hasil akurasi pada pengujian K- di mana kelas yang bukan sebenarnya namun
Fold. Hasil terbaik didapatkan pada K = 5 diprediksi benar sehingga mempengaruhi hasil
iterasi fold ke-5. Precision. Pada Recall, terdapat beberapa kelas
yang memiliki nilai False Negative namun
4.3. Pengujian Performa Antar Kelas tidak kurang dari hasil True Positive. Apabila
Berikut total hasil dari klasifikasi kelas pada setiap kelas yang memiliki nilai False
aktual dan prediksi ditunjukkan pada Tabel 2. negative lebih tinggi daripada nilai False
Positive, maka akan mempengaruhi Recall dan
Tabel 3. Tabel Jumlah Kelas dari Klasifikasi Data hasil klasifikasi dari algoritme yang digunakan
Uji mendapatkan hasil yang membahayakan
Kelas misalnya kesalahan dalam memprediksi pasien
Aktual yang sebenarnya terdiagnosa penyakit namun
Herpes Gonore Kutil Sifilis HIV ketika diprediksi tidak benar.
Kelas
Prediksi
5. KESIMPULAN
Herpes 6 2 0 1 0
Kesimpulan yang didapat dari penelitian
Gonore 0 3 0 0 0 penerapan metode fuzzy k-Nearest Neighbor
Kutil 0 2 6 0 0 pada penyakit menular seksual pria sebagai
berikut.
Sifilis 1 0 0 4 0
HIV 0 0 0 0 5
1. Algoritme Fuzzy K-Nearest Neighbor bisa
diterapkan untuk klasifikasi penyakit
Total 7 7 6 5 5 menular seksual pada pria. algoritme
FkNN memiliki tiga tahapan yaitu
hasil perhitungan untuk kelas data penyakit inisialisasi fuzzy untuk menentukan nilai
Herpes mempunyai nilai Precision yaitu 0,66 fuzzy pada data latih, proses kNN dalam
dan Recall sebesar 0,86, hasil perhitungan menentukan K tetangga terdekat dan
untuk kelas data penyakit Gonore mempunyai proses FkNN untuk hasil akhir dari
nilai Precision yaitu 1 dan Recall bernilai 0,42. klasifikasi yaitu menentukan nilai
Penyakit Kutil mempunyai nilai Precision yaitu keanggotaan terbesar yang dijadikan
0,75 dan nilai Recall yaitu 1, dan hasil sebagai penentu kelas data uji.
perhitungan untuk kelas data penyakit Sifilis 2. Pada pengujian dari penelitian
memiliki nilai Precision 0,8 dan untuk nilai menggunakan metode Fuzzy K-Nearest
Recall sebesar 0,8 sedangkan penyakit HIV Neighbor untuk klasifikasi penyakit
menghasilkan nilai Precision dan Recall yang menular seksual pada pria, didapatkan
sama yaitu 1. hasil akurasi berdasarkan 3 pengujian
yaitu pengujian terhadap pengaruh nilai K
menggunakan 90% sebagai data latih dan
10% data uji yaitu 54 data latih dan 6 data
uji. Didapatkan hasil akurasi tertinggi
dengan K = 11 yaitu 100. Pengujian K-
Fold Cross Validation dengan K-Fold =
10 menggunakan komposisi data yang
bervariasi sebanyak 10 fold dan iterasi
sebanyak 10 kali. Didapatkan hasil rata-
rata akurasi dengan menentukan tetangga
terdekat K = 1 sampai K = 10 dan hasil
tertinggi berada pada K = 5 yaitu 91,67.
Pengujian performa antar kelas dengan
menentukan Precision dan Recall oleh
Gambar 3. Grafik Pengujian Performa Antar Kelas confusion matrix yaitu menghasilkan nilai
Pada pengujian performa antar kelas Precision pada setiap kelas penyakit yaitu
menggunakan confusion matrix berdasarkan Herpes sebesar 0,66, Gonore sebesar 1,
pada penggunaan algoritme FkNN, beberapa Kutil sebesar 0,75, Sifilis sebesar 0,8 dan
hasil prediksi kelas terdapat data False Positive
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4102

HIV sebesar 1. Nilai Recall pada kelas Retrieved from

penyakit Herpes sebesar 0,86, Gonore https://dinkes.malangkota.go.id/dokumen/
sebesar 0,43, Kutil sebesar 1, Sifilis profil-kesehatan-kota-malang/
sebesar 0,8 dan terakhir HIV sebesar 1.
Hastie, T., Tibshirani, R., & Friedman, J.
(2009). Springer Series in Statistics. The
6. DAFTAR REFERENSI
Elements of Statistical Learning, 27(2),
Asri, R., Hidayat, N., & Fauzi, M. (2016). 83–85. https://doi.org/10.1007/b94608
PEMODELAN SISTEM PAKAR UNTUK
Kumalasari, I., & Andhyantoro, I. (2012).
IDENTIFIKASI PENYAKIT PADA
Kesehatan Reproduksi untuk Mahasiswa
TANAMAN KEDELAI MENGGUNAKAN
Kebidanan dan Keperawatan. Salemba
METODE FUZZY K-NEAREST
Medika.
NEIGHBOR.
Putri, Y. C. M., Atastina, I., & Yulita, I. N.
Bayu, Ammal, P., & Hidayat, N. (2018).
(2012). Analisis dan Implementasi Teknik
Implementasi Metode Naïve Bayes-
Fuzzy K-Nearest Neighbor pada Kasus
Certainty Factor Untuk Diagnosis. 2(12),
Imbalance Class.
6219–6226.
Shridhar, K. (2018). Esensi penggunaan
Caliwag, J. A., Reyes Jr., F. C., Castro, P. J. M.,
Confusion Matrix. Retrieved June 16,
& Castillo, R. E. (2018). A Mobile Expert
2020, from
System Utilizing Fuzzy Logic for
https://medium.com/neuralspace/kaggle-1-
Venereal and Sexually Transmitted
winning-approach-for-image-
Diseases. Journal of Advances in
classification-challenge-9c1188157a86
Information Technology, 9(3), 57–61.
https://doi.org/10.12720/jait.9.3.57-61
Dinas Kesehatan Kota Malang. (2018). Profil
Kesehatan Kota Malang Tahun 2018.

Fakultas Ilmu Komputer, Universitas Brawijaya