Klasifikasi Ispa
Klasifikasi Ispa
Abstrak
Infeksi Saluran Pernapasan Akut (ISPA) adalah infeksi pada saluran pernapasan, penyakit pernapasan
ini menimbulkan gejala serperti batuk, pilek, dan demam. Penyakit ISPA dapat menjadi sangat berhaya,
ISPA akan menyebar ke seluruh system pernafasan jika tidak ditangani dengan cepat. . Kelompok orang
yang mudah terserang penyakit ini adalah mereka yang memiliki daya tuhan tubuh lemah yaitu mereka
yang memiliki kelainan sistem kekebalan tubuh, orang dengan usia lanjut, dan anak-anak. ISPA dapat
dengan mudah menyerang anak-anak dikarenakan anak-anak memiliki system imun yang belum
terbentuk sempurna. Pada penelitian ini digunakan algoritme Fuzzy K-Nearest Neighbor pada sistem
untuk dapat mengklasifikasikan penyakit ISPA. Pada penelitain ini penyakit ISPA diklasifikasikan
menjadi ISPA ringan dan ISPA berat. Proses klarifikasi pada penelitian ini terdiri dari normalisasi, jarak
Euclidean, lalu klasifikasi Fuzzy K-Nearest Neighbor. Hasil pengujian dengan menggunakan 10 data uji
dan 50 data latih, didapat akurasi sebesar 90% pada K= 10, kemudian dilakukan pengujian pengaruh
nilai K terhadap akurasi pada K antara 2 sampai 10 dengan hasil tertinggi pada K=7 yaitu 90%. Nilai
akurasi yang didapat oleh sistem tetap sama sampai K=10 yaitu 90%.
Kata kunci: infeksi saluran pernapasan akut, ISPA, fuzzy k-nearest neighbor, FKNN
Abstract
Acute Respiratory Infection (ARI) is an infection of the respiratory tract, this respiratory disease causes
symptoms such as cough, cold, and fever. Acute Respiratory Infection disease can be very dangerous,
ARI will spread throughout the respiratory system if not treated quickly. Groups of people who are
susceptible to this disease are those who have weak body divine power, namely those who have immune
system disorders, people with old age, and children. ARI can easily attack children because children
have an immature immune system. In this study, the Fuzzy K-Nearest Neighbor algorithm is used on the
system for classify ARI diseases. In this study, Acute Respiratory Infection was classified into mild Acute
Respiratory Infection and severe Acute Respiratory Infection. The clarification process in this research
consists of normalization, Euclidean distance, then Fuzzy K-Nearest Neighbor classification. The results
of the test using 10 test data and 50 training data, obtained an accuracy of 90% at K = 10, then tested
the effect of the K value on the accuracy at K between 2 to 10 with the highest result at K = 7 which is
90%. The accuracy value obtained by the system remains the same until K = 10, which is 90%.
Keywords: acute respiratory infection, fuzzy k-nearest neighbor, FKNN
memperoleh oksigen yang cukup. ISPA penelitian dan metode Fuzzy K-Nearest
merupakan salah satu penyakit yang mudah Neighbor juga mudah untuk dipahami.
menular. ISPA dapat dengan mudah menyerang
anak-anak dikarenakan anak-anak memiliki 2. LANDASAN KEPUSTAKAAN
system imun yang belum terbentuk sempurna. Terdapat beberapa penelitian yang telah
Infeksi Saluran Pernapasan Akut (ISPA) dilakukan sebelumnya pada penyakit ISPA,
merupakan penyebab utama morbiditas (angka salah satunya dilakukan oleh William dengan
terkena penyakit) dari berbagai penyakit menggunakan metode Logika Fuzzy K-Nearest
menular di dunia. Menurut riset kesehatan dasar Neighbor. Data pada Penelitian yang dilakukan
(Riskesdas), tahun 2007-2011 sekitar 18 Juta oleh William menjadi data sekunder pada
penduduk dilaporkan memiliki prevalensi menelitian ini. Pada sistem, pakar memberikan 5
penyakit ini. gejala serta 2 jenis penyakit ISPA. Pengujian
Tingginya angka ini disebabkan oleh akurasi pada penilitian ini dilakukan dengan
penularan penyakit ISPA yang mudah. menguji akurasi dari 60 data latih yang
Penularan akan dapat dicegah jika ditangani didapatkan dari pakar dan terdapat 53 dari 60
dengan cepat. Oleh karena itu, dibutuhkan data tersebut yang sesuai antara hasil yang
sebuat sistem yang mampu memberikan dikeluarkan sistem dengan hasil pakar. Pada
informasi kepada masyarakat dan juga penelitian ini dihasilkan nilai akurasi yang
dibutuhkan tenaga medis dengan jumlah yang diperoleh sebesar 88,33% (Muris Parsaoran
cukup pada setiap daerah sampai pada daerah- Nainggolan, et al., 2019).
daerah tertentu. Sistem klasifikasi ini akan Penelitian lain yang telah dilakukan pada
memberika informasi pada masyarakan luas dan penyakit ISPA, salah satunya oleh saudara
dapat membantu tenaga medis untuk Teuku Feraldy Ramadhani. Pada penelitian ini
mendiagnosis penyakit ISPA. diterapkan metode Forward Chaining pada
Penerapan metode Fuzzy K-Nearest program berbasis Web. Hasil dari pengujian
Neighbor telah dilakukan sebelumnya oleh yang dilakukan pada sistem, didapatkan nilai
Yerry Anggoro untuk klasifikasi penyakit akurasi yaitu sebesar 94% dari 100 data uji
tanaman kedelai pada citra daun. Citra pada (Teuku Feraldy Ramadhani, 2020).
penelitian ini dibuat dengan menggunakan 2.1. Penyakit Infeksi Saluran Pernapasan
metode Otsu untuk dapat memisahkan bagian Akut (ISPA)
memiliki penyakit dan bagian yang tidak Infeksi Saluran Pernapasan Akut (ISPA)
memiliki penyakit lalu dilakukan adalah penyakit saluran pernapasan atas atau
pengklasifikasian(Anggoro & Adikara, 2018). bawah, biasanya menular, yang dapat
Penelitian dengan menggunakan metode menimbulkan berbagai spektrum penyakit yang
Fuzzy K-Nearest Neighbor juga telah dilakukan berkisar dari penyakit tanpa gejala atau infeksi
oleh Wildan Gita Akbari. Wildan menggunakan ringan sampai penyakit yang parah dan
metode Fuzzy K-Nearest Neighbor untuk mematikan, tergantung pada patogen
mendiagnosis penyakit cabai. Pada penelitian ini penyebabnya, faktor lingkungan, dan faktor
dibutuhkan data berupa gejala – gejala penyakit pejamu (WHO, 2007).
tanaman cabai. Didapatkan nilai akurasi terbaik Berdasarkan tingkat keparahannya, penyakit
dari hasil percobaan yaitu dengan nilai K = 5 ISPA dibedakan menjadi 2, yaitu (Depkes RI,
adalah sebesar 92% (Gita Akbari, et al., 2019). 2005):
Untuk dapat mengatasi permasalah yang - Infeksi Saluran Pernapasan Akut (ISPA)
telah dipaparkan sebelumnya, maka dibuatlah Ringan
sebuah penelitian terkait diagnosis penyakit Gejala umum yang terdapat pada ISPA
ISPA menggunakan metode Fuzzy K-Nearest ringan umumnya seperti flu ringan, batuk
Nneighbor. Penggunaan metode Fuzzy K- kering tidak berdahak, sakit kepala ringan,
Nearest Neighbor pada sistem klasifikasi yang bisa ditangani di rumah dengan segera
penyakit Infeksi Saluran Pernapasan Akut minum obat dan istirahat yang teratur.
(ISPA). Penggunaan metode K-Nearest
Neighbor pada metode Fuzzy dapat - Infeksi Saluran Pernapasan Akut (ISPA)
meningkatkan hasil akurasi pada beberapa Berat
Infeksi ini merupakan tingkat yang lebih kelas ci, nilainya 1 jika data
parah dari ISPA ringan dengan gejala seperti latih xk milik kelas ci atau 0 jika bukan
demam tinggi, menggigil, sesak napas, dan milik kelas ci
lain sebagainya, yang harus segera cepat
- d(x, xk) = jarak dari data x ke
diatasi dengan periksa ke dokter.
data xk dalam K tetangga terdekat
2.2. Fuzzy K-Nearest Neighbor
- m = bobot pangkat (weight exponent)
Fuzzy K-nearest neighbor (FK-NN) adalah
yang besarnya m > 1
gabungan algoritme klasifikasi antara Logika
fuzzy dan K-nearest neighbor. Pada metode 4. Mengambil nilai terbesar dari c = u(x,ci)
Fuzzy K-nearest neighbor terdapat dua untuk semua 1 ≤ I ≤ C (banyak kelas)
kelebihan yang didapat jika dibandingkan
dengan algoritme K-nearest neighbor, yaitu 5. Memberikan label kelas c ke data uji x.
dapat memberikan pertimbangan jika ada sifat
ambigu dari tetangga dan sebuah objek akan
memiliki nilai derajat keanggotaan pada masing- 3. PERANCANGAN
masing kelas sehingga akan lebih memberikan
kekuatan/kepercayaan suatu objek berada pada 3.1. Penyakit Infeksi Saluran Pernapasan
suatu kelas (Jowik, 2013). Akut (ISPA)
Langkah - langkah dalam menggunakan
metode FKNN oleh Keller & Li adalah seperti Tabel 1 menunjukkan nama gejala berta kode
berikut: gejala Penyakit ISPA.
1. Menentukan nilai K (banyaknya tetangga Tabel 1 Gejala Penyakit ISPA
terdekat)
Kode Nama Gejala
2. Mencari K tetangga terdekat untuk data uji Gejala
menggunakan fungsi jarak. Persamaan 1
G1 Tubuh lelah timbul demam
akan menunjukkan persamaan untuk
mencari nilai K tentangga terdekat ke data G2 Batuk/nyeri tenggorokan
uji.
G3 Hidung tersumbat / pilek
1
𝑁 2 G4 Mual / muntah
𝑑(𝑥𝑖 , 𝑥𝑗 ) = (∑ |𝑥𝑖𝑙 − 𝑥𝑗𝑙 |2 ) (1)
𝑙=1 G5 Sakit kepala
Keterangan: Nilai yang dapat dioperasikan pada sebuah
- d(xi,xj) = jarak euclidean antara variabel disebut semesta pembicara. Berikut
data xi ke data xj semesta pembicara pada tiap variabel:
1. Variabel demam : [0, 72]
- l = jumlah dimensi yang digunakan
2. Variabel batuk: [0, 72]
3. Menghitung nilai keanggotaan u(x,ci).
Persamaan 2 akan menunjukkan persamaan 3. Variabel pilek: [0, 72]
untuk mencari nilai keanggotaan. 4. Variabel mual/muntah: [0, 72]
𝐾 −2 5. Variabel sakit kepala: [0, 72]
∑ 𝑢(𝑥𝑘 ,𝑐𝑖 )∗𝑑(𝑥,𝑥𝑘 )(𝑚−1)
𝑘=1
𝑢(𝑥, 𝑐𝑖 ) = 𝐾 −2
(2)
∑ 𝑑(𝑥,𝑥𝑘 )(𝑚−1)
𝑘=1
Keterangan:
- u(x,ci) = nilai keanggotaan data x ke
kelas ci
- K = jumlah tetangga terdekat yang
digunakan
- u(xk,ci) = nilai keanggotaan data
tetangga dalam K tetangga pada
Jarak Euclidean
Nilai keanggotaan
Defuzzifikasi FKNN
Hasil Kaslifikasi
Penyakit ISPA
Selesai
5.1. Kesimpulan
Pada penelitain yang dilakukan yaitu dengan
menerapkan metode pada Sistem Diagnosis
Penyakit Infeksi Saluran Pernapasan Akut
(ISPA) didapatkan kesimpulan yaitu :
1. Proses diagnosis Penyakit ISPA dengan
menerapkan metode Fuzzy K-Nearest
Neighbor dimulai dengan memproses 5
gejala yang diinpit oleh user dan 2 jenis
Penyakit ISPA. Setiap anggota akan dicari
nilai Euclidean ke data uji, kemudian
Pengaruh nilai k terhadap akurasi dilakukan mengurutan pada anggota
ditampilkan pada Gambar 6. Pengujian terdekat ke data uji. Sistem akan melakukan
dilakukan pada nilai k=2 lalu meningkat sampai proses fuzzifikasi dengan menghitung nilai
nilai k=10. Data uji yang diujikan adalah bobot setiap anggota terdekat sesuai nilai k
sebanyak 10 data pada sistem dengan yang dimasukkan oleh user. Proses
menggunakan 50 data latih yang dapat dilihat defuzzifikasi dilakukan dengan mencari
pada Tabel 2. nilai tertinggi antara kelas Penyakit ISPA
Ringan dan Penyakit ISPA berat, nilai ini
100% didapat dengan menambahkan setiap
90% anggota pada setiap kelas. Sehingga didapat
hasil akhir dari diagnosis sistem.
80%
70% 2. Pengujian akurasi dilakukan dengan
menguji akurasi dengan menggunakan 10
60%
data uji pada 50 data latih yang didapatkan
50% dari data sekunder yaitu dari penilitian yang
40% dilakukan oleh saudara William. Setelah
k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 k=10 pengujian didapat terdapat 9 dari 10 data uji
yang sesuai antara hasil yang dikeluarkan
Gambar 6 Pengujian Nilai k Terhadap sistem dengan hasil pada data. Nilai akurasi
Akurasi yang diperoleh sebesar 90%
6. DAFTAR PUSTAKA
Anggoro, Y. D. S. B. & Adikara, P. P., 2018.
Implementasi Metode Fuzzy K-Nearest
Neighbor Untuk Klasifikasi. Jurnal
Pengembangan Teknologi Informasi dan
Ilmu Komputer, Volume 2, pp. 2381-
2389.
Depkes RI, 2005. Rencana Kerja Jangka
Menengah Nasional Penanggulangan
Pneumonia Balita Tahun 2005 - 2009.
Jakarta: Depkes RI.
Gita Akbari, W., Hidayat, N. & Santoso, N.,
2019. Diagnosis Penyakit Cabai
Menggunakan Metode Fuzzy K-Nearest
Neighbor(FKNN). Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer,
Volume 3, pp. 1070-1074.
Jowik, A., 2013. A Learning Scheme for A
Fuzzy K-NN Rule. Pattern Recognition
Letters (1), 287-289.
Muris Parsaoran Nainggolan, W., Santoso, E. &
Hidayat, N., 2019. Sistem Pakar
Diagnosis Penyakit Infeksi Saluran
Pernapasan Akut (ISPA). Jurnal
Pengembangan Teknologi Informasi dan
Ilmu Komputer, Volume 3, pp. 3687-
3694.
Teuku Feraldy Ramadhani, I. F. E. T. E. H.,
2020. Sistem Pakar Diagnosa Penyakit
ISPA Berbasis Web Dengan Metode.
JOINTECS (Journal of Information
Technology and Computer Science),
Volume 5.
WHO, 2007. Pencegahan dan pengendalian
infeksi saluran pernapasan akut (ISPA)
yang cenderung menjadi epidemi dan
pandemi di fasilitas pelayanan kesehatan.
Pedoman Interim WHO.