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

Vol. 5, No. 11, November 2021, hlm. 5023-5029 http://j-ptiik.ub.ac.id

Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut (ISPA) dengan

menerapkan Metode Fuzzy K-Nearest Neighbor
Jeffrey Simanjuntak1, Edy Santoso2, Marji3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1simanjuntak.jeffrey@gmail.com, 2edy144@ub.ac.id, 3marji@ub.ac.id

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

batuk, pilek, dan demam. Penyakit ISPA dapat

1. PENDAHULUAN
Pneumonia merupakan penyakit yang
sangat berbahaya, hal ini disebabkan
penularannya yang mudah dan cepat. Pneumonia
dapat disebabkan oleh infeksi menular oleh
bakteri, virus, maupun jamur. Salah satu
penyakit Pneumonia yang disebabkan oleh
infeksi menular virus adalah penyakit ISPA.
Penyakit ISPA menimbulkan gejala serperti
menjadi sangat berhaya, ISPA akan menyebar ke
seluruh system pernafasan jika tidak ditangani
dengan cepat. Pasien yang terkena penyakit ini
akan mengalami gangguan pernafasan. Penyakit
ISPA dapat menyerang semua kelompok umur.
Penyakit ini ditandai dengan batuk-batuk,
kesulitan bernapas yang berujung pada
kematian. ISPA menyebar ke seluruh sistem
pernapasan dan membuat tubuh tidak

Fakultas Ilmu Komputer

Universitas Brawijaya 5023
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
memperoleh oksigen yang cukup. ISPA
merupakan salah satu penyakit yang mudah
menular. ISPA dapat dengan mudah menyerang
anak-anak dikarenakan anak-anak memiliki
system imun yang belum terbentuk sempurna.
Infeksi Saluran Pernapasan Akut (ISPA)
merupakan penyebab utama morbiditas (angka
terkena penyakit) dari berbagai penyakit
menular di dunia. Menurut riset kesehatan dasar
(Riskesdas), tahun 2007-2011 sekitar 18 Juta
penduduk dilaporkan memiliki prevalensi
penyakit ini.
Tingginya angka ini disebabkan oleh
penularan penyakit ISPA yang mudah.
Penularan akan dapat dicegah jika ditangani
dengan cepat. Oleh karena itu, dibutuhkan
sebuat sistem yang mampu memberikan
informasi kepada masyarakat dan juga
dibutuhkan tenaga medis dengan jumlah yang
cukup pada setiap daerah sampai pada daerah-
daerah tertentu. Sistem klasifikasi ini akan
memberika informasi pada masyarakan luas dan
dapat membantu tenaga medis untuk
mendiagnosis penyakit ISPA.
Penerapan metode Fuzzy K-Nearest
Neighbor telah dilakukan sebelumnya oleh
Yerry Anggoro untuk klasifikasi penyakit
tanaman kedelai pada citra daun. Citra pada
penelitian ini dibuat dengan menggunakan
metode Otsu untuk dapat memisahkan bagian
memiliki penyakit dan bagian yang tidak
memiliki penyakit lalu dilakukan
pengklasifikasian(Anggoro & Adikara, 2018).
Penelitian dengan menggunakan metode
Fuzzy K-Nearest Neighbor juga telah dilakukan
oleh Wildan Gita Akbari. Wildan menggunakan
metode Fuzzy K-Nearest Neighbor untuk
mendiagnosis penyakit cabai. Pada penelitian ini
dibutuhkan data berupa gejala – gejala penyakit
tanaman cabai. Didapatkan nilai akurasi terbaik
dari hasil percobaan yaitu dengan nilai K = 5
adalah sebesar 92% (Gita Akbari, et al., 2019).
Untuk dapat mengatasi permasalah yang
telah dipaparkan sebelumnya, maka dibuatlah
sebuah penelitian terkait diagnosis penyakit
ISPA menggunakan metode Fuzzy K-Nearest
Nneighbor. Penggunaan metode Fuzzy K-
Nearest Neighbor pada sistem klasifikasi
penyakit Infeksi Saluran Pernapasan Akut
(ISPA). Penggunaan metode K-Nearest
Neighbor pada metode Fuzzy dapat
meningkatkan hasil akurasi pada beberapa
Fakultas Ilmu Komputer, Universitas Brawijaya
5024
penelitian dan metode Fuzzy K-Nearest
Neighbor juga mudah untuk dipahami.
2. LANDASAN KEPUSTAKAAN
Terdapat beberapa penelitian yang telah
dilakukan sebelumnya pada penyakit ISPA,
salah satunya dilakukan oleh William dengan
menggunakan metode Logika Fuzzy K-Nearest
Neighbor. Data pada Penelitian yang dilakukan
oleh William menjadi data sekunder pada
menelitian ini. Pada sistem, pakar memberikan 5
gejala serta 2 jenis penyakit ISPA. Pengujian
akurasi pada penilitian ini dilakukan dengan
menguji akurasi dari 60 data latih yang
didapatkan dari pakar dan terdapat 53 dari 60
data tersebut yang sesuai antara hasil yang
dikeluarkan sistem dengan hasil pakar. Pada
penelitian ini dihasilkan nilai akurasi yang
diperoleh sebesar 88,33% (Muris Parsaoran
Nainggolan, et al., 2019).
Penelitian lain yang telah dilakukan pada
penyakit ISPA, salah satunya oleh saudara
Teuku Feraldy Ramadhani. Pada penelitian ini
diterapkan metode Forward Chaining pada
program berbasis Web. Hasil dari pengujian
yang dilakukan pada sistem, didapatkan nilai
akurasi yaitu sebesar 94% dari 100 data uji
(Teuku Feraldy Ramadhani, 2020).
2.1. Penyakit Infeksi Saluran Pernapasan
Akut (ISPA)
Infeksi Saluran Pernapasan Akut (ISPA)
adalah penyakit saluran pernapasan atas atau
bawah, biasanya menular, yang dapat
menimbulkan berbagai spektrum penyakit yang
berkisar dari penyakit tanpa gejala atau infeksi
ringan sampai penyakit yang parah dan
mematikan, tergantung pada patogen
penyebabnya, faktor lingkungan, dan faktor
pejamu (WHO, 2007).
Berdasarkan tingkat keparahannya, penyakit
ISPA dibedakan menjadi 2, yaitu (Depkes RI,
2005):
- Infeksi Saluran Pernapasan Akut (ISPA)
Ringan
Gejala umum yang terdapat pada ISPA
ringan umumnya seperti flu ringan, batuk
kering tidak berdahak, sakit kepala ringan,
yang bisa ditangani di rumah dengan segera
minum obat dan istirahat yang teratur.
- Infeksi Saluran Pernapasan Akut (ISPA)
Berat
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5025

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

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5026

3.2. Flowchart Sistem e. Sistem melakukan perhitungan nilai

keanggotaan.
f. Sistem melakukan defuzzifikasi FKNN.
Mulai
g. Didapati hasil klasifikasi berdasarkan
gejala yang telah dimasukkan oleh User.
Normalisasi
Setelah gejala dimasukkan oleh user, sistem
Gejala Penyakit kemudian akan melakukan normalisasi data pada
data latih dan data yang dimasukkan oleh user.
Normalisasi dilakukan agar range data menjadi
sama yaitu antara 0 dan 1. Gambar 2 akan
menunjukkan diagram alir mencari Normalisasi.
Normalisasi

Jarak Euclidean

Nilai keanggotaan

Defuzzifikasi FKNN

Hasil Kaslifikasi
Penyakit ISPA

Selesai

Gambar 2 Diagram Normalisasi

Gambar 1 Flowchart sistem
Tahapan-tahapan proses yang akan
Jarak Euclidean
dijalankan oleh sistem klasifikasi dapat dilihat
pada Gambar 4.2 yaitu berikut: Setelah gejala dimasukkan oleh user, lalu
dilakukanlah pencarian jarak Euclidean.
a. Pengguna memilih “Mulai” pada
Perhitungan jarak Euclidean didapat dengan
tampilan home.
menambahkan selisih jarak antara anggota lalu
b. User memasukkan gejala-gejala yang di dikuadratkan dan dicari akarnya. Diagram alir
alami. mencari nilai K dapat dilihat pada Gambar 3.
c. Sistem melakukan normalisasi pada data
latih dan data uji
d. Sistem menentukan jarak Euclidean.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5027

Diagram alir mencari nilai Keanggotaan pada

setiap kelas dapat dilihat pada Gambar 5.

Gambar 3 Diagram Jarak Eiclidean

Nilai Keanggotaan
Pencarian nilai anggota dilakukan setelah
mendapat jarak Euclidean. Diagram alir mencari
nilai Keanggotaan dapat dilihat pada Gambar 4.

Gambar 5 Diagram Nilai Keanggotaan tiap

Kelas

4. Pengujian dan Analisis

4.1. Pengujian Akurasi

Pengujian sistem diagnosis penyakit ISPA
hanya menggunakan pengujian akurasi saja,
guna mendapatkan nilai keakuratan perhitungan
metode Fuzzy K-Nearest Neighbor. Pada
penelian ini dilakukan pengujian dengan cara
mencocokan hasil diagnosis dari sistem dengan
hasil diagnosis pada data. Pengujian akurasi
dilakukan dengan menguji akurasi dengan
menggunakan 10 data uji pada 50 data latih.
Pengujian akurasi dapat dilihat pada Tabel 3.
Gambar 4 Diagram Nilai Keanggotaan
Klasifikasi FKNN
Tahap Klasifikasi FKNN dilakukan setelah
didapat nilai keanggotaan pada masing masing
kelas. Pada tahap ini akan dilakukan pencarian
nilai terbesar. Kelas dengan nilai kelas terbesar
maka anggota masuk kedalam kelas tersebut.
Nilai kelas keanggotaan tertinggi akan mejadi
nilai kelas dari data yang dimasukkan oleh user.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Tabel 2 Pengujian Akurasi
Pengaruh nilai k terhadap akurasi
ditampilkan pada Gambar 6. Pengujian
dilakukan pada nilai k=2 lalu meningkat sampai
nilai k=10. Data uji yang diujikan adalah
sebanyak 10 data pada sistem dengan
menggunakan 50 data latih yang dapat dilihat
pada Tabel 2.
100%
90%
80%
70%
60%
50%
40%
k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 k=10
Gambar 6 Pengujian Nilai k Terhadap
Akurasi
4.2. Analisis Hasil Pengujian
Setelah dilakukan pengujian pada sistem
yang telah diimpleme melakukan perbandingan
implementasi yang dijalankan sistem dengan
hasil diagnosis pada data, terdapat dari 9 data
yang sesuai antara hasil yang dikeluarkan sistem
dan hasil diagnosis pada data dengan
menggunakan nilai k=10. Nilai akurasi dapat
diperoleh dengan jumlah data yang sesuai dibagi
dengan keseluruhan data, lalu dikalikan 100%,
9 2. Penilian ini hanya menggunakan 60 data
sehingga didapatkan nilai akurasi x 100% =
10
90%.
Gambar 6 menunjukkan nilai akurasi
meningkat sampai mencapai nilai maksimum
pada nilai k = 7 lalu selanjutnya tetap berada
pada nilai 90%. Semakin besar nilai k maka
semakin banyak pula komposisi kelas sehingga
kesalahan prediksi akan semakin kecil.
Fakultas Ilmu Komputer, Universitas Brawijaya
5028
5. KESIMPULAN DAN SARAN
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
dilakukan mengurutan pada anggota
terdekat ke data uji. Sistem akan melakukan
proses fuzzifikasi dengan menghitung nilai
bobot setiap anggota terdekat sesuai nilai k
yang dimasukkan oleh user. Proses
defuzzifikasi dilakukan dengan mencari
nilai tertinggi antara kelas Penyakit ISPA
Ringan dan Penyakit ISPA berat, nilai ini
didapat dengan menambahkan setiap
anggota pada setiap kelas. Sehingga didapat
hasil akhir dari diagnosis sistem.
2. Pengujian akurasi dilakukan dengan
menguji akurasi dengan menggunakan 10
data uji pada 50 data latih yang didapatkan
dari data sekunder yaitu dari penilitian yang
dilakukan oleh saudara William. Setelah
pengujian didapat terdapat 9 dari 10 data uji
yang sesuai antara hasil yang dikeluarkan
sistem dengan hasil pada data. Nilai akurasi
yang diperoleh sebesar 90%
5.2. Saran
Berdasarkan pada penelitan ini yaitu dengan
menerapkan metode Fuzzy K-Nearest
Neighbor, saran yang dapat diberikan untuk
meningkatkan penelitain selanjutnya:
1. Penelitan hanya dilakukan pada metode
Fuzzy K-Nearest Neighbor. Diharapkan pada
penelitian selanjutnya, dilakukan
pengembangan pada metode.
latih, sehingga pada penelitian berikutnya
diharapkan dapat digunakan data latih yang
lebih untuk dapat meningkatkan varians data
sehingga hasil yang diberikan oleh sistem
akan lebih akurat.
3. Pada penelitian ini, peneliti menggunakan
data sekunder yang mengakibatkan peneliti
tidak dapat terhubung langsung dengan pakar
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5029

sehingga peniliti sulit untuk mendapat

penambahan pada data latih. Penilitian
selanjutnya diharapkan menggunakan data
yang sumbernya dapat dengan mudah
dihubungi agar dapat dilakukan penambahan
data.

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.

Fakultas Ilmu Komputer, Universitas Brawijaya